TED2009
Dan Ariely: Our buggy moral code
Dan Ariely o wadliwym kodeksie moralnym.
Filmed:
Readability: 3.2
3,509,395 views
Dan Ariely, ekonomista behawioralny, bada wady naszego kodeksu moralnego: ukryte powody, dla których uważamy, że oszustwo lub kradzież są w porządku (czasami). Dzięki przemyślanym badaniom udowadnia, że jesteśmy irracjonalni i przewidywalni -- oraz można nas zmanipulować w niezauważalny dla nas sposób.
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
I want to talk to you today a little bit
0
1000
2000
Chcę dziś mówić
00:18
about predictable irrationality.
1
3000
3000
o przewidywalnej irracjonalności.
00:21
And my interest in irrational behavior
2
6000
4000
Zainteresowałem się irracjonalnym zachowaniem
00:25
started many years ago in the hospital.
3
10000
3000
wiele lat temu, kiedy trafiłem do szpitala.
00:28
I was burned very badly.
4
13000
4000
Byłem poważnie poparzony.
00:32
And if you spend a lot of time in hospital,
5
17000
3000
Spędzając dużo czasu w szpitalu
00:35
you'll see a lot of types of irrationalities.
6
20000
3000
widzi się wiele irracjonalnych zachowań.
00:38
And the one that particularly bothered me in the burn department
7
23000
5000
Na oddziale oparzeń szczególnie niepokoił mnie
00:43
was the process by which the nurses took the bandage off me.
8
28000
4000
sposób, w jaki pielęgniarki zdejmowały bandaże.
00:48
Now, you must have all taken a Band-Aid off at some point,
9
33000
2000
Każdy kiedyś zdejmował opatrunek,
00:50
and you must have wondered what's the right approach.
10
35000
3000
i zastanawiał się, jak to najlepiej zrobić.
00:53
Do you rip it off quickly -- short duration but high intensity --
11
38000
4000
Czy zedrzeć szybko: ból krótki, ale intensywny,
00:57
or do you take your Band-Aid off slowly --
12
42000
2000
czy zdejmować powoli:
00:59
you take a long time, but each second is not as painful --
13
44000
4000
trwa dłużej, ale nie boli aż tak bardzo.
01:03
which one of those is the right approach?
14
48000
3000
Który sposób jest lepszy?
01:06
The nurses in my department thought that the right approach
15
51000
4000
Pielęgniarki na moim oddziale uważały, że pierwszy.
01:10
was the ripping one, so they would grab hold and they would rip,
16
55000
3000
Chwytały więc za opatrunek i zdzierały,
01:13
and they would grab hold and they would rip.
17
58000
2000
chwytały i zdzierały. Miałem poparzone
01:15
And because I had 70 percent of my body burned, it would take about an hour.
18
60000
4000
70 procent ciała, więc trwało to prawie godzinę.
01:19
And as you can imagine,
19
64000
3000
Jak się domyślacie, z całego serca
01:22
I hated that moment of ripping with incredible intensity.
20
67000
4000
nienawidziłem momentu zdzierania.
01:26
And I would try to reason with them and say,
21
71000
2000
Przekonywałem pielęgniarki,
01:28
"Why don't we try something else?
22
73000
1000
żeby spróbowały inaczej.
01:29
Why don't we take it a little longer --
23
74000
2000
Zajmie im to dłużej, może dwie godziny nie jedną,
01:31
maybe two hours instead of an hour -- and have less of this intensity?"
24
76000
5000
ale ból będzie mniej intensywny.
01:36
And the nurses told me two things.
25
81000
2000
W odpowiedzi słyszałem dwie rzeczy:
01:38
They told me that they had the right model of the patient --
26
83000
4000
że lepiej ode mnie wiedzą,
01:42
that they knew what was the right thing to do to minimize my pain --
27
87000
3000
jak zmniejszać ból, a po drugie,
01:45
and they also told me that the word patient doesn't mean
28
90000
3000
że "być pacjentem" nie znaczy
01:48
to make suggestions or to interfere or ...
29
93000
2000
"robić uwagi" albo "wtrącać się".
01:50
This is not just in Hebrew, by the way.
30
95000
3000
Skądinąd nie tylko po hebrajsku,
01:53
It's in every language I've had experience with so far.
31
98000
3000
ale w każdym znanym mi języku.
01:56
And, you know, there's not much -- there wasn't much I could do,
32
101000
4000
Niewiele mogłem poradzić,
02:00
and they kept on doing what they were doing.
33
105000
3000
a pielęgniarki dalej zdzierały opatrunki.
02:03
And about three years later, when I left the hospital,
34
108000
2000
Trzy lata później, kiedy opuściłem szpital,
02:05
I started studying at the university.
35
110000
3000
poszedłem na studia.
02:08
And one of the most interesting lessons I learned
36
113000
3000
Najciekawszą rzeczą, jakiej się nauczyłem
02:11
was that there is an experimental method
37
116000
2000
była metoda eksperymentalna, polegająca na tym,
02:13
that if you have a question you can create a replica of this question
38
118000
4000
że jeżeli ma się pytanie, można stworzyć
02:17
in some abstract way, and you can try to examine this question,
39
122000
4000
jego abstrakcyjną replikę, zbadać ją
02:21
maybe learn something about the world.
