🔍چرا کتاب‌های موفقیت پر از داستان استیو جابز و بیل گیتس است؟ چون ما فقط برنده‌ها را می‌بینیم؛ بازنده‌ها صدایی برای گفتن ندارند. هشتاد سال پیش، همین خطای شناختی ساده داشت سرنوشت جنگ جهانی دوم را تغییر می‌داد، تا اینکه ابراهام والد به ارتش آمریکا نشان داد که گاهی حیاتی‌ترین داده‌ها، دقیقاً چیزهایی هستند که جلوی چشمانتان نیستند.

🎧در این اپیزود از دیتا اسپای، داستان کشف سوگیری بازماندگی را می‌شنویم؛ از بمب‌افکن‌های جنگ جهانی دوم تا بازار سرمایه و کتاب‌های موفقیت. یک درس بزرگ برای زندگی، کسب‌وکار و هر جایی که با داده سروکار دارید.

📚 منابع مهم این اپیزود:

· مقاله‌ی «Abraham Wald's Work on Aircraft Survivability» نوشته‌ی Marc Mangel و Francisco J. Samaniego، منتشرشده در Journal of the American Statistical Association - خلاصه و تفسیری از هشت یادداشت محرمانه والد که نتیجه می‌گیرد «برخورد والد با این مسئله، در نوع خود قطعی و بی‌نظیر بود».

· مجموعه‌ی یادداشت‌های محرمانه‌ی «A Method of Estimating Plane Vulnerability Based on Damage of Survivors» نوشته‌ی Abraham Wald، بازچاپ‌شده توسط مرکز تحلیل‌های دریایی (CNA) - هشت یادداشتی که والد در سال ۱۹۴۳ برای گروه تحقیقات آماری نوشت و روش‌هایش را برای تخمین آسیب‌پذیری هواپیما بر اساس داده‌های بازماندگان توضیح داد.

· کتاب «How Not to Be Wrong: The Power of Mathematical Thinking» نوشته Jordan Ellenberg، انتشارات Penguin Press (۲۰۱۴) — جردن النبرگ در این کتاب پرفروش، داستان ابراهام والد و بمب‌افکن‌های جنگ جهانی دوم را با زبانی ساده، روان و جذاب روایت کرده و مفهوم سوگیری بازماندگی را توضیح داده است.

📧 ایمیل پادکست: dataspy.pod@gmail.com

🎶 موسیقی: Cosmic Revelation (Pixabay Website)

در این اپیزود سراغ یکی از مشهورترین شکست‌های تاریخ داده می‌رویم؛ داستان مجله‌ی لیترری دایجست و نظرسنجی انتخاباتی ۱۹۳۶ که با بیش از دو میلیون جواب، یکی از فاجعه‌بارترین پیش‌بینی‌های آماری قرن بیستم را رقم زد.

🗳️ همراه لیترری دایجست وارد دنیای عددهای بزرگ می‌شویم؛ جایی که حجم عظیم داده، اعتماد بیش‌ازحد به نمونه و نادیده گرفتن واقعیت‌های اجتماعی، مسیر را از حقیقت منحرف کرد.

📊 سوگیری پنهان در داده‌ها: بررسی می‌کنیم چگونه چارچوب نمونه‌گیری اشتباه، سوگیری طبقاتی و عدم پاسخ، باعث شد پیش‌بینی مجله با واقعیت انتخابات اختلافی تاریخی پیدا کند.

🔍 در ادامه، به ظهور جورج گالوپ می‌رسیم؛ جایی که تأکید بر نمایندگی آماری، مسیر علم نظرسنجی را از «داده‌ی زیاد» به «داده‌ی درست» تغییر داد و درس‌هایی ماندگار برای دنیای کلان‌داده امروز ساخت.

📚 منابع مهم این اپیزود:

· مقاله‌ی «Why the 1936 Literary Digest Poll Failed» نوشته‌ی Peverill Squire در Public Opinion Quarterly — تحلیل عمیق علل خطای نظرسنجی و نقش سوگیری‌های نمونه‌گیری و عدم پاسخ.

· مقاله‌ی «President Landon and the 1936 Literary Digest Poll: Were Automobile and Telephone Owners to Blame? » منتشرشده در Social Science History — بررسی علمی‌تر درباره نقش فهرست‌های تلفن و ثبت خودرو در سوگیری نمونه‌گیری.

· مقاله‌ی «Roosevelt Predicted to Win: Revisiting the 1936 Literary Digest Poll» در Statistics, Politics and Policy — بازخوانی آماری نظرسنجی و پیشنهادهای تعدیلی که می‌توانست پیش‌بینی صحیح بدهد.

· صفحه «The Literary Digest» در ویکی‌پدیا — مروری بر تاریخچه‌ی مجله، نظرسنجی ۱۹۳۶ و پیامدهای آن.

📧 ایمیل پادکست: dataspy.pod@gmail.com

🎶 موسیقی: Cosmic Revelation (Pixabay Website)

در این اپیزود زندگی و مسیر فکری هرمن هالریث را دنبال می‌کنیم؛ از کودکی پرچالش مهاجر آلمانی در آمریکا و استعداد مهندسی، تا دستیاری در سرشماری ۱۸۸۰ و ایده انقلابی کارت‌های سوراخ‌دار.

⚠️ همراه هالریث وارد هرج‌ومرج داده‌های سرشماری می‌شویم؛ جایی که او با الهام از بلیت راه‌آهن، مردم را به سوراخ‌های الکتریکی تبدیل کرد و پردازش را از سال‌ها به ۲.۵ سال رساند.

💡 ماشین جدول‌بندی و جرقه IBM : چطور کارت‌های سوراخ‌دار با برق، آمار را ماشینی کرد و به IBM (۱۹۲۴) رسید.

⚡ رقابت پاورس: در ادامه، ورود رقیب جیمز پاورس، ماشین‌های داخلی ۱۹۱۰، UNIVAC I (۱۹۵۱ برای سرشماری) و FOSDIC (۱۹۶۰، اسکن نوری فرم‌ها) را بررسی می‌کنیم و درس‌های کلیدی برای Big Data امروز استخراج می‌کنیم.

🎧 برای چه کسانی مناسب است؟ اگر به تاریخ تکنولوژی، دیتا ساینس، IBM، کامپیوترهای اولیه علاقه داری، این اپیزود برای توست.

📚 منابع مهم این اپیزود:

· مقاله‌ی «Census Technology, Politics, and Institutional Change, 1790–2020» نوشته‌ی Ruggles & Magnuson در Journal of American History.

· صفحه‌ی تاریخچه‌ی «The Hollerith Machine» در سایت U.S. Census Bureau.

· مقاله‌ی «Tabulation and Processing» در سایت U.S. Census Bureau.

· کتاب «Herman Hollerith: Forgotten Giant of Information Processing» نوشته‌ی Geoffrey D. Austrian

📧 ایمیل پادکست: dataspy.pod@gmail.com

🎶 موسیقی: Cosmic Revelation (Pixabay Website)

Hosted on Acast. See acast.com/privacy for more information.