نگارش درست؛ ویرگول، نقطه ویرگول، کمانک، کروشه

مدتی بود که شک داشتم از برخی علائم نگارشی درست استفاده می‌کنم یا نه. به خصوص در مورد ویرگول درست بودن استفاده آن برای نشان دادن مکث برایم سوال بود. امروز بالاخره رفتم تا استفاده درست از ویرگول را ببینم که در ادامه چند علامت نگارشی دیگر را هم که به درست بلد بودن آن‌ها مطمئن نبودم نگاه کردم. در نهایت گفتم بد نیست اینجا هم در مورد کاربرد درستشان بنویسم.

ادامه ی مطلب

اخلاقِ ترتیبِ نشستن در تاکسی

نمی‌دانم شما چقدر سوار تاکسی می‌شوید، من خودم معمولا هفته‌ای بیش از دو بار سوار می‌شوم. نحوه نشستنم هم اینگونه است که صرف نظر از اینکه کجای مسیر قرار است پیاده شوم، اگر صندلی جلو خالی بود، جلو می‌نشینم، اگر نه می‌روم عقب. در روزهایی مانند این ایام که هوا خیلی گرم است، همان ابتدا نمی‌روم عقب بنشینم. صبر می‌کنم تاکسی پر شود. در مورد بقیه هم دیده‌ام افرادی که قصد دارند در ابتدای مسیر پیاده شوند منتظر می‌مانند تا نفر آخر در صندلی عقب سوار شوند. احتمالا برای اینکه موقع پیاده شدن بقیه هم مجبور به پیاده شدن نشوند. من اما حوصله این کارها را ندارم.

از رفتار خودخواهانه خودم گفتم ولی همه این‌ها دلیل نمی‌شود که به ترتیب و نحوه نشستنِ اخلاقی(خواهم گفت از چه نظر) فکر نکنم. به خصوص وقتی خودم جلو نشسته و زود پیاده می‌شوم اما می‌بینم سه نفر در صندلی پشت در تنگنا نشسته‌اند. گاهی بلافاصله پس از پیاده شدنِ نفرِ جلویی یکی از پشت می‌آید جلو. وقتی هم که خودم پشت نشسته‌ام و نفر جلویی زود پیاده می‌شود، شاکی می‌شوم چرا با وجود زود پیاده شدن جلو نشسته.

ادامه ی مطلب

بیگانه

بیگانه برای من یعنی نقطه‌ای که می‌توانم از آن خطی به گذشته رسم کنم. انسان وقتی برای من بیگانه می‌شود که بعد از شناخت لحظه الانش تصوری نمی‌توانم پیدا کنم که از کجا آمده است و نقطه قبلی‌اش چه بوده. نتوانی نقطه‌های قبلی را متصل کنی احتمالا در مورد نقطه‌های بعدی هم کمتر بتوانی حدسی بزنی.

واژه یاب را نگاه می‌کنم، جلوی «بیگانه» به استناد فرهنگ معین نوشته:

ادامه ی مطلب

تشخیص بارداری از الگوی خرید

یکی دو ماه پیش این مقاله را خواندم، به نظرم خیلی جالب بود، گفتم خلاصه‌ی(ترکیبی از خلاصه و ترجمه) بخشی از مقاله را هم اینجا بنویسم. مقاله توسط نیویورک تایمز منتشر شده  و عنوانش هست: «چطور شرکت‌ها رازهای شما را می‌فهمند». موضوع اصلی مقاله عادت‌ها و چگونگی تغییر آنهاست که همراهش داستانی در مورد تلاش یک شرکت برای تغییر عادات مشتریان خود را روایت می‌کند. در خلاصه من از قصد، قسمت داستانی مقاله پررنگ‌تر شده و برخی مطالب در مورد عادت‌ها و تحقیق‌هایی که در مورد آن انجام شده به همراه چند داستان جنبی را حذف کردم. چون به نظرم داستان اصلی جذاب‌تر بود و دیگر اینکه در مورد زنجیره عادت به فارسی مطالب خوبی نوشته شده(مثلا اینجا و اینجا)، همچنین کتاب معروف(خودم نخوانده‌ام) قدرت عادت هم به فارسی ترجمه شده، بنابراین دیدم با حذف کردن این قسمت‌ها چیز دست نیافتنی‌ای از دست نمی‌رود.

پیش‌نوشت: تاریخ انتشار این مقاله سال ۲۰۱۲ است، فضا و دانشی که در آن سال‌ها وجود داشته در هنگام خواندن در نظر بگیرید.

ادامه ی مطلب

Like، خوب بود، آموزنده بود

قبلا در متمم توجهم جلب شده بود که برای امتیاز دادن به نظرات یا تمرین دیگران، دکمه‌ای هست با عنوان «آموزنده بود». همچنین مثلا شما می‌توانید بگویید که از فلان مبحث یا موضوع خوشتان می‌آید و مایل به پیگیری آن هستید. آنجا هم دکمه‌ای قرار داده شده با عنوان «این مبحث در حوزه علاقه من قرار دارد». اخیرا دقت کرده‌ام که برای امتیاز دادن، عنوان دکمه در همه قسمت‌ها یکسان نیست. در اکثر موارد همان آموزنده بود است اما در برخی مطالب مانند زنگ تفریح‌ها یا اخیرا در مورد فهرست کتاب‌های پیشنهادی برای نمایشگاه کتاب عنوان آن «خوب بود» است. اینگونه دقت‌هایی که شاید به ظاهر کوچک به نظر می‌رسند اما نشان دهنده فلسفه شما هستند از سمت متمم برای من تعجب آور نیست. ولی من را یاد فکرها و ماجراهای سه، چهار سال پیش خودم انداخت.

سه چهار سال پیش من وب‌سایت‌ها و منابع زیادی را دنبال می‌کردم و هر هفته علاوه بر وقتی که صرف خواندن مطالب وب‌سایت‌ها می‌کردم، مقدار زیادی از وقتم صرف رد شدن از مطالبی می‌شد که مورد علاقه‌ام نبودند. انتخاب کردن مطالبی که مورد توجهم بود از میان مطالب بسیار باعث شد به این فکر کنم چطور می‌توانم این مشکل را از پیش روی خودم برداردم. آن موقع من از خوراک‌خوان‌هایی(Feed reader) مانند گوگل ریدر مرحوم، فیدلی و … استفاده می‌کردم. اولین راه حلی که امتحان کردم کم کردن تعداد منابع(که در خوراک‌خوان می‌شد Feedها) و جایگزینی منابع دیگر به نحوی که درصد بیشتری از مطالب منبع جدید مورد توجهم باشد که این راه شکست خورد، چون منابع جدیدی که اکثر مطالبشان را من بخواهم پیدا نکردم و حذف منابع دیگر هم باعث می‌شد مطالبی را که برایم ارزش داشتند از دست بدهم.

ادامه ی مطلب

مغالطه نرخ پایه یا ‌Base rate fallacy

مدتی پیش نوشته‌‌ای از آقای کاوه لاجوردی خواندم که به موضوعی با نام مغالطه نرخ پایه(Base rate fallacy) ارجاع داده بودند، نگاهی به موضوع انداختم، خوشم آمد آن را ذخیره کردم تا بعدا سر فرصت بخوانم. اینکه می‌گویم مدتی پیش واقعا خیلی پیش است، خود نوشته سال گذشته در همین روزها منتشر شده، امیدوارم من هم همان مواقع نخوانده باشمَش که در این صورت خیلی تنبلی کرده‌ام.

Base rate fallacy که من ترجمه‌اش را جایی ندیدم و بنابراین خودم مغالطه نرخ پایه ترجمه‌اش می‌کنم، در مورد خطای حس شهودی(شاید بتوان گفت شهودی) نسبت به برخی مسائل آماری است. مسأله به طور کامل در ویکی‌پدیا، این صفحه شرح داده شده، من هم می‌خواهم کمی در مورد آن بنویسم.

با یک مثال شروع می‌کنم: فرض کنید یک دستگاه تست اعتیاد داریم که تنها خطای آن خطای ۳ درصد مثبت است؛ یعنی در ۳ درصد موارد فردی که دارای اعتیاد نیست را معتاد تشخیص می‌دهد. می‌دانیم که ۶ درصد جمعیت شهر معتادند. حال اگر به صورت تصادفی از فردی در این شهر، تست اعتیاد گرفتیم و مثبت بود(دستگاه تشخیص اعتیاد داد)، به احتمال چند درصد واقعا معتاد است؟

اگر پاسختان ۹۷٪ است، شما هم دچار این خطا شده‌اید. بیایید دوباره حساب کنیم. اگر شهر ۵۰۰ نفر جمعیت داشت(فرض مقدار جمعیت محاسباتمان را ملموس‌تر می‌کند و تأثیری بر نتیجه نهایی ندارد)، چند نفر آن واقعا معتاد بودند؟

500 * 0.06 = 30

۳۰ نفر در شهر معتاد هستند. اما اگر با دستگاه از جمعیت تست بگیریم، چند نفر را معتاد تشخیص می‌دهد؟ معتادها را که درست تشخیص می‌دهد. ۳ درصد افرادی را که معتاد نیستند هم معتاد تشخیص می‌دهد.

30 + 470 * 0.03 = 44.1

۴۴.۱ نفر را معتاد تشخیص می‌دهد در حالی که ۳۰ نفر واقعا معتادند. پس احتمال درستی بودن نتیجه مثبت دستگاه چند درصد می‌شود؟

100 * 30/44.1 = 68.03

بنابراین احتمال واقعا معتاد بودن یک نفر که نتیجه آزمایش دستگاه مثبت بوده ۶۸ درصد است. حالا باز شاید احتمال ۶۸ درصد قابل قبول باشد. اگر در همین مسأله درصد معتادان واقعی شهر ۱ درصد بودند، احتمال اینکه فردی با آزمایش مثبت دستگاه، واقعا معتاد باشد، می‌شود ۲۵ درصد. نمی‌دانم متوجه شده‌اید یا نه اما هرچه درصد واقعی پایین‌تر می‌آید(در مثال ما درصد معتادان واقعی) برای اینکه نتیجه دستگاه قابل اعتماد باشد باید خطای آن بسیار کمتر شود، می‌توان گفت درصد خطا هرجه تسبت به درصد واقعی کوچک‌تر باشد نتیجه دستگاه قابل اعتمادتر است.

می‌توانید دو مثال دیگر هم در صفحه ویکی‌پدیا پیدا کنید(بخصوص مثال دومش جالب است). خودتان آن‌ها را حل کنید تا بفهمید کامل متوجه موضوع شده‌اید یا نه.