TED2011
Dan Ariely: Beware conflicts of interest
Dan Ariely: Óvakodj az érdekellentétektől
Filmed:
Readability: 3.3
1,284,831 views
Ebben a rövid előadásban Dan Ariely pszichológus elmesél két személyes történetet a tudományos érdekellentétekről: Hogyan befolyásolhatják a tudás és a felfedezés keresését - tudatosan, vagy tudat alatt - a rövidtávú személyes célok. Miközben a nagy kérdéseken gondolkodunk, Ariely arra figyelmeztet, hogy tartsuk szem előtt a nagyon is emberi elménket.
Dan Ariely - Behavioral economist
The dismal science of economics is not as firmly grounded in actual behavior as was once supposed. In "Predictably Irrational," Dan Ariely told us why. Full bio
The dismal science of economics is not as firmly grounded in actual behavior as was once supposed. In "Predictably Irrational," Dan Ariely told us why. Full bio
Double-click the English transcript below to play the video.
00:16
So, I was in the hospital for a long time.
0
1000
3000
Hosszú ideig voltam kórházban.
00:19
And a few years after I left, I went back,
1
4000
3000
Pár évvel később visszamentem,
00:22
and the chairman of the burn department was very excited to see me --
2
7000
3000
és az égési osztály főnöke nagyon izgatott volt, hogy újra lát --
00:25
said, "Dan, I have a fantastic new treatment for you."
3
10000
3000
"Dan, van egy fantasztikus új kezelésem a számodra."
00:28
I was very excited. I walked with him to his office.
4
13000
2000
Nagyon izgatott voltam. Bementünk az irodájába.
00:30
And he explained to me that, when I shave,
5
15000
3000
Elmagyarázta nekem, hogy amikor borotválkozom,
00:33
I have little black dots on the left side of my face where the hair is,
6
18000
3000
kis fekete pöttyök vannak az arcom bal oldalán, ahol szőr nő,
00:36
but on the right side of my face
7
21000
2000
de az arcom jobb oldala
00:38
I was badly burned so I have no hair,
8
23000
2000
súlyosan megégett, tehát nincs szőr,
00:40
and this creates lack of symmetry.
9
25000
2000
és ez a szimmetria hiányát okozza.
00:42
And what's the brilliant idea he had?
10
27000
2000
És mi volt a zseniális ötlete?
00:44
He was going to tattoo little black dots
11
29000
2000
Kis fekete pöttyöket akart tetoválni
00:46
on the right side of my face
12
31000
3000
az arcom jobb oldalára,
00:49
and make me look very symmetric.
13
34000
2000
hogy szimmetrikus legyek.
00:51
It sounded interesting. He asked me to go and shave.
14
36000
3000
Érdekesen hangzott. Megkért, hogy borotválkozzak.
00:54
Let me tell you, this was a strange way to shave,
15
39000
2000
Hadd mondjam meg, furcsa volt így borotválkozni,
00:56
because I thought about it
16
41000
2000
mert gondolkodtam rajta,
00:58
and I realized that the way I was shaving then
17
43000
2000
és rájöttem, hogy ahogy most borotválkozom,
01:00
would be the way I would shave for the rest of my life --
18
45000
2000
úgy fogok borotválkozni az életem hátralevő részében --
01:02
because I had to keep the width the same.
19
47000
2000
mert ugyanolyan szélességet kell tartanom.
01:04
When I got back to his office,
20
49000
2000
Amikor visszamentem az irodájába,
01:06
I wasn't really sure.
21
51000
2000
nem voltam túl biztos a dologban.
01:08
I said, "Can I see some evidence for this?"
22
53000
2000
Azt mondtam: "Láthatok valamilyen bizonyítékot?"
01:10
So he showed me some pictures
23
55000
2000
Mutatott néhány képet
01:12
of little cheeks with little black dots --
24
57000
2000
kis orcákról kis fekete pöttyökkel --
01:14
not very informative.
25
59000
2000
nem volt benne sok információ.
01:16
I said, "What happens when I grow older and my hair becomes white?
26
61000
2000
"Mi történik, ha megöregszem, és megőszülök?
01:18
What would happen then?"
27
63000
2000
Mi történik akkor?"
01:20
"Oh, don't worry about it," he said.
28
65000
2000
"Ne aggódj," - mondta,
01:22
"We have lasers; we can whiten it out."
29
67000
3000
"Vannak lézereink, ki tudjuk fehéríteni."
01:25
But I was still concerned,
30
70000
2000
De még mindig nem voltam meggyőzve,
01:27
so I said, "You know what, I'm not going to do it."
31
72000
3000
így azt mondtam: "Inkább nem vállalkozom rá."
01:30
And then came one of the biggest guilt trips of my life.
32
75000
4000
Erre elkezdett úgy bűntudatot ébreszteni bennem, mint még soha senki.
01:34
This is coming from a Jewish guy, all right, so that means a lot.
33
79000
3000
És ezt egy zsidó pasi mondja, úgyhogy képzelhetik.
01:37
(Laughter)
34
82000
2000
(Nevetés)
01:39
And he said, "Dan, what's wrong with you?
35
84000
3000
Azt mondta: "Dan, mi bajod van?
01:42
Do you enjoy looking non-symmetric?
36
87000
2000
Élvezed, hogy aszimmetrikus az arcod?
01:44
Do you have some kind of perverted pleasure from this?
37
89000
5000
Valami perverz örömöt lelsz benne?
01:49
Do women feel pity for you
38
94000
2000
Megsajnálnak a nők
01:51
and have sex with you more frequently?"
39
96000
3000
és gyakrabban fekszenek le veled?"
01:54
None of those happened.
40
99000
3000
Ebből semmi sem volt igaz.
01:58
And this was very surprising to me,
41
103000
2000
És ez nagyon meglepett,
02:00
because I've gone through many treatments --
42
105000
2000
mert sok kezelésen estem át --
02:02
there were many treatments I decided not to do --
43
107000
2000
és sok kezelést utasítottam vissza --
02:04
and I never got this guilt trip to this extent.
44
109000
2000
és még senki nem akart bennem ilyen bűntudatot ébreszteni.
02:06
But I decided not to have this treatment.
45
111000
2000
De elhatároztam, hogy nem kérem ezt a kezelést.
02:08
And I went to his deputy and asked him, "What was going on?
46
113000
2000
És megkérdeztem a helyettesét: "Mi folyik itt?
02:10
Where was this guilt trip coming from?"
47
115000
2000
Honnan jött ez a rámenősség?"
02:12
And he explained that they have done this procedure on two patients already,
48
117000
4000
És elmagyarázta, hogy elvégezték ezt az eljárást két betegen,
02:16
and they need the third patient for a paper they were writing.
49
121000
3000
és szükségük van egy harmadikra a publikációhoz.
02:19
(Laughter)
50
124000
2000
(Nevetés)
02:21
Now you probably think that this guy's a schmuck.
51
126000
2000
Most biztos azt gondolják, hogy ez egy sarlatán.
02:23
Right, that's what he seems like.
52
128000
2000
Ránézésre annak tűnik.
02:25
But let me give you a different perspective on the same story.
53
130000
3000
De hadd mutassam be ezt a történetet egy másik szemszögből.
02:28
A few years ago, I was running some of my own experiments in the lab.
54
133000
3000
Néhány éve saját kísérleteket végeztem a laborban.
02:31
And when we run experiments,
55
136000
2000
És amikor kísérleteket végzünk,
02:33
we usually hope that one group will behave differently than another.
56
138000
3000
reméljük, hogy az egyik csoport máshogy fog viselkedni, mint a másik.
02:36
So we had one group that I hoped their performance would be very high,
57
141000
3000
Az egyik csoport reméltem, hogy nagyon jól fog teljesíteni,
02:39
another group that I thought their performance would be very low,
58
144000
3000
a másik csoport reméltem, hogy nagyon rosszul.
02:42
and when I got the results, that's what we got --
59
147000
2000
És az eredmények tényleg ezt mutatták --
02:44
I was very happy -- aside from one person.
60
149000
3000
nagyon örültem -- kivéve egy embert.
02:47
There was one person in the group
61
152000
2000
Volt egy ember a csoportban,
02:49
that was supposed to have very high performance
62
154000
2000
amelyiknek nagyon jól kellett volna teljesítenie,
02:51
that was actually performing terribly.
