Koronavirus

Kohteesta Opasnet Suomi
Loikkaa: valikkoon, hakuun




Koronavirus käsittelee SARS-COV-2-viruksen ja sen aiheuttaman COVID-19-taudin olennaisia piirteitä.

Perustelut

Data

Keskusteluja koronaviruksesta ja kovidista Kialo-alustalla, esim. Onko kovidipandemialla pysyviä vaikutuksia yhteiskuntaan?. Alla olevassa tiedostossa on 15 keskustelua aihepiiristä. Toisessa tiedostossa on Kialon ilmastokeskusteluja.

Näkemysverkko Kialon koronakeskustelusta

Argumentaatio koskien koronarokotusten pakollisuutta.
Koronakide-hankkeeseen liittyen tehdään näkemysverkkoja koronarokotusten argumentaatiosta.

Laskennan logiikka on seuraava. Alkuperäiseen väitteeseen A kohdistuu argumentti B ja tähän kohdistuu argumentti C eli C → B → A. Prioritodennäköisyys, että A on totta on P(A), kun meillä ei ole muuta tietoa. Kun lisätään argumentti B, saadaan Bayesin kaavalla

P(A|B) = P(B|A)P(A)/P(B).

Sensitiivisyys (se) on testin (B) herkkyys eli todennäköisyys saada positiivinen tulos jos asia (A) on totta: se = P(B|A) = a/(a+c). Mitä parempi herkkyys, sitä vähemmän vääriä negatiivisia.

Spesifisyys (sp) on testin (B) tarkkuus eli todennäköisyys saada negatiivinen tulos jos asia (A) ei ole totta: sp = 1-P(B|¬A-) = 1 - b/(b+d). Mitä parempi tarkkuus, sitä vähemmän vääriä positiivisia. Herkkyys ja tarkkuus ovat tärkeitä mittareita, koska ne eivät riipu itse asian A todennäköisyydestä.

Esimerkkinä laskennasta on oheinen taulukko.

A+ A- Sum
B+ 0.29 (a) 0.60 (b) 0.89
B- 0.01 (c) 0.10 (d) 0.11
Sum 0.30 0.70 1.00
se = a/(a+c) = 0.29/0.30 = 29/30

sp = b/(b+d) = 0.10/0.70 = 1/7

Mitä tietoja tarvitaan, jotta nelikenttä saadaan yksikäsitteisesti muodostettua? Jos tiedetään poikkisummat P(A) ja P(B), saadaan laskettua myös P(¬A) = 1-P(A) ja P(¬B) = 1-P(B). Yksiselitteisyyden saavuttamiseksi on tiedettävä vielä kolmas asia eli esimerkiksi P(B|A) eli herkkyys, joka kuvaa myös argumentin B relevanssia A:n suhteen eli kykyä muuttaa A:n posterioritodennäköisyyttä.

P(A) = a+c
P(B) = a+b
se = P(B|A) = a/(a+c) <=> a = se P(A), joten b = P(B) -se P(A)

Koska P(A|B) saadaan laskettua a/(a+b), matemaattinen määrittelyjoukko on 0 < P(A), P(B), se, a, b < 1 eli erityisesti 0 < P(B)-se P(A) < 1 eli (P(B)-1)/P(A) < se < P(B)/P(A). Koska P(B)<=1, alarajaehto ei tule koskaan vastaan vaan riittää, että se>0. Sen sijaan ylärajaehto voi hyvinkin olla <1 eli tulee joskus rajoittavaksi tekijäksi.

Argumentti on epärelevantti, jos P(A) = P(A|B) = a/(a+b) = se P(A)/P(B) eli se = P(B).

Jotta käyttäjän antamat parametrit olisivat aina määriteltyjä ja helppo ymmärtää, voitaisiin ottaa käyttöön relevanssiparametri rel, joka saa arvoja välillä ]-1,1[, joka kattaa koko sensitiivisyyden määrittelyjoukon ja joka saa epärelevantin argumentin kohdalla arvon 0. Niinpä

se = P(B|A) = P(B) + rel(B)(min(1,P(B)/P(A)) - P(B)), jos 0 <= rel(B) < 1
se = P(B|A) = P(B) + rel(B)P(B), jos -1 < rel(B) < 0.

Kuitenkin meitä kiinnostaa relevanssiargumentin C vaikutus A:han B:n kautta. Koska P(B|A) riippuu A:sta, relevanssivaikutusta ei voida suoraan laskea C:n ja B:n tietojen avulla. Sen sijaan voidaan laskea rel(B), jos ajatellaan rel(C):n voimistavan tai heikentävän vaikutusta tietyn osuuden verran. Lisäksi C-argumentin todennäköisyys vaikuttaa siihen voimakkuuteen, jolla C muuttaa rel(B):tä.

rel(B|C) = rel(B) + rel(C) P(C)(1-rel(B)), jos rel(C)>=0
rel(B|C) = rel(B) + rel(C) P(C) rel(B), jos rel(C)<0

Edellä sanottu pätee, jos rel(B) >= 0, muussa tapauksessa pitää ensin laskea yhtälöt rel(B):n itseisarvolla ja palauttaa negatiivinen etumerkki jälkikäteen. Tämä johtuu siitä, että argumenttiin B kohdistuvat argumentit voivat voimistaa tai heikentää sen relevanssia, mutta ne eivät voi vaihtaa hyökkäävää argumenttia puolustavaksi eikä päinvastoin.

rel-parametri voidaan yleistää tilanteeseen, jossa argumenttiin B kohdistuu useita relevanssiargumentteja Ci. Koska argumenttien keskinäinen laskentajärjestys vaikuttaa lopputulokseen tässä algoritmissa, pitää löytää perusteltu järjestys. Niinpä lasketaan painokerroin W:

W = rel(C) P(C)

ja argumentit lisätään aina painokertoimen mukaisessa suuruusjärjestyksessä kaavaan rel(B|C):n laskemiseksi. Tällöin viimeiset argumentit eli voimakkaimmat hyökkäykset saavat hieman enemmän painoarvoa, mikä on argumentaation logiikan mukaista (onnistunut hyökkäys on voimakkaampi kuin onnistunut puolustus). ⇤--arg2698: . Tämän vaihtoehtona pitäisi miettiä sitä, että järjestys on W:n itseisarvo pienuusjärjestyksessä. --Jouni Tuomisto (keskustelu) 17. elokuuta 2021 kello 12.08 (UTC) (type: ; paradigms: science: attack)

Argumentin vaikutus keskusteluun lasketaan käyttäen esimerkiksi seuraavia oletusarvoja (näiden toimivuutta on testattava käytännössä):

  • Argumentin herkkyys P(B|A) lasketaan relevanssitekijän (rel) avulla: oletuksena 0.3 jos argumentti puolustaa ja -0.3 jos hyökkää
  • Argumenttien totuuden prioritodennäköisyys P(A) = 0.7 jos on uskottava viite, 0.3 jos viite puuttuu ⇤--arg2698: . Lisäksi pitäisi miettiä vaihtoehtoa, että P(A) on esim. 0.9 jos siihen kohdistuu vain puoltavia totuusargumentteja. Eli lähtökohtaisesti väitteitä pidetään melko uskottavina, ellei niitä haasteta. --Jouni Tuomisto (keskustelu) 17. elokuuta 2021 kello 12.08 (UTC) (type: ; paradigms: science: attack)

Näiden avulla lasketaan argumentin posterioritodennäköisyys:

P(A|B) = P(B|A)P(A)/P(B) = se P(A)/P(B)

Eli yhteenvetona: A:n posteriori P(A|B) voidaan laskea joss tiedetään A:n priori P(A), B:n totuusarvo P(B) ja B:n relevanssi A:n suhteen rel(B), josta johdetaan P(B|A). Ylävirran argumentti C vaikuttaa A:han epäsuorasti joko muuttamalla B:n relevanssia rel-parametrin kautta (jos C on relevanssityyppiä) tai muuttamalla B:n totuusarvoa (P(B) (jos C on totuustyyppiä). Näin koko argumenttipuu saadaan laskettua ylhäältä alas.

Jos kuitenkin halutaan tämän jälkeen päivittää jonkin argumentin totuusarvoa, tilanne on johdonmukainen vain jos oletetaan, että joko

  1. alkuperäisillä todennäköisyyksillä rel(B):stä laskettu P(B|A) säilyy tästä lähtien vakiona vaikka P(A) tai P(B) muuttuisivat (molempia tarvitaan, kun P(B|A) lasketaan rel(B):stä, tai
  2. P(B|A) pitää laskea aina uudestaan rel(B):stä todennäköisyyksien muuttuessa.

Tapauksessa (1) voidaan käyttää Bayes-verkon päivityssääntöjä ja päivittää kaikki todennäköisyydet lennosta joka suuntaan, kun jokin todennäköisyys lukitaan. Mutta tapauksessa (2) näin ei voida tehdä, vaan kaikki todennäköisyydet on laskettava uusiksi ylävirrasta alas rel(B):n avulla.

Laskenta

Piirrä näkemysverkko koronakeskustelusta

+ Näytä koodi

Hae kirjanmerkit Firefoxista

+ Näytä koodi

Katso myös

Arkisto

  • Arkistoitu aiempi pohdinta perustuen mm. vedonlyöntisuhteisiin sekä totuus- ja relevanssifaktoreihin. Lisäksi käytettiin termistä P(B|A) nimeä sensitiivisyys, mikä on sinänsä oikein mutta ei ehkä hyödyllistä.