40
126000
2000
i nauczyć się czegoś o świecie.
02:23
So that's what I did.
41
128000
2000
Tak też zrobiłem. Ciągle interesował mnie
02:25
I was still interested
42
130000
1000
Tak też zrobiłem. Ciągle interesował mnie
02:26
in this question of how do you take bandages off burn patients.
43
131000
2000
najlepszy sposób zdejmowania opatrunków.
02:28
So originally I didn't have much money,
44
133000
3000
Początkowo brakowało mi pieniędzy,
02:31
so I went to a hardware store and I bought a carpenter's vice.
45
136000
4000
więc kupiłem imadło.
02:35
And I would bring people to the lab and I would put their finger in it,
46
140000
4000
W laboratorium wsadzałem ochotnikom palce w imadło
02:39
and I would crunch it a little bit.
47
144000
2000
i zgniatałem trochę.
02:41
(Laughter)
48
146000
2000
(Śmiech)
02:43
And I would crunch it for long periods and short periods,
49
148000
3000
Zaciskałem dłuższej lub krócej,
02:46
and pain that went up and pain that went down,
50
151000
2000
ból narastał lub malał,
02:48
and with breaks and without breaks -- all kinds of versions of pain.
51
153000
4000
z przerwami lub bez - różne wersje bólu.
02:52
And when I finished hurting people a little bit, I would ask them,
52
157000
2000
Na koniec pytałem
02:54
so, how painful was this? Or, how painful was this?
53
159000
2000
jak bardzo bolało.
02:56
Or, if you had to choose between the last two,
54
161000
2000
Gdyby musieli wybierać między dwoma ostatnimi,
02:58
which one would you choose?
55
163000
2000
który rodzaj bólu by wybrali?
03:00
(Laughter)
56
165000
3000
(Śmiech)
03:03
I kept on doing this for a while.
57
168000
3000
Trwało to przez jakiś czas.
03:06
(Laughter)
58
171000
2000
(Śmiech)
03:08
And then, like all good academic projects, I got more funding.
59
173000
4000
Jak na dobry projekt przystało, dostałem fundusze.
03:12
I moved to sounds, electrical shocks --
60
177000
2000
Wprowadziłem dźwięki, elektrowstrząsy,
03:14
I even had a pain suit that I could get people to feel much more pain.
61
179000
5000
nawet specjalny kombinezon, potęgujący ból.
03:19
But at the end of this process,
62
184000
4000
Moje badania udowodniły,
03:23
what I learned was that the nurses were wrong.
63
188000
3000
że pielęgniarki były w błędzie.
03:26
Here were wonderful people with good intentions
64
191000
3000
Cudowne osoby, które pomimo dobrych intencji
03:29
and plenty of experience, and nevertheless
65
194000
2000
i dużego doświadczenia,
03:31
they were getting things wrong predictably all the time.
66
196000
4000
myliły się, w sposób łatwy do przewidzenia.
03:35
It turns out that because we don't encode duration
67
200000
3000
Okazuje się, że czasu trwania bólu
03:38
in the way that we encode intensity,
68
203000
2000
nie rejestrujemy tak samo, jak intensywności.
03:40
I would have had less pain if the duration would have been longer
69
205000
4000
Mniej bym cierpiał, gdyby zdejmowanie bandaży
03:44
and the intensity was lower.
70
209000
2000
trwało dłużej, ale ból był mniej intensywny.
03:46
It turns out it would have been better to start with my face,
71
211000
3000
Powinno się też zacząć od twarzy,
03:49
which was much more painful, and move toward my legs,
72
214000
2000
najbardziej wrażliwej, i posuwać ku nogom.
03:51
giving me a trend of improvement over time --
73
216000
3000
Miałbym poczucie, że jest coraz lepiej
03:54
that would have been also less painful.
74
219000
1000
i ból by się zmniejszył.
03:55
And it also turns out that it would have been good
75
220000
2000
Pomogłyby też przerwy w zdejmowaniu,
03:57
to give me breaks in the middle to kind of recuperate from the pain.
76
222000
2000
żebym mógł odpocząć od bólu.
03:59
All of these would have been great things to do,
77
224000
2000
O wszystkich tych rzeczach
04:01
and my nurses had no idea.
78
226000
3000
pielęgniarki nie miały zielonego pojęcia.
04:04
And from that point on I started thinking,
79
229000
1000
Zacząłem się zastanawiać,
04:05
are the nurses the only people in the world who get things wrong
80
230000
3000
czy mylne podejście pielęgniarek to wyjątek,
04:08
in this particular decision, or is it a more general case?
81
233000
3000
czy przykład powszechnego zachowania.
04:11
And it turns out it's a more general case --
82
236000
2000
Okazuje się, że to drugie;
04:13
there's a lot of mistakes we do.
83
238000
3000
popełniamy mnóstwo błędów.
