آموزش فراتر از بدیهیات: چگونه در عصر هوش مصنوعی مولد فکر کنیم - آخرین آپدیت

الگوهایی که ما را فریب می‌دهند Patterns That Fool Us

• مغزی تشنه‌ی الگوها The Pattern-Hungry Brain

• مقدمه‌ای کوتاه بر همبستگی‌ها A Tiny Introduction to Correlations

• زمانی که همبستگی شبیه علت و معلول به نظر می‌رسد When Correlation Feels Causal

• توضیح واقعی در پشت صحنه بود The Real Explanation Was Offstage

• زمانی که یک عامل پنهان داستان را تغییر می‌دهد When a Hidden Factor Flips the Story

• از مارگارین تا جنون: همبستگی‌های کاذب در زندگی واقعی From Margarine to Madness: Spurious Correlations in Real Life

• چگونه علیت را ثابت کنیم: از همبستگی تا اطمینان How to Prove Causality: From Correlation to Confidence

• نحس بودن موفقیت واقعی نیست (اما داده‌ها آن را توضیح می‌دهند) The Success Jinx Isn’t Real (But the Data Explains It)

• شانس، استعداد و بازی بلندمدت Luck, Talent, and the Long Game

• بازگشت به میانگین در واقعیت چگونه است What Regression to the Mean Really Looks Like

نمونه‌های بد، داستان‌های بد Bad Samples, Bad Stories

• مقدمه‌ای بر بخش دوم Introduction to Module 2

• سوگیری بقا: داده‌های گمشده‌ای که همه چیز را تغییر می‌دهند Survivorship Bias: The Missing Data That Changes Everything

• موفقیتی که می‌بینیم در مقابل شکستی که نمی‌بینیم The Success We See vs. The Failure We Don’t

• تک‌تیرانداز و دستورالعمل استارت‌آپ‌ها The Sharpshooter and the Startup Playbook

• نمونه‌های سوگیرانه، تفکر سوگیرانه Biased Samples, Biased Thinking

• روایت‌های شخصی دلیل و مدرک نیستند Anecdotes Are Not Evidence

• زمانی که علم بهتر از آنچه هست به نظر می‌رسد When Science Looks Better Than It Is

• چگونه داروهای تقلبی فروش می‌روند: تفکر ناقص در حوزه سلامتی و شبه‌علم How Snake Oil Sells: Flawed Thinking in Wellness and Pseudoscience

• آنچه آمارشناس می‌بیند و ما نمی‌بینیم What the Statistician Sees That We Don’t

مجموع‌های گمراه‌کننده و نرخ‌های پایه Misleading Aggregates and Base Rates

• همه میانگین‌ها حقیقت را نمی‌گویند Not All Averages Tell the Truth

• پارادوکس سیمپسون: وقتی تصویر کلی دروغ می‌گوید Simpson’s Paradox: When the Big Picture Lies

• برگشت‌های واقعی در دنیای واقعی Real-World Reversals

• نرخ‌های پایه چیستند و چرا آن‌ها را نادیده می‌گیریم What Are Base Rates and Why Do We Ignore Them

• تعداد خام در مقابل نسبت‌ها: مشکل مخرج Raw Counts vs. Proportions: The Denominator Problem

• تفکر بر اساس نرخ پایه: یک پیش‌فرض هوشمندانه‌تر Thinking in Base Rates: A Smarter Default

• ویدیو جایزه قضیه بیز: بررسی ریاضیات Bayes’ Theorem Bonus Video: A Walkthrough of the Math

• ماشین اخبار جعلی: مخرج‌ها، میزان مواجهه و توهم تکرار The Fake News Machine: Denominators, Exposure, and the Illusion of Frequency

استفاده از هوش مصنوعی مولد برای تفکر انتقادی‌تر Using GenAI to Think More Critically

• ما راحت‌ترین افرادی هستیم که فریب می‌خوریم We Are the Easiest People to Fool

• چگونه هوش مصنوعی مولد می‌تواند نقاط کور ما را آشکار کند How GenAI Can Surface Our Blind Spots

• تمرین تواضع فکری با یک شریک فکری Practicing Intellectual Humility with a Thinking Partner

• شواهد، منطق و تله اعتمادبه‌نفس کاذب Evidence, Logic, and the Trap of Overconfidence

• استفاده از هوش مصنوعی به عنوان مربی منطق و تست مغالطه Using GenAI as a Logic Coach and Fallacy Litmus Test

• تمرین شک‌گرایی بدون بدبینی Practicing Skepticism Without Cynicism

• چرا عینیت دشوار (و بسیار مهم) است Why Objectivity Is So Hard (and So Important)

• یافتن پیچیدگی در آنچه بدیهی به نظر می‌رسد Finding Complexity in What Seems Obvious

• کنجکاوی پیش از قطعیت Curiosity Before Certainty

• استفاده از هوش مصنوعی برای کنجکاو ماندن و بهتر فکر کردن Using GenAI to Stay Curious and Think Better