Eğer bir istatistikçiyseniz, “bias” (yanlılık) kelimesi sizde neredeyse refleksif bir tepki uyandırır. Bizler yanlılığı tespit etmek, ölçmek, düzeltmek ve—mümkünse—ortadan kaldırmak üzere eğitildik. Seçim yanlılığı, bilgi yanlılığı, karıştırıcı yanlılığı, algoritmik yanlılık... Yanlılık, disiplinimizin baş düşmanıdır.
Bu nedenle, yargı ve adalet üzerine ilk ciddi fikirler geliştiren düşünürlerden birinin adının Bias olması, sessiz ama derin bir ironi taşır. Gerçek bir kişiden söz ediyoruz: Türkiye’nin batısında, Efes’in yaklaşık altmış kilometre güneyinde yer alan antik Priene kentinin bilgesi Bias’tan. Çocukluğumun yazlarını Priene yakınlarında geçirmiş olmama rağmen, istatistik eğitimimi tamamladıktan çok sonrasına kadar bu Anadolulu hemşehrimin farkında değildim. Bias bir hukukçu, devlet adamı ve filozof; şehrinin kamusal yaşamında derinden kök salmış bir kişiydi.
Ne var ki, zaman içinde adı olağanüstü bir anlam kaymasına uğradı.
Bugün “bias” kelimesi çarpıtma, sapma ve sistematik hata anlamına geliyor. Oysa antik dünyada Prieneli Bias; ölçülülük, sağduyu ve katı kuralcılığa karşı temkinli duruşuyla tanınırdı. Adı bugün hatanın simgesi haline gelen bu kişi, yaşamı boyunca tam da bu tür hatalara karşı uyarıda bulunmuştu.
Bias hakkında elimizde kalan fragmanlar ve anekdotlar, şaşırtıcı derecede modern bir adalet anlayışına işaret eder. Ona göre aynı kuralı herkese uygulamak, kendiliğinden adalet üretmezdi. Adalet, aynılık demek değildi. Aksine, muhakeme, bağlam ve mevcut dengesizliklerin farkında olmayı gerektirirdi. Yasaların görevi, zaten güçlü olanların avantajlarını pekiştirmek değil, gücü olmayanları korumaktı.
Bu yaklaşım, modern dünyanın en cazip içgüdülerinden biriyle doğrudan çatışır: tek tiplilik. Tek bir model, tek bir kayıp fonksiyonu, tek bir eşik değeri. Sade, güçlü, tekrarlanabilir. Ve çoğu zaman yanlı.
Bias, katı sistemlere güvenmezdi. Kurallara—özellikle bağlamdan koparıldıklarında—körü körüne bağlı kalmanın başlı başına bir hata kaynağı olabileceğini düşünürdü. Bu şüphe, istatistiksel analizin kusursuz göründüğü hâlde bildiği sonucun bir şekilde “yanlış” olduğunu hisseden herkes için tanıdık olmalıdır. Bir keyfi bir eşik değeri, bir tartışmalı dışlama kriteri, rastgele olmayan atamalardan nedensel sonuçlar çıkaran bir regresyon katsayısı... Bias, bu tür entelektüel kestirme yollara güvenmezdi.
Ayrıca, tüm hesaplara göre, insan doğası konusunda da karamsardı. En çok alıntılanan sözlerinden biri — genellikle “çoğu insan kötüdür” olarak çevrilir — insanlık düşmanlığından çok gerçekçilik gibi okunur. İnsanlar teşviklere tepki verir. Güç, yargıyı çarpıtır. Sistemler sömürüyü davet eder. Bias’a göre, sağlam yargı sadece iyi niyete dayanamaz; başarısızlık, kötüye kullanım ve stratejik davranışlar göz önünde bulundurularak oluşturulmalıdır.
Şimdi 2.600 yıl ileri saralım ve mahkeme salonunun yerine bir veri merkezini ya da bir klinik araştırma veri tabanını koyalım.
Modern istatistik ve makine öğrenimi tarafsızlık iddialarıyla doludur: “Model herkese eşit davranıyor.” “Algoritma nesneldir.” “Veri kendi adına konuşur.” Prieneli Bias muhtemelen bu iddialara kuşkuyla yaklaşırdı. Çünkü sistemlerin, onları kuranların tercihlerini yansıttığını varsayardı: neyin ölçüldüğü, neyin göz ardı edildiği, kimin dahil edildiği ve kimin dışarıda bırakıldığı.
Örneğin seçim yanlılığı yalnızca teknik bir ayrıntı değildir. Hastalar tedavilere rastgele olmayan biçimde atandığında, katılım erişim veya motivasyona bağlı olduğunda ya da veri setleri bazı vakaları sessizce dışladığında, ortaya çıkan sonuçlar son derece kesin ve tutarlı görünebilir—ama yine de yanlış olabilir. Bias’ın bakış açısından, “Verimiz bu kadar” demek yeterli olmazdı. Muhakeme, analizden önce başlar.
Aynı durum ölçüm hatası için de geçerlidir. Ölçülmesi kolay olan değişkenler, çoğu zaman gerçekten önemli olanların kusurlu temsilcileri hâline gelir. Gürültü her zaman rastgele değildir. Bazı sonuçlar titizlikle ölçülür, bazıları yüzeysel biçimde. Bazı popülasyonlar sürekli izlenir, bazıları ise ancak arada bir. Bu tür hataları yalnızca zararsız bir belirsizlik kaynağı olarak görmek, Bias’a göre kavramsal bir yanılgı olurdu.
Algoritmik yanlılık da benzer bir mantıkla ortaya çıkar. Tek tip bir karar kuralı simetrik olduğu için adil görünebilir; ancak simetri, adalet değildir. Hatalar eşit dağılmaz. Bazıları birbirini dengeler, bazıları ise belirli gruplar üzerinde birikir. Bazı hastalar, borçlular, sanıklar veya adaylar bu hataların sonuçlarını diğerlerinden çok daha ağır yaşar. Bias muhtemelen, bir modelin yalnızca teknik performans ölçütleriyle değil, gerçek dünyada yol açtığı sonuçlarla değerlendirilmesi gerektiğini savunurdu.
Keskin eşik değerlerine olan düşkünlüğümüz bile onu rahatsız ederdi. Bias’ın “ölçülü konuş” öğüdü, aşırı kesinlik iddiasına karşı bir uyarı gibi yorumlanabilir. Olasılıkları kesinlik gibi yorumlamak, belirsizliği ikili kararlara indirgemek ve muhakemeyi tamamen otomatik süreçlere devretmek, yalnızca metodolojik kolaylık değil; aynı zamanda teknik araçların insan muhakemesinin yerini alabileceğine dair naif bir iyimserliğin göstergesidir.
Bias’ı bizim için özellikle değerli kılan şey, onun bu toprakların bir düşünürü olmasıdır. O, muhakemeyi bir kez hesaplanıp biten bir işlem olarak değil; sürekli uygulanan, tartışılan ve gözden geçirilen bir süreç olarak gören pragmatik bir geleneğin temsilcisidir. Onun soruları, bugün istatistikçilerin de sorularıdır: Hangi varsayımlar sonucu belirliyor? Kolaylık, anlayışın yerini nerede alıyor? Metodolojik zarafet, kavramsal kırılganlığı ne zaman gizliyor? Muhakeme ne zaman devreye girmeli?
Belki de Bias’ın bize verdiği en rahatsız edici ders şudur: Teknik titizlik tek başına yeterli değildir. Büyük veri setleri, sofistike modeller ve güçlü bilgisayarlar, doğru muhakemenin garantisi değildir. Yanlılık, yalnızca formüle edildiği için ortadan kalkmaz.
Bilge Bias, adının bugün hayatı boyunca uyardığı şeyi temsil etmesini muhtemelen ironik bulurdu. Ama bir meslektaş olarak bize şu basit tavsiyeyi verirdi: Durun. Varsayımlarınızı yeniden gözden geçirin. Ve sonuçlarınızı “yansız” ilan etmeden önce, bir kez daha düşünün.
Bu tavsiye, hâlâ şaşırtıcı derecede güncel.