04:16
And I want to give you one example of one of these irrationalities,
84
241000
5000
Oto przykład irracjonalnego zachowania:
04:21
and I want to talk to you about cheating.
85
246000
3000
oszustwo.
04:24
And the reason I picked cheating is because it's interesting,
86
249000
2000
Wybrałem oszustwo, bo jest interesujące,
04:26
but also it tells us something, I think,
87
251000
2000
a także mówi nam coś
04:28
about the stock market situation we're in.
88
253000
3000
o sytuacji na rynku papierów wartościowych.
04:31
So, my interest in cheating started
89
256000
3000
Zainteresowałem się oszustwem
04:34
when Enron came on the scene, exploded all of a sudden,
90
259000
2000
po skandalicznym bankructwie Enronu.
04:36
and I started thinking about what is happening here.
91
261000
3000
Zastanawiałem się, co tam zaszło.
04:39
Is it the case that there was kind of
92
264000
1000
Czy chodziło o kilka czarnych owiec,
04:40
a few apples who are capable of doing these things,
93
265000
3000
Czy chodziło o kilka czarnych owiec,
04:43
or are we talking a more endemic situation,
94
268000
2000
czy powodu trzeba upatrywać
04:45
that many people are actually capable of behaving this way?
95
270000
4000
w powszechnej skłonności do oszustwa?
04:49
So, like we usually do, I decided to do a simple experiment.
96
274000
4000
Postanowiłem przeprowadzić prosty eksperyment.
04:53
And here's how it went.
97
278000
1000
Każdy dostawał na kartce
04:54
If you were in the experiment, I would pass you a sheet of paper
98
279000
3000
Każdy dostawał na kartce
04:57
with 20 simple math problems that everybody could solve,
99
282000
4000
20 bardzo prostych zadań z matematyki,
05:01
but I wouldn't give you enough time.
100
286000
2000
i za mało czasu na ich rozwiązanie.
05:03
When the five minutes were over, I would say,
101
288000
2000
Po 5 minutach prosiłem o zwrot kartek
05:05
"Pass me the sheets of paper, and I'll pay you a dollar per question."
102
290000
3000
i płaciłem dolara od rozwiązanego zadania.
05:08
People did this. I would pay people four dollars for their task --
103
293000
4000
Płaciłem zwykle 4 dolary.
05:12
on average people would solve four problems.
104
297000
2000
Średnio każdy rozwiązywał 4 zadania.
05:14
Other people I would tempt to cheat.
105
299000
3000
Inną grupę kusiłem do oszustwa.
05:17
I would pass their sheet of paper.
106
302000
1000
Dostawali kartkę z zadaniami.
05:18
When the five minutes were over, I would say,
107
303000
2000
Po pięciu minutach prosiłem,
05:20
"Please shred the piece of paper.
108
305000
1000
aby podarli i zabrali kartkę,
05:21
Put the little pieces in your pocket or in your backpack,
109
306000
3000
aby podarli i zabrali kartkę,
05:24
and tell me how many questions you got correctly."
110
309000
3000
mówiąc mi, ile mieli poprawnych odpowiedzi.
05:27
People now solved seven questions on average.
111
312000
3000
Teraz "rozwiązywano" średnio po 7 zadań.
05:30
Now, it wasn't as if there was a few bad apples --
112
315000
5000
To nie było kilka czarnych owiec,
05:35
a few people cheated a lot.
113
320000
3000
oszukujących na dużą skalę.
05:38
Instead, what we saw is a lot of people who cheat a little bit.
114
323000
3000
Zamiast tego wiele osób oszukiwało po trochu.
05:41
Now, in economic theory,
115
326000
3000
W kontekście nauk ekonomicznych
05:44
cheating is a very simple cost-benefit analysis.
116
329000
3000
oszustwo to prosta analiza kosztów i korzyści.
05:47
You say, what's the probability of being caught?
117
332000
2000
Na ile procent mnie złapią?
05:49
How much do I stand to gain from cheating?
118
334000
3000
Ile mogę zyskać na oszustwie?
05:52
And how much punishment would I get if I get caught?
119
337000
2000
Jaka kara wchodzi w grę w razie przyłapania?
05:54
And you weigh these options out --
120
339000
2000
Rozważasz za i przeciw,
05:56
you do the simple cost-benefit analysis,
121
341000
2000
jak w prostej analizie kosztów i korzyści
05:58
and you decide whether it's worthwhile to commit the crime or not.
122
343000
3000
i decydujesz, czy warto popełnić przestępstwo.
06:01
So, we try to test this.
123
346000
2000
Próbowaliśmy to zbadać.
06:03
For some people, we varied how much money they could get away with --
124
348000
4000
Różne grupy mogły podkradać różne kwoty.
06:07
how much money they could steal.
125
352000
1000
Płaciliśmy 10 centów za odpowiedź, 50 centów,
06:08
We paid them 10 cents per correct question, 50 cents,
126
353000
3000
Płaciliśmy 10 centów za odpowiedź, 50 centów,
06:11
a dollar, five dollars, 10 dollars per correct question.
127
356000
3000
dolara, 5, 10 dolarów od poprawnej odpowiedzi.