63
156000
2000
aki borzasztóan teljesített.
02:53
And he pulled the whole mean down,
64
158000
2000
És lehúzta az egész átlagot,
02:55
destroying my statistical significance of the test.
65
160000
3000
tönkretéve a teszt statisztikai jelentőségét.
02:59
So I looked carefully at this guy.
66
164000
2000
Megnéztem alaposabban ezt a fickót.
03:01
He was 20-some years older than anybody else in the sample.
67
166000
3000
Huszonvalahány évvel idősebb volt, mint bárki más a csoportban.
03:04
And I remembered that the old and drunken guy
68
169000
2000
És emlékeztem rá, hogy egy öreg és részeg pasas
03:06
came one day to the lab
69
171000
2000
bejött egy nap a laborba,
03:08
wanting to make some easy cash
70
173000
2000
egy kis könnyű pénzt akart keresni,
03:10
and this was the guy.
71
175000
2000
és ez volt az a pasas.
03:12
"Fantastic!" I thought. "Let's throw him out.
72
177000
2000
"Remek!" - gondoltam, "Dobjuk ki.
03:14
Who would ever include a drunken guy in a sample?"
73
179000
3000
Ki venne be egy részeg pasast a mintába?"
03:17
But a couple of days later,
74
182000
2000
De néhány nappal később,
03:19
we thought about it with my students,
75
184000
2000
gondolkoztunk ezen a diákjaimmal,
03:21
and we said, "What would have happened if this drunken guy was not in that condition?
76
186000
3000
és azt mondtuk: "Mi történt volna, ha ez a részeg pasas nem ebben az helyzetben van?
03:24
What would have happened if he was in the other group?
77
189000
2000
Mi történt volna, ha a másik csoportban van?
03:26
Would we have thrown him out then?"
78
191000
2000
Akkor is kidobnánk?"
03:28
We probably wouldn't have looked at the data at all,
79
193000
2000
Valószínűleg rá sem néznénk az adatokra,
03:30
and if we did look at the data,
80
195000
2000
és ha ránéznénk,
03:32
we'd probably have said, "Fantastic! What a smart guy who is performing this low,"
81
197000
3000
valószínűleg azt mondanánk: "Remek! Milyen ügyes pasas aki ilyen rosszul teljesít,"
03:35
because he would have pulled the mean of the group lower,
82
200000
2000
mert akkor lejjebb húzta volna a csoport átlagát,
03:37
giving us even stronger statistical results than we could.
83
202000
3000
még nagyobb statisztikai jelentőséget eredményezve.
03:41
So we decided not to throw the guy out and to rerun the experiment.
84
206000
3000
Ezért elhatároztuk, hogy nem dobjuk ki a pasast, hanem megismételjük a kísérletet.
03:44
But you know, these stories,
85
209000
3000
De tudják, ezek a történetek,
03:47
and lots of other experiments that we've done on conflicts of interest,
86
212000
3000
és sok más kísérlet, amiket az érdekellentétekről végeztünk,
03:50
basically kind of bring two points
87
215000
2000
tulajdonképpen két dolgot
03:52
to the foreground for me.
88
217000
2000
emelnek ki számomra.
03:54
The first one is that in life we encounter many people
89
219000
3000
Az egyik az, hogy az életben sok emberrel találkozunk,
03:57
who, in some way or another,
90
222000
3000
akik, így vagy úgy,
04:00
try to tattoo our faces.
91
225000
2000
megpróbálnak az arcunkra tetoválni.
04:02
They just have the incentives that get them to be blinded to reality
92
227000
3000
Az indítékaik elvakítják őket a valóságra
04:05
and give us advice that is inherently biased.
93
230000
3000
és eleve elfogult tanácsot adnak.
04:08
And I'm sure that it's something that we all recognize,
94
233000
2000
És biztos vagyok benne, hogy ez mindenkinek ismerős,
04:10
and we see that it happens.
95
235000
2000
és látjuk ezt megtörténni.
04:12
Maybe we don't recognize it every time,
96
237000
2000
Talán nem mindig ismerjük fel,
04:14
but we understand that it happens.
97
239000
2000
de értjük, hogy ez megtörténik.
04:16
The most difficult thing, of course, is to recognize
98
241000
2000
A kihívás persze felismerni,
04:18
that sometimes we too
99
243000
2000
hogy néha mi is
04:20
are blinded by our own incentives.
100
245000
2000
el vagyunk vakítva a saját indítékainktól.
04:22
And that's a much, much more difficult lesson to take into account.
101
247000
3000
És ezt sokkal-sokkal nehezebb számításba venni.
04:25
Because we don't see how conflicts of interest work on us.
102
250000
4000
Mert nem látjuk, hogy az érdekellentétek hogy hatnak ránk.
04:29
When I was doing these experiments,
103
254000
2000
Miközben ezeket a kísérleteket végeztem,
04:31
in my mind, I was helping science.
104
256000
2000
az én szememben a tudományt segítettem.
04:33
I was eliminating the data
105
258000
2000
Kizártam az adatokat,
04:35
to get the true pattern of the data to shine through.
106
260000
2000
hogy az adatok igazi mintázata jobban kidomborodjon.
04:37
I wasn't doing something bad.
107
262000
2000
Nem valami rosszat csináltam.
04:39
In my mind, I was actually a knight
108
264000
2000
Az én szememben egy lovag voltam,
04:41
trying to help science move along.
109
266000
2000
aki előresegítette a tudományt.
04:43
But this was not the case.
110
268000
2000
De nem ez volt a helyzet.
04:45
I was actually interfering with the process with lots of good intentions.
111
270000
3000
Valójában befolyásoltam a folyamatot sok jó szándékkal.
04:48
And I think the real challenge is to figure out
112
273000
2000
Azt hiszem az igazi kihívás kitalálni,
04:50
where are the cases in our lives
113
275000
2000
hol fordul elő az életünkben,
04:52
where conflicts of interest work on us,
114
277000
2000
hogy érdekellentétekbe ütközünk,
04:54
and try not to trust our own intuition to overcome it,
115
279000
3000
és hogy próbáljunk ne a saját megérzésünkre hagyatkozni,
04:57
but to try to do things
116
282000
2000
hanem próbáljuk elkerülni,
04:59
that prevent us from falling prey to these behaviors,
117
284000
2000
hogy ennek a viselkedésnek az áldozatául essünk,
05:01
because we can create lots of undesirable circumstances.
118
286000
3000
mert sok nemkívánatos körülményt teremthetünk.
05:05
I do want to leave you with one positive thought.
119
290000
2000
Szeretném egy pozitív gondolattal befejezni.
05:07
I mean, this is all very depressing, right --
120
292000
2000
Ez mind elég lelombozó, ugye --
05:09
people have conflicts of interest, we don't see it, and so on.
121
294000
3000
az embereknek érdekellentétei vannak, nem látjuk őket, stb.
05:12
The positive perspective, I think, of all of this
122
297000
2000
A pozitív gondolat mindebben, azt hiszem az,
05:14
is that, if we do understand when we go wrong,
123
299000
3000
hogyha megértjük, hogy hol tévedünk,
05:17
if we understand the deep mechanisms
124
302000
2000
hogyha megértjük a mély mechanizmusait annak,
05:19
of why we fail and where we fail,
125
304000
2000
hogy hol és miért bukunk el,
05:21
we can actually hope to fix things.
126
306000
2000
akkor remélhetjük, hogy meg tudjuk javítani a dolgokat.
05:23
And that, I think, is the hope. Thank you very much.
127
308000
2000
És azt hiszem ez reményt ad. Nagyon köszönöm.
05:25
(Applause)
128
310000
4000
(Taps)
ABOUT THE SPEAKER
Dan Ariely - Behavioral economistThe dismal science of economics is not as firmly grounded in actual behavior as was once supposed. In "Predictably Irrational," Dan Ariely told us why.
Why you should listen
Dan Ariely is a professor of psychology and behavioral economics at Duke University and a founding member of the Center for Advanced Hindsight. He is the author of the bestsellers Predictably Irrational, The Upside of Irrationality, and The Honest Truth About Dishonesty -- as well as the TED Book Payoff: The Hidden Logic that Shapes Our Motivations.
Through his research and his (often amusing and unorthodox) experiments, he questions the forces that influence human behavior and the irrational ways in which we often all behave.
Dan Ariely | Speaker | TED.com