ایک سائنسدان کی طرح شواہد کا جائزہ کیسے لیں: شور میں سے اصل حقیقت الگ کرنے کا باقاعدہ فریم ورک

زیادہ تر لوگ یہ سمجھتے ہیں کہ شواہد کا جائزہ لینے کا مطلب صرف مزید ڈیٹا اکٹھا کرنا ہے۔ لیکن وہ غلط ہیں۔ پیچیدہ ڈیٹا سیٹس کا تجزیہ کرنے اور ناقص تحقیق کو بے نقاب کرنے کے اپنے برسوں کے تجربے میں، میں نے یہ سیکھا ہے کہ سائنسی ذہن کی اصل پہچان حقائق کا انبار لگانا نہیں ہے — بلکہ خود کو دھوکہ دینے کے رجحان کا بے رحمانہ اور منظم طریقے سے خاتمہ کرنا ہے۔ ہم ایک ایسے معلوماتی ماحولیاتی نظام (ecosystem) میں رہ رہے ہیں جو سچائی کے بجائے زیادہ سے زیادہ انگیجمنٹ (engagement) کے لیے بنایا گیا ہے۔ اگر آپ صرف اپنے تخمینے یا وجدان (intuition) کی بنیاد پر شواہد کا جائزہ لیتے ہیں، تو آپ دراصل اپنے ہی تعصبات کو مزید طاقت دے رہے ہیں۔

ایک سائنسدان کی طرح شواہد کا جائزہ لینے کے لیے، آپ کو دو ٹوک سوچ (صحیح بمقابلہ غلط) سے باہر نکل کر ایک امکانی (probabilistic) اور فریم ورک پر مبنی رویہن اپنانا ہوگا۔ یہاں وہ طریقہ کار دیا گیا ہے جو محققین جدید ڈیجیٹل دور کے دعوؤں کو جانچنے کے لیے استعمال کرتے ہیں۔

1. بنیادی بیس لائن: پہلے سے موجود امکانات اور بیس ریٹس

ڈیٹا کا ایک نکتہ بھی دیکھنے سے پہلے، ایک تربیت یافتہ سائنسدان ایک بنیادی بایزین (Bayesian) سوال پوچھتا ہے: اس دعوے کے سچ ہونے کا پہلے سے کیا امکان (prior probability) موجود ہے؟

غیر معمولی دعوؤں کے لیے غیر معمولی شواہد کی ضرورت ہوتی ہے، اس لیے نہیں کہ سائنسدان تنگ نظر ہوتے ہیں، بلکہ اس کی وجہ 'بیس ریٹس' ہیں۔ اگر کوئی ویلنیس انفلوئنسر یہ دعویٰ کرتا ہے کہ کوئی جڑی بوٹیوں کا عرق دائمی تھکن (chronic fatigue) کا علاج ہے، تو فارماکولوجی کی دہائیوں پرانی سمجھ بوجھ کی بنیاد پر اس کے سچ ہونے کا امکان انتہائی کم ہوتا ہے۔ اس کے برعکس، اگر کوئی ماہر معاشیات یہ دعویٰ کرتا ہے کہ شرح سود بڑھانے سے قرض لینے کا رجحان کم ہوتا ہے، تو اس کے درست ہونے کا امکان بہت زیادہ ہوتا ہے۔

خالی سلیٹ (Tabula Rasa) کے مغالطے سے بچنا

ہر شے کو ایسے دیکھنا جیسے وہ کسی خلا میں پیدا ہوئی ہو، ایک بہت بڑی تجزیاتی غلطی ہے۔ جب آپ کسی مطالعے (study) یا ڈیٹا سیٹ کا جائزہ لیں، تو اسے انسانی علم کے پہلے سے موجود ذخیرے کے تناظر میں تولیں:

• کام کرنے کا طریقہ کار (Plausibility mechanism): کیا اس دعوے کے کام کرنے کے پیچھے کوئی معلوم، بائیو فزیکل یا منطقی طریقہ کار موجود ہے؟
• تاریخی پس منظر: کیا اس قسم کا دعویٰ ماضی میں سخت جانچ پڑتال میں ناکام ہو چکا ہے؟
• تبدیلی کا پیمانہ: کیا یہ ثبوت صدیوں پرانے مسلمہ اتفاق رائے کو یکسر بدل دیتا ہے، یا یہ صرف کسی چھوٹے پیرامیٹر کو بہتر بناتا ہے؟ جتنا بڑا دعویٰ ہوگا، اتنے ہی وزنی شواہد پیش کرنے کی ضرورت ہوگی۔

2. ڈیٹا کے ماخذ سے پوچھ گچھ: ڈیٹا کیسے پیدا ہوا؟

شواہد خود بخود نہیں بولتے؛ ان کا ماخذ بولتا ہے۔ اگر آپ یہ نہیں سمجھتے کہ ڈیٹا کیسے اکٹھا کیا گیا تھا، تو آپ اس کی درستگی کا جائزہ نہیں لے سکتے۔ پیشہ ورانہ تحقیق میں، ہم اپنے شماریاتی ماڈلز چلانے سے بہت پہلے، ڈیٹا اکٹھا کرنے کے پورے عمل کا آڈٹ کرنے میں اپنا 80 فیصد وقت صرف کرتے ہیں۔

تجرباتی ڈیزائن کا درجہ حرارت (Hierarchy of Experimental Design)

تمام شواہد ایک جیسے نہیں ہوتے۔ جب آپ طب، کاروبار، یا پبلک پالیسی کے دعوہوں کا تجزیہ کریں، تو شواہد کو ان کے طریقہ کار کے ماخذ کے مطابق جانچیں:

• سسٹمیٹک ریویوز اور میٹا اینالیسس (گولڈ اسٹینڈرڈ): انفرادی اسٹڈی کے تعصب کو کم سے کم کرنے کے لیے درجنوں ٹرائلز کو اکٹھا کرنا۔
• رینڈمائزڈ کنٹرول ٹرائلز (RCTs): علت و معلول (causal inference) کا سب سے بہترین ذریعہ، بشرطیکہ شرائط اور طریقہ کار کو صحیح طریقے سے لاگو کیا گیا ہو۔
• آبزرویشنل اسٹڈیز (Observational Studies): باہمی تعلق (correlations) تلاش کرنے کے لیے مفید، لیکن متغیرات کے چکر میں الجھی ہوئی ہوتی ہیں۔
• واقعاتی کہانیاں اور کیس اسٹڈیز: عمومی سچائی کے لیے شواہد کی سب سے نچلی شکل۔ یہ بتاتی ہیں کہ کیا ہو سکتا ہے، یہ نہیں کہ عام طور پر کیا ہوتا ہے۔

جب کوئی مضمون کسی تحقیق کا حوالہ دے، تو صرف خلاصے (abstract) پر اکتفا نہ کریں۔ یہ جاننے کے لیے براہ راست میتھالوجی کے حصے کو دیکھیں: کیا وہاں کوئی کنٹرول گروپ موجود تھا؟ کیا نمونے کا سائز (sample size) پاور تجزیہ کے ذریعے نکالا گیا تھا، یا اسے خود بخود چن لیا گیا تھا؟ کیا اسٹڈی ادھوری چھوڑنے والوں (attrition) کی شرح نے آخری ڈیٹا سیٹ کو متاثر کیا؟

3. کنفاؤنڈرز کی تلاش: باہمی تعلق (Correlation) اور علت (Causation) کو الگ کرنا

انسانی دماغ پیٹرن کو پہچاننے والی ایک ایسی مشین ہے جو بے چینی سے 'اے' کو 'بی' سے جوڑنا چاہتی ہے۔ سائنسدان پوشیدہ متغیرات (confounders) کی تلاش کے ذریعے اس جبلت سے فعال طور پر لڑتے ہیں جو دونوں متغیرات کو خاموشی سے چلا رہے ہوتے ہیں۔

ایک فرضی مثال پر غور کریں: ایک خراب ڈیزائن کی گئی تحقیق میں یہ پتا چلا کہ جو لوگ مہنگی ایسپریسو مشینیں استعمال کرتے ہیں وہ فوری کافی (instant coffee) پینے والوں کے مقابلے میں تین سال زیادہ زندہ رہتے ہیں۔ ایک عام مشاہدہ کرنے والا یہ سمجھے گا کہ ایسپریسو زندگی کا آبِ حیات ہے۔ لیکن ایک سائنسدان دوسرے عوامل کی تلاش کرتا ہے:

• معاشی اور سماجی حیثیت: امیر افراد مہنگی ایسپریسو مشینیں اور بہتر صحت کی سہولیات، کم ذہنی دباؤ والا ماحول، اور بہتر معیار کی خوراک خرید سکتے ہیں۔
• طرزِ زندگی کے عوامل: ایسپریسو کے مالکان شاید زیادہ کثرت سے ورزش کرتے ہوں۔

شواہد کا سختی سے جائزہ لینے کے لیے، آپ کو یہ پوچھنا ہوگا: اس مخصوص نتیجے کی اور کیا توجیہ ہو سکتی ہے؟ اگر مصنفین یا پیش کرنے والوں نے واضح متبادل توجیہات کو کنٹرول نہیں کیا ہے، تو وہ شواہد وجہ (cause) کا تعین کرنے کے لیے عملی طور پر بیکار ہیں۔

4. شماریاتی اہمیت بمقابلہ عملی اہمیت

غیر سائنسدانوں کے لیے ایک عام جال یہ ہے کہ وہ 0.05 سے کم پی-ویلیو (p-value) کو گہری اہمیت کے برابر سمجھ لیتے۔ بڑے ڈیٹا سیٹس میں، معمولی فرق بھی شماریاتی اہمیت حاصل کر سکتا ہے، جس کا مطلب ہے کہ نتیجے کا اتفاقیہ ہونے کا امکان کم ہے۔ تاہم، اس کا مطلب یہ نہیں ہے کہ یہ نتیجہ حقیقی دنیا میں کوئی اہمیت رکھتا ہے۔

اثر کے سائز (Effect Size) کی ضرورت

ہمیشہ اثر کے سائز (effect size) اور کانفیڈنس انٹرول دیکھنے کا مطالبہ کریں۔

• شماریاتی اہمیت (Statistical Significance): یہ بتاتی ہے کہ اثر کے صفر نہ ہونے کا امکان ہے۔
• عملی اہمیت (Practical Significance): یہ بتاتی ہے کہ آیا اثر کا سائز رویے، پالیسی، یا طبی مشق کو تبدیل کرنے کے لیے کافی بڑا ہے۔

اگر کوئی نیا پروڈکٹیوٹی سافٹ ویئر شماریاتی لحاظ سے پیