Koronavirus

Kohteesta Opasnet Suomi
Loikkaa: valikkoon, hakuun




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

Perustelut

Linkkejä

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 koronapolitiikan eri aiheiden 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 = 1 - b/(b+d) = 1 - 0.6/0.70 = 1/7

Bayesin kaavalla saadaan arvio P(A|B) päivitettyä, jos tiedetään priorit P(A) ja P(B) sekä ehdollinen todennäköisyys P(B|A) = se. Totuusarvot päivittyvät suoraan Bayes-verkon mukaisesti. Sen sijaan relevanssi vaatii erityiskäsittelyä.

Argumentti B on irrelevantti joss P(B|A+) = P(B|A-) = P(B|A) eli a/(a+c) = b/(b+d) eli se + sp = 1. Niinpä relevanssi r voidaan määritellä sensitiivisyyden poikkeamaksi irrelevantista tilanteesta, eli r = (1 - sp) - se. Relevanssihyökkäykset ki puolestaan voidaan ajatella tekijöiksi, joiden takia r lähestyy nollaa eli hyökkäysten jälkeinen relevanssi r' on

r' = r Π(1 - ki)
   = (1 - sp - se) Π(1 - ki),

jossa ki ∈ [0, 1] saa sitä suurempia arvoja, mitä voimakkaampi hyökkäys relevanssia vastaan tehdään. Tämän kuvauksen hyvä puoli on, että irrelevanssipiste ei riipu A:n ja B:n todennäköisyyksistä ja että lopputulos ei riipu siitä, missä järjestyksessä relevanssihyökkäykset ki esitetään.

Jos taas halutaan esittää puolustava relevanssiargumentti, ei ole selvää, millä tavalla sensitiivisyyden tulisi muuttua. Niinpä tällä hetkellä ajatellaan, että puolustavan relevanssiargumentin yhteydessä pitää erikseen ilmoittaa, mikä kohdeargumentin sensitiivisyys on puolustuksen jälkeen. Tätä on vaikea automatisoida, joten tätä pitää opetella todellisten käyttäjätapausten kautta: millaisia keskusteluja tarvitaan, jotta käyttäjät voivat päätyä perusteltuihin päätelmiin relevanssin suuruudesta?

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.