06:14
You would expect that as the amount of money on the table increases,
128
359000
4000
Można by sądzić, że ze wzrostem stawki,
06:18
people would cheat more, but in fact it wasn't the case.
129
363000
3000
ludzie będą oszukiwać więcej, ale nie.
06:21
We got a lot of people cheating by stealing by a little bit.
130
366000
3000
Wiele osób podkradało niewielkie kwoty.
06:24
What about the probability of being caught?
131
369000
3000
Co z prawdopodobieństwem wpadki?
06:27
Some people shredded half the sheet of paper,
132
372000
2000
Niektórzy darli połowę kartki,
06:29
so there was some evidence left.
133
374000
1000
tak żeby został jakiś dowód.
06:30
Some people shredded the whole sheet of paper.
134
375000
2000
Niektórzy darli całą kartkę.
06:32
Some people shredded everything, went out of the room,
135
377000
3000
Inni darli całą kartkę i w pokoju obok sami brali
06:35
and paid themselves from the bowl of money that had over 100 dollars.
136
380000
3000
wypłatę z misy zawierającej ponad 100 dolarów.
06:38
You would expect that as the probability of being caught goes down,
137
383000
3000
Można sądzić, że im mniejsze ryzyko przyłapania,
06:41
people would cheat more, but again, this was not the case.
138
386000
3000
tym więcej oszustów, ale znowu tak się nie stało.
06:44
Again, a lot of people cheated by just by a little bit,
139
389000
3000
Wiele osób oszukiwało w małym stopniu,
06:47
and they were insensitive to these economic incentives.
140
392000
3000
nie zwracając uwagi na korzyści ekonomiczne.
06:50
So we said, "If people are not sensitive
141
395000
1000
Zastanawialiśmy się, co nimi kieruje,
06:51
to the economic rational theory explanations, to these forces,
142
396000
5000
Zastanawialiśmy się, co nimi kieruje,
06:56
what could be going on?"
143
401000
3000
skoro nie racjonalne siły ekonomii?
06:59
And we thought maybe what is happening is that there are two forces.
144
404000
3000
Pomyśleliśmy, że być może działają tu dwie siły.
07:02
At one hand, we all want to look at ourselves in the mirror
145
407000
2000
Z jednej strony, lubimy mieć o sobie dobre zdanie,
07:04
and feel good about ourselves, so we don't want to cheat.
146
409000
3000
więc nie chcemy oszukiwać.
07:07
On the other hand, we can cheat a little bit,
147
412000
2000
Z drugiej strony, możemy oszukać trochę
07:09
and still feel good about ourselves.
148
414000
2000
i nadal mieć dobre samopoczucie.
07:11
So, maybe what is happening is that
149
416000
1000
Nie możemy przekroczyć pewnej granicy
07:12
there's a level of cheating we can't go over,
150
417000
2000
Nie możemy przekroczyć pewnej granicy,
07:14
but we can still benefit from cheating at a low degree,
151
419000
4000
ale możemy odnosić korzyści z małych oszustw,
07:18
as long as it doesn't change our impressions about ourselves.
152
423000
3000
o ile nie wpływa to na naszą samoocenę.
07:21
We call this like a personal fudge factor.
153
426000
3000
Nazywamy to współczynnikiem samoobłudy.
07:25
Now, how would you test a personal fudge factor?
154
430000
4000
Jak przetestować współczynnik samoobłudy?
07:29
Initially we said, what can we do to shrink the fudge factor?
155
434000
4000
Najpierw chcieliśmy go zmniejszyć.
07:33
So, we got people to the lab, and we said,
156
438000
2000
Uczestnikom mówiliśmy,
07:35
"We have two tasks for you today."
157
440000
2000
że mamy dla nich dwa zadania.
07:37
First, we asked half the people
158
442000
1000
Połowa miała przypomnieć sobie 10 szkolnych lektur,
07:38
to recall either 10 books they read in high school,
159
443000
2000
Połowa miała przypomnieć sobie 10 szkolnych lektur,
07:40
or to recall The Ten Commandments,
160
445000
3000
a druga połowa dekalog,
07:43
and then we tempted them with cheating.
161
448000
2000
po czym kusiliśmy ich do oszustw.
07:45
Turns out the people who tried to recall The Ten Commandments --
162
450000
3000
W grupie wymieniającej przykazania
07:48
and in our sample nobody could recall all of The Ten Commandments --
163
453000
2000
nikt nie pamiętał wszystkich dziesięciu,
07:51
but those people who tried to recall The Ten Commandments,
164
456000
4000
ale ci, którzy usiłowali,
07:55
given the opportunity to cheat, did not cheat at all.
165
460000
3000
nie próbowali potem oszukiwać.
07:58
It wasn't that the more religious people --
166
463000
2000
Nie chodzi o to, że ci bardziej religijni,
08:00
the people who remembered more of the Commandments -- cheated less,
167
465000
1000
pamiętający przykazania, oszukiwali mniej,
08:01
and the less religious people --
168
466000
2000
pamiętający przykazania, oszukiwali mniej,
08:03
the people who couldn't remember almost any Commandments --
169
468000
1000
a ci, co nie pamiętali - więcej.
08:04
cheated more.
170
469000
2000
a ci, co nie pamiętali - więcej.
08:06
The moment people thought about trying to recall The Ten Commandments,
171
471000
4000
W chwili, gdy zaczęli przypominać sobie dekalog,
08:10
they stopped cheating.
172
475000
1000
przestawali oszukiwać.
08:11
In fact, even when we gave self-declared atheists
173
476000
2000
Nawet zdeklarowani ateiści,
08:13
the task of swearing on the Bible and we give them a chance to cheat,
174
478000
4000
kuszeni po przysięganiu na biblię,
08:17
they don't cheat at all.
175
482000
2000
nie oszukiwali.
08:21
Now, Ten Commandments is something that is hard
176
486000
2000
Trudno byłoby wprowadzić dekalog
08:23
to bring into the education system, so we said,
177
488000
2000
do systemu edukacyjnego, więc postanowiliśmy
08:25
"Why don't we get people to sign the honor code?"
178
490000
2000
dawać ludziom do podpisu kodeks honorowy.
08:27
So, we got people to sign,
179
492000
2000
Każdy podpisywał, że rozumie,
08:29
"I understand that this short survey falls under the MIT Honor Code."
180
494000
4000
iż badanych obowiązuje kodeks honorowy MIT.
08:33
Then they shredded it. No cheating whatsoever.
181
498000
3000
Potem darli swoje kartki. Nikt nie oszukiwał.
08:36
And this is particularly interesting,
182
501000
1000
Co ciekawe, MIT nie ma kodeksu honorowego.
08:37
because MIT doesn't have an honor code.
183
502000
2000
Co ciekawe, MIT nie ma kodeksu honorowego.
08:39
(Laughter)
184
504000
5000
(Śmiech)
08:44
So, all this was about decreasing the fudge factor.
185
509000
4000
Tak obniżaliśmy współczynnik samoobłudy.
08:48
What about increasing the fudge factor?
186
513000
3000
A co, gdyby go podwyższyć?
08:51
The first experiment -- I walked around MIT
187
516000
2000
Podczas pierwszego eksperymentu
08:53
and I distributed six-packs of Cokes in the refrigerators --
188
518000
3000
wkładałem sześciopaki coli
08:56
these were common refrigerators for the undergrads.
189
521000
2000
do wspólnych lodówek studentów MIT.
08:58
And I came back to measure what we technically call
190
523000
3000
Później mierzyłem, jak to technicznie nazywamy,
09:01
the half-lifetime of Coke -- how long does it last in the refrigerators?
191
526000
4000
czas połowicznego zaniku coli; ile przetrwała w lodówkach.
09:05
As you can expect it doesn't last very long; people take it.
192
530000
3000
Jak było do przewidzenia - dosyć krótko.
09:08
In contrast, I took a plate with six one-dollar bills,
193
533000
4000
Dla porównania, w tych samych lodówkach
09:12
and I left those plates in the same refrigerators.
194
537000
3000
zostawiałem tacki z 6 jednodolarówkami.
09:15
No bill ever disappeared.
195
540000
1000
Żaden banknot nie zniknął. To nie najlepsza metoda,
09:16
Now, this is not a good social science experiment,
196
541000
3000
Żaden banknot nie zniknął. To nie najlepsza metoda,
09:19
so to do it better I did the same experiment
197
544000
3000
więc znowu przeprowadziłem eksperyment
09:22
as I described to you before.
198
547000
2000
z kartkami i zadaniami.
09:24
A third of the people we passed the sheet, they gave it back to us.
199
549000
3000
Jedna trzecia osób oddawała nam kartki,
09:27
A third of the people we passed it to, they shredded it,
200
552000
3000
jedna trzecia darła je i mówiła,
09:30
they came to us and said,
201
555000
1000
jedna trzecia darła je i mówiła,
09:31
"Mr. Experimenter, I solved X problems. Give me X dollars."
202
556000
3000
że rozwiązała x problemów i prosi o x dolarów.
09:34
A third of the people, when they finished shredding the piece of paper,
203
559000
3000
Ostatnia grupa po podarciu kartek,
09:37
they came to us and said,
204
562000
2000
przychodziła i mówiła,
09:39
"Mr Experimenter, I solved X problems. Give me X tokens."
205
564000
6000
że rozwiązała x problemów i prosi o x żetonów.
09:45
We did not pay them with dollars; we paid them with something else.
206
570000
3000
Nie płaciliśmy im w dolarach, ale w żetonach.
09:48
And then they took the something else, they walked 12 feet to the side,
207
573000
3000
Potem szli z żetonami na bok
09:51
and exchanged it for dollars.
208
576000
2000
i wymieniali je na dolary.
09:53
Think about the following intuition.
209
578000
2000
Zastanówmy się.
09:55
How bad would you feel about taking a pencil from work home,
210
580000
3000
Czy czulibyśmy się gorzej, zabierając z pracy ołówek,
09:58
compared to how bad would you feel
211
583000
2000
czy zabierając
10:00
about taking 10 cents from a petty cash box?
212
585000
2000
10 centów z pudełka z drobniakami?
10:02
These things feel very differently.
213
587000
3000
To zupełnie różne odczucia.
10:05
Would being a step removed from cash for a few seconds
214
590000
3000
Czy to, że płaciliśmy najpierw w żetonach
10:08
by being paid by token make a difference?
215
593000
3000
miało jakiś wpływ?
10:11
Our subjects doubled their cheating.
216
596000
2000
Oszustwa wzrosły dwukrotnie.
10:13
I'll tell you what I think
217
598000
2000
Zaraz powiem, co myślę o tym
10:15
about this and the stock market in a minute.
218
600000
2000
i o rynku papierów wartościowych.
10:18
But this did not solve the big problem I had with Enron yet,
219
603000
4000
Wyniki nie tłumaczyły problemu Enronu,
10:22
because in Enron, there's also a social element.
220
607000
3000
bo tam występował również czynnik społeczny.
10:25
People see each other behaving.
221
610000
1000
Codziennie w wiadomościach
10:26
In fact, every day when we open the news
222
611000
2000
Codziennie w wiadomościach
10:28
we see examples of people cheating.
223
613000
2000
słyszymy o oszustwach.
10:30
What does this cause us?
224
615000
3000
Jaki to ma na nas wpływ?
10:33
So, we did another experiment.
225
618000
1000
Do kolejnego eksperymentu zaprosiliśmy dużą grupę studentów,
10:34
We got a big group of students to be in the experiment,
226
619000
3000
Do kolejnego eksperymentu zaprosiliśmy dużą grupę studentów,
10:37
and we prepaid them.
227
622000
1000
opłaconych z góry. Wszyscy dostali koperty z wypłatami.
10:38
So everybody got an envelope with all the money for the experiment,
228
623000
3000
opłaconych z góry. Wszyscy dostali koperty z wypłatami.
10:41
and we told them that at the end, we asked them
229
626000
2000
Pod koniec eksperymentu prosiliśmy
10:43
to pay us back the money they didn't make. OK?
230
628000
4000
o oddanie sumy, której nie zarobili.
10:47
The same thing happens.
231
632000
1000
Podobny rezultat.
10:48
When we give people the opportunity to cheat, they cheat.
232
633000
2000
Mając okazję do oszustwa, ludzie z niej korzystają.
10:50
They cheat just by a little bit, all the same.
233
635000
3000
Oszukują w niewielkim stopniu, ale jednak.
10:53
But in this experiment we also hired an acting student.
234
638000
3000
Do tego eksperymentu wynajęliśmy też aktora.
10:56
This acting student stood up after 30 seconds, and said,
235
641000
4000
Po 30 sekundach aktor wstawał i mówił:
11:00
"I solved everything. What do I do now?"
236
645000
3000
"Rozwiązałem wszystko. Co teraz?"
11:03
And the experimenter said, "If you've finished everything, go home.
237
648000
4000
Badający odpowiadał, że może iść do domu.
11:07
That's it. The task is finished."
238
652000
1000
Tyle. Koniec zadania.
11:08
So, now we had a student -- an acting student --
239
653000
4000
Czyli teraz mieliśmy studenta-aktora,
11:12
that was a part of the group.
240
657000
2000
jako członka grupy.
11:14
Nobody knew it was an actor.
241
659000
2000
Nikt nie wiedział, że to aktor.
11:16
And they clearly cheated in a very, very serious way.
242
661000
4000
Aktor oszukiwał bardzo wyraźnie.
11:20
What would happen to the other people in the group?
243
665000
3000
Jak zachowają się inne osoby w grupie?
11:23
Will they cheat more, or will they cheat less?
244
668000
3000
Będą oszukiwać mniej czy więcej?
11:26
Here is what happens.
245
671000
2000
Oto co się stało.
11:28
It turns out it depends on what kind of sweatshirt they're wearing.
246
673000
4000
Wszystko zależało od bluzy aktora.
11:32
Here is the thing.
247
677000
2000
Muszę tu coś dodać.
11:34
We ran this at Carnegie Mellon and Pittsburgh.
248
679000
3000
Działaliśmy w Carnegie Mellon i Pittsburghu.
11:37
And at Pittsburgh there are two big universities,
249
682000
2000
Pittsburgh ma dwa duże uniwersytety:
11:39
Carnegie Mellon and University of Pittsburgh.
250
684000
3000
Carnegie Mellon i Uniwersytet Pittsburski.
11:42
All of the subjects sitting in the experiment
251
687000
2000
Uczestnicy eksperymentu
11:44
were Carnegie Mellon students.
252
689000
2000
byli studentami Carnegie Mellon.
11:46
When the actor who was getting up was a Carnegie Mellon student --
253
691000
4000
Kiedy aktor miał bluzę Carnegie Mellon,
11:50
he was actually a Carnegie Mellon student --
254
695000
2000
skądinąd własną,
11:52
but he was a part of their group, cheating went up.
255
697000
4000
grupa oszukiwała więcej.
11:56
But when he actually had a University of Pittsburgh sweatshirt,
256
701000
4000
Ale kiedy wkładał bluzę Uniwesytetu Pittsburskiego,
12:00
cheating went down.
257
705000
2000
oszustwa malały.
12:02
(Laughter)
258
707000
3000
(Śmiech)
12:05
Now, this is important, because remember,
259
710000
3000
To ważne, bo pamiętajmy,
12:08
when the moment the student stood up,
260
713000
2000
że kiedy aktor wstawał,
12:10
it made it clear to everybody that they could get away with cheating,
261
715000
3000
wszyscy widzieli, że można oszukiwać,
12:13
because the experimenter said,
262
718000
2000
bo eksperymentator pozwalał mu
12:15
"You've finished everything. Go home," and they went with the money.
263
720000
2000
iść do domu z pieniędzmi.
12:17
So it wasn't so much about the probability of being caught again.
264
722000
3000
Nie tyle chodziło tu o ryzyko wpadki,
12:20
It was about the norms for cheating.
265
725000
3000
co o normy regulujące oszustwo.
12:23
If somebody from our in-group cheats and we see them cheating,
266
728000
3000
Jeżeli oszukuje ktoś z naszego grona,
12:26
we feel it's more appropriate, as a group, to behave this way.
267
731000
4000
oszustwo wydaje się do przyjęcia.
12:30
But if it's somebody from another group, these terrible people --
268
735000
2000
Jeżeli natomiast
12:32
I mean, not terrible in this --
269
737000
2000
oszukuje ktoś z innej grupy,
12:34
but somebody we don't want to associate ourselves with,
270
739000
2000
z którą nie chcemy się utożsamiać,
12:36
from another university, another group,
271
741000
2000
np. z innego uniwersytetu, klanu,
12:38
all of a sudden people's awareness of honesty goes up --
272
743000
3000
wzrasta nagle poczucie uczciwości,
12:41
a little bit like The Ten Commandments experiment --
273
746000
2000
podobnie jak w eksperymencie z dekalogiem.
12:43
and people cheat even less.
274
748000
4000
i ludzie oszukują mniej niż zwykle.
12:47
So, what have we learned from this about cheating?
275
752000
4000
Czego więc dowiedzieliśmy się o oszustwie?
12:51
We've learned that a lot of people can cheat.
276
756000
3000
Wielu ludzi potrafi oszukiwać.
12:54
They cheat just by a little bit.
277
759000
3000
Oszukują w niewielkim stopniu.
12:57
When we remind people about their morality, they cheat less.
278
762000
4000
Po refleksji nad moralnością, oszukują mniej.
13:01
When we get bigger distance from cheating,
279
766000
3000
Im większy dystans od obiektu oszustwa,
13:04
from the object of money, for example, people cheat more.
280
769000
4000
na przykład pieniędzy, tym oszukują więcej.
13:08
And when we see cheating around us,
281
773000
2000
Będąc świadkiem oszustwa,
13:10
particularly if it's a part of our in-group, cheating goes up.
282
775000
4000
zwłaszcza we własnej grupie, oszukują więcej.
13:14
Now, if we think about this in terms of the stock market,
283
779000
3000
Weźmy teraz rynek papierów wartościowych.
13:17
think about what happens.
284
782000
1000
Zauważmy, co się dzieje w chwili,
13:18
What happens in a situation when you create something
285
783000
3000
Zauważmy, co się dzieje w chwili,
13:21
where you pay people a lot of money
286
786000
2000
gdy komuś dużo płacą
13:23
to see reality in a slightly distorted way?
287
788000
3000
za zniekształcone postrzeganie rzeczywistości?
13:26
Would they not be able to see it this way?
288
791000
3000
Czy będzie w stanie tak patrzeć?
13:29
Of course they would.
289
794000
1000
Jasne, że tak.
13:30
What happens when you do other things,
290
795000
1000
A jeśli zwiększymy jeszcze dystans do pieniędzy?
13:31
like you remove things from money?
291
796000
2000
A jeśli zwiększymy jeszcze dystans do pieniędzy?
13:33
You call them stock, or stock options, derivatives,
292
798000
3000
Wprowadzimy akcje, opcje, pochodne
13:36
mortgage-backed securities.
293
801000
1000
zastawy hipoteczne.
13:37
Could it be that with those more distant things,
294
802000
3000
Jeśli okaże się,
13:40
it's not a token for one second,
295
805000
2000
że to już nawet nie żetony,
13:42
it's something that is many steps removed from money
296
807000
2000
ale coś zupełnie oderwanego od pieniędzy
13:44
for a much longer time -- could it be that people will cheat even more?
297
809000
4000
i to od dawna - czy wtedy oszukiwano by więcej?
13:48
And what happens to the social environment
298
813000
2000
Jak wpływa na społeczność to,
13:50
when people see other people behave around them?
299
815000
3000
że widzi, jak inni oszukują?
13:53
I think all of those forces worked in a very bad way
300
818000
4000
Uważam, że to wszystko źle wpływa
13:57
in the stock market.
301
822000
2000
na rynek papierów wartościowych.
13:59
More generally, I want to tell you something
302
824000
3000
Chcę coś dodać na temat
14:02
about behavioral economics.
303
827000
3000
ekonomii behawioralnej.
14:05
We have many intuitions in our life,
304
830000
4000
W życiu kierujemy się przeczuciami,
14:09
and the point is that many of these intuitions are wrong.
305
834000
3000
które często okazują się błędne.
14:12
The question is, are we going to test those intuitions?
306
837000
3000
Czy zechcemy wystawiać je na próbę?
14:15
We can think about how we're going to test this intuition
307
840000
2000
Zastanówmy się, jak je badać
14:17
in our private life, in our business life,
308
842000
2000
w życiu prywatnym, zawodowym,
14:19
and most particularly when it goes to policy,
309
844000
3000
a zwłaszcza w polityce,
14:22
when we think about things like No Child Left Behind,
310
847000
3000
przy projektach typu No Child Left Behind,
14:25
when you create new stock markets, when you create other policies --
311
850000
3000
przy tworzeniu nowych giełd, regulacji
14:28
taxation, health care and so on.
312
853000
3000
systemów podatkowych, służby zdrowia itd.
14:31
And the difficulty of testing our intuition
313
856000
2000
Trudno jest badać przeczucia,
14:33
was the big lesson I learned
314
858000
2000
czego doświadczyłem
14:35
when I went back to the nurses to talk to them.
315
860000
2000
odwiedzając moje pielęgniarki.
14:37
So I went back to talk to them
316
862000
2000
Wróciłem powiedzieć im,
14:39
and tell them what I found out about removing bandages.
317
864000
3000
czego nauczyłem się o zdejmowaniu bandaży.
14:42
And I learned two interesting things.
318
867000
2000
Dowiedziałem się dwóch ważnych rzeczy.
14:44
One was that my favorite nurse, Ettie,
319
869000
2000
Po pierwsze Ettie, moja ulubiona pielęgniarka,
14:46
told me that I did not take her pain into consideration.
320
871000
4000
powiedziała, że nie wziąłem pod uwagę jej bólu.
14:50
She said, "Of course, you know, it was very painful for you.
321
875000
2000
"Jasne, że cię bolało,
14:52
But think about me as a nurse,
322
877000
2000
ale pomyśl o mnie.
14:54
taking, removing the bandages of somebody I liked,
323
879000
2000
Zmieniam bandaże komuś, kogo lubię
14:56
and had to do it repeatedly over a long period of time.
324
881000
3000
w kółko, przez wiele tygodni.
14:59
Creating so much torture was not something that was good for me, too."
325
884000
3000
Przedłużanie tortur nie było też dobre dla mnie”.
15:02
And she said maybe part of the reason was it was difficult for her.
326
887000
5000
Czyli częściowo robiła to dla siebie.
15:07
But it was actually more interesting than that, because she said,
327
892000
3000
Co ważniejsze, dodała:
15:10
"I did not think that your intuition was right.
328
895000
5000
"Twoje argumenty mnie nie przekonywały.
15:15
I felt my intuition was correct."
329
900000
1000
Uważałam, że mam rację".
15:16
So, if you think about all of your intuitions,
330
901000
2000
Myśląc o własnej intuicji,
15:18
it's very hard to believe that your intuition is wrong.
331
903000
4000
trudno nam uwierzyć, że możemy się mylić.
15:22
And she said, "Given the fact that I thought my intuition was right ..." --
332
907000
3000
Dodała też, że ponieważ wierzyła
15:25
she thought her intuition was right --
333
910000
2000
że ma rację,
15:27
it was very difficult for her to accept doing a difficult experiment
334
912000
5000
ciężko jej było zgodzić się na trudny eksperyment,
15:32
to try and check whether she was wrong.
335
917000
2000
aby sprawdzić, czy się myli.
15:34
But in fact, this is the situation we're all in all the time.
336
919000
4000
Wszyscy doświadczamy tego co dzień.
15:38
We have very strong intuitions about all kinds of things --
337
923000
3000
Mocno wierzymy własnym przeczuciom
15:41
our own ability, how the economy works,
338
926000
3000
w sprawach własnych zdolności, działania gospodarki,
15:44
how we should pay school teachers.
339
929000
2000
płac dla nauczycieli.
15:46
But unless we start testing those intuitions,
340
931000
3000
Jeżeli nie zaczniemy wystawiać ich na próbę,
15:49
we're not going to do better.
341
934000
2000
nie ruszymy z miejsca.
15:51
And just think about how better my life would have been
342
936000
2000
O ile lżejsze miałbym życie,
15:53
if these nurses would have been willing to check their intuition,
343
938000
2000
gdyby pielęgniarki poddały próbie swoje przeczucia,
15:55
and how everything would have been better
344
940000
1000
i o ile lepszy będzie świat,
15:56
if we just start doing more systematic experimentation of our intuitions.
345
941000
5000
jeśli zaczniemy systematycznie testować intuicje.
16:01
Thank you very much.
346
946000
2000
Dziękuję.
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