آیا نمی شود فریب خورده Covid-19 Carpetbaggers

Megyn kelly را Nate نقره طعنه آخرین پروژه خود در Covid-19 به 3.2 میلیون پیروان توییتر: “کار بر روی چیزی که در آن شما می توانید مدل شماره شناسایی مواردی از بیماری به عنوان یک تابع از تعداد واقعی موارد مختلف و مفروضات در مورد چگونه/چگونه بسیاری از آزمون ها در حال انجام است.”

در حالی که تلاش خود را در توییتر اپیدمیولوژی انتقاد قرار گرفته بود عمدتا توسط علمی دانشمندان آن را به سختی توهین آمیز به اندازه کافی به حکم چیزی بیش از یک eyeroll. برای همه جیر را طنز—نقره ساخته شده است شهرت خود را با تماس از ساده لوحی از بد تفسیر رای گیری داده ها—تلاش خود را بی ضرر بود اکتشافی و او را از هر گونه ادعا به عنوان یک متخصص.

نقره ای که به نظر می رسد به دانستن جای خود را به عنوان یک خارجی در این موضوع بیش از را می توان گفت برای هزاران نفر از افرادی که rewired مارک های خود را اعتبار و صنایع و علایق پژوهشی برای تبدیل شدن به Covid-19 کارشناسان یک شبه. منحنی رشد “کارشناسان” در آینه نمایی افزایش Covid-19 موارد ایجاد یک چندجهانی از هزار نفر از, پیش بینی, مدل, ایده, توصیه, درمان, راه حل و حالات. بسیاری از آن رسیده است با خطرناک اطلاعات غلط و تهدید به بدتر شدن بیماری همه گیر.

دلایل بسیاری وجود دارد برای انفجار بزرگ از Covid-19 “تخصص.” کسانی که wading را به همه گیر فروم شامل افرادی که مطالعه موضوعات مرتبط و یا تجربه و تخصص در برخی از دامنه علمی. Pleuni Pennings یک تکاملی محاسباتی زیست شناس و استادیار در دانشگاه ایالتی سان فرانسیسکو می گوید: بسیاری از دانشگاهیان در ابتدا در پاسخ به خواسته های شخصی و حرفه ای محافل: “دانش آموزان ما و دوستان و اعضای خانواده در حال آمدن به ما برای مشاوره. برای مثال حتی اگر من در زمینه اچ آی وی در اوایل من غیر علم شبکه آمد با بسیاری از سوالات عملی مانند: “آیا شما فکر می کنم من هنوز هم می توانید ببینید نوه من?'”

برای دیگران بسیاری از آنها نه حرفه ای, دانشمندان, انگیزه به شرکت می آید از کلاسیک انجام gooderism: مردم با منابع که شامل هر دو مجموعه مهارت و زمان می خواهیم برای کمک به در برخی از راه. و در حالی که جاده ای به جهنم می توان هموار با نیت خوب جهان از شب اپیدیولوژی متشکل از تنها بسیار ماهر و آیةالله polymaths خواهد بود قابل تحمل (اگر هنوز هم خسته کننده): این امر می تواند به خوبی می دانیم که همه این کارشناسان بودند حداقل هوشمند و دلسوز.

متاسفانه اکثر Covid-19 carpetbaggers هستند حداقل اپورتونيست و گاهی نابکار propagators از اطلاعات غلط. آنها با در دست گرفتن این فرصت را به استفاده از این موضوع است که هر کس صحبت کردن در مورد ایجاد یک نام برای خود مفید است که در هر قلمرو آنها در عمل.

یک داستان از یک مشکوک Covid-19 طلب شامل هارون Ginn یک دره سیلیکون تکنولوژیست که پنج دقیقه از شهرت وارد شده در ماه مارس پس از او نوشت: contrarian مقاله پیشنهاد می کند که شواهد را پشتیبانی نمی کند و به “هیستری” بیش از عواقب ناشی از این بیماری همه گیر است که ممکن است مشکل از مراسم آشتی ترتیب دادند اما نه واقعا بد است.

Ginn flaunted برخی از غیر معمول اعتبار در حمایت از اقتدار خود را در موضوع: یک استعداد برای ساخت محصولات ویروسی. “من کاملا با تجربه در درک virality چه چیز رشد می کنند و اطلاعات,” او نوشت. منطق در اینجا تنها می تواند سرگرم کننده اگر آن را به طور بالقوه مضر است.

Ginn داستان شد یک میله رعد و برق برای تخصص بحث: پس از قطعه شد panned توسط منتقدان (از جمله یکی به خصوص محکم رد توسط کارل Bergstrom coauthor از آینده تماس مزخرف) از آن برداشته شد و متوسط و یک تصمیم بود که با انتقاد توسط وال استریت ژورنال به عنوان یک عمل سرزنش. تحریریه خاموش است-پایگاه البته به عنوان Ginn را اشتباه نمی شد به سادگی یک ماده از اولویت; ضعیف بررسی ایده ها و اطلاعات غلط اغلب تبلیغ و ترویج در فضاهای دیجیتال است که می تواند تاثیر رفتار است.

دفعات بازدید: همه ما coronavirus پوشش در اینجا.

در حالی که دره سیلیکون بوده است صریحا انتقاد جامعه علمی بیش از این سبک تهاجمی چتربازی به Covid-19 تکنولوژی bros تنها کسانی نیستند که گناه از فرصت طلبی. در واقع برخی از بدترین مجرمین علمی دانشمندان با قوی (حتی ستارگان) شهرت در زمینه های خود را که رنج می برند از یک مورد جدی از covid FOMO.

یکی از مهمترین مشخصات بالا نمونه خوبی آکادمیک پریدن Covid-19 کوسه خواهد بود ظهور و سقوط Stephen زلزله, صندلی, اپیدمیولوژی. مهمترین آنها زلزله است, استاد دانشگاه استنفورد و یک سوپراستار biophysicist توسط هر متریک حرفه ای. او دو برابر به عنوان رئیس چان-زوکربرگ Biohub a $600 میلیون تحقیقاتی مشترک ابتکار یک نقش است که تقویت نفوذ و واکنش به, خود, مارس 22 متوسط مقاله “چقدر بد است و بدترین حالت Coronavirus سناریو؟”

بر اساس محبوب ترین ها مدل توسعه یافته توسط نیل فرگوسن و همکاران زلزله در مقایسه با 500,000 ممکن است Covid-19 موارد دیگر علل عمده مرگ و به نظر می رسید نشان می دهد که به دلیل تعداد قابل مقایسه با آمریکایی ها مردن از سرطان که سر و صدا در اطراف تعداد بالقوه Covid-19 مرگ و میر بی اساس است. زلزله استدلال می خواند مثل یک Thanos-الهام گرفته از “تمام زندگی ماده” مانیفست: افراد زیادی می میرند به هر حال این روش غیر معمول از مرگ حل خواهد شد در مدتی کوتاه پس چه معامله بزرگ است ؟ زلزله, تلاش برای یک “من شرط می بندم که آنها هرگز شنیده می شود این” تحریک شد و تنها موفق به ما می گوید که او هم یک فرد بد یا نمی فکر می کنم بسیار به وضوح در مورد این مشکل (شاید هر دو).

اکثر خیرخواهی ما ممکن است ویژگی misfirings مانند Ginn و زلزله به outsized غرور که آنها را وادار به این سوال که آیا تحصیل Covid-19 است واقعا بیشتر به چالش کشیدن از مطالعه بازار یا پلیمر (یا هر چه پیچیده ایده که در آنها ساخته شده است شهرت) است. غرور خود را ممکن است نتیجه گیری کرد که مردم در زمینه اپیدمیولوژی احتمالا نمی تواند هر گونه دقیق تر از آنها هستند و دیگری ناقص و متوسط مقاله متولد شده است.

ایلین Nsoesie یک محاسباتی اپیدمیولوژی و دستیار استاد در دانشگاه بوستون دانشکده بهداشت می گوید که افرادی که “نه مطالعه بیماری های عفونی را به مفروضات و استنتاجات که نادرست هستند. افرادی که در حال حاضر بزرگ زیر در توییتر برای مثال می تواند به گسترش اطلاعات غلط است که می تواند تاثیر کنترل Covid-19 بیماری همه گیر.”

ساده فرض می توانید اطلاعات غلط. این است که در آن نفس-FOMO فرصت طلبی می شود غیر اخلاقی—نه تنها خود را ساده ایده های اشتباه آنها به خصوص بد است زیرا آنها ممکن است مؤثر بر رفتار و سلامتی دیگران است.

مشکلات با Covid-19 سود—که آیا آنها در حال دانشمندان یا نه—بسیاری هستند. و در یک Covid-19 جهان در حال حاضر اشباع شده با ایده های, می توان آن را دشوار است برای هر کسی که بگوید واقعی از جعلی است. که ما باید اعتماد کرد ؟ و کسی که دقیقا یک متخصص ؟

Nsoesie می گوید او را “بخشی از چندین بیماری عفونی مدلسازی جوامع بنابراین من می دانم که افرادی که مشغول به کار در این فضا در حالی که برای. کسانی هستند که مردم من تمایل به توجه به. اگر من دیدن کسی که من نمی دانم من نگاه فرد در تحقیقات قبلی اگر آنها دانشگاهیان. اگر آنها به متخصصان پزشکی و سپس من در منطقه خود از تجربه و تخصص.”

Pennings می افزاید: “همه ما فقط باید مراقب باشید به نشان می دهد که چگونه برخی از ما هستند و نه تظاهر مثل ما همه چیز را می دانم. و اگر نظر خود را می رود در برابر دستورالعمل از سازمان مانند CDC من فکر می کنم شما نیاز به دقت فوق العاده با به اشتراک گذاری است که نظر خود را با استفاده از ‘اعتبار’ به حیاتی است.”

که نه Nsoesie و Pennings هر دو شناخته علمی دانشمندان نیاز به اعتبار خاص در مردم آنها گوش دادن به آنها را متمایز از بسیاری از همکاران هیات علمی. Reflexive انتقاد از Covid-19 outsider-کارشناس حرفه ای از دانشمندان اغلب برای تلفن های موبایل مانند کلاسیک gatekeeping.

ساموئل Scarpino ریاضی زیست شناس و استادیار در دانشگاه شبکه موسسه علوم است و به شدت انتقادی از نظرات که بیش از حد غرق در credentialism. “بسیاری از سرخوردگی از علمی دانشمندان ریشه در مشکل تصور که فقط به خاطر اینکه کسی مشغول به کار در یک موضوع برای یک مدت زمان طولانی است که آنها باید تعیین کند که باید یک نظر بر روی آن.”

با وجود این واقعیت است که Scarpino کمک کرده به چند قابل مشاهده و تاثیرگذار مطالعات در Covid-19 اپیدمیولوژی او نشان می دهد که “وجود دارد نه یک کارت حمل اپیدمیولوژی که با من تماس یک اپیدمیولوژی.”

“بودن اقتدار در Covid-19” او می افزاید: “نباید در مورد این که آیا کسی که در یک اپیدمیولوژی یا نه. آن را باید در مورد این که آیا شما در حال تلاش برای متفکر و برقراری ارتباط موثر است.”

دروازه-نگه داشتن است در تضاد به رشد علم است. بسیاری از ابزارهای مدرن, زیست شناسی, برای مثال آمد از بینش توسعه یافته توسط دانشمندان کامپیوتر و مهندسین و ریاضیدانان. علم با این نسخهها کار به عنوان یک خلاق مشترک سرمایه گذاری.

با اینحال خطوط بین هک و wonks ظاهر می شود و نازک است. اما وجود دارد یک نرم الگوریتم ما می توانید استفاده کنید برای کمک به ما در مورد فکر می کنم که به طور جدی و کسی که به چشم پوشی است.

شفافیت در مورد انگیزه و روش ها. درست Covid-19 متخصص فراهم می کند باز مقدماتی برای خود تفسیر می کند, پیش فرض های خود را بسیار روشن (گاهی اوقات قبل از آنها به شما گفته ام آنچه را که آنها در واقع فکر می کنم) فراهم می کند مناسب تکذیبنامهها و تقریبا هرگز سفت و سخت می سازد پیش بینی. اگر آنها هرگز مشغول به کار در یک بیماری قبل از آنها باید به اشتراک گذاری این واقعیت و توضیح انگیزه های خود (آنها نیست اما نیاز به عذر خواهی برای اینکه علاقه مند و مایل به کمک). در ادامه درست Covid-19 کارشناس که تجزیه و تحلیل داده ها, ایجاد یک الگوریتم یا مدل از هر نوع را به داده های خود را آشکارا و آزادانه در دسترس به طوری که می توان آن را تایید و تکثیر. اگر آن را به چالش برای پیدا کردن اطلاعات مورد استفاده توسط یک متخصص و یا سخت برای اجرای یک مدل است که آنها تولید می شود و سپس این کار (خود نویسنده) باید نادیده گرفته شود. برای یک مثال مثبت هاروارد ریاضی زیست شناس آلیسون تپه ایجاد یک ابزار برای Covid-19 مدل سازی است که شامل دسترسی کامل به موجود کد ویژه تحت Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) مجوز که اجازه های, کپی, ویرایش و remixing از همه مواد (حتی برای مقاصد تجاری).

شفافیت در کمک های. درست Covid-19 متخصص را به اعتبار مناسب به هر کس که کمک به هر مدل و یا مجموعه ای از یافته هایی که آنها می آیند تا با. Covid-19 تخصص است نه گرگور مندل به تنهایی در یک باغ شمارش گیاهان در مسیر به کشف اصول ژنتیک. آشنایی با یک بیماری همه گیر نیاز به مشارکت مردم با استعداد اغلب از سراسر جهان است. هر کسی که پیشنهاد یک ایده است که قرار است به مفید یا, اصلی, اما نمی آشکارا و به وضوح اذعان سهم دیگران باید به طور خودکار نادیده گرفته شود. این شامل با استناد به درستی کار مرتبط و منابع داده ها.

مشارکت در علمی اکوسیستم. یک Covid-19 کارشناس باید تلاش برای شرکت در اکوسیستم موجود از علم که در آن یافته ها تولید شده و به اشتراک گذاشته شده در قالب علمی “preprint” یا مقاله. است که یافته ها و نتایج باید تنها در یک شرکت وب سایت و یا وبلاگ شخصی. آنها باید کشت به یک علمی با فرمت. در حالی که فرمالیسم علمی, چاپ و نشر است به دور از کامل آن را شامل ویژگی های است که ضروری است برای صادق گفتمان: آن اجازه می دهد تا ما را به رعایت آیا نویسنده به عنوان خوانده شده است و با استناد به مناسب ادبیات; این اجازه می دهد تا نویسنده برای برقراری ارتباط خود را با روشها و تفسیر با دقت در جزئیات; و آن را اجازه می دهد تا جامعه رسمی به این معنی که قادر به انتقاد از ارجاع و پس از بهبود کار.

من برچسب سه قانون بالا “نرم” الگوریتم به دلیل وجود سخت روش برای تضمین این که ایده های خوب در حال فیلتر کردن را از طریق. اما آن را فراهم می کند یک شروع و موثر در شناسایی برخی از پرچم های قرمز از هک و عضو شورای نظارت مدت.

در برخی از راه های Covid-19 است بر خلاف هر گونه دیگر پارادایم که در آن مردم احساس می کنند مجبور به تبدیل شدن به کارشناسان در مدت یک شب. بسیاری از زمینه ها—اعم از بسکتبال به عدالت کیفری—آیا فرو رفته در فرهنگ جنگ که در آن افرادی که مطالعه و تجزیه و تحلیل الگوریتم برخورد با گارد که متکی بر دامنه تخصص. و گسترش نظرات—خوب و بد—در برخی از راه, قیمت یک دموکراسی ایده ها. جایگزین شبیه به استبداد مذهبی که در آن دانش است که بر اساس اصلاح ناپذیر به نظر افراد یک سیستم تضمین می شود بد در حل بوده است ،

در پایان این چالش از شناسایی یک متخصص است که بسیار شبیه به علم از درک همه گیر: سختی برای رسیدن به یقین مطلق. اما در hyper-جهان متصل که در آن کلمات و ایده های خود را وزن قادر به شناسایی imposters می تواند زندگی را نجات دهد.


سیمی نظر انتشار مقالات خارج از همکاران به نمایندگی از طیف گسترده ای از دیدگاه های. ادامه مطلب نظرات در اینجا. ارسال یک op-ed در [email protected]

بیشتر از سیمی در Covid-19
  • ریاضیات از پیش بینی این دوره از coronavirus
  • چه باید بکنید اگر شما (و یا یک دوست) ممکن است Covid-19
  • ابتدا انکار و سپس از ترس: بیماران خود را در کلمات خود
  • ابزار سرگرم کننده و راهنمایی برای ماندن اجتماعی در حالی که شما در خانه گیر کرده
  • من باید توقف سفارش بسته? (و دیگر Covid-19 پرسش و پاسخ)
  • دفعات بازدید: همه ما coronavirus پوشش در اینجا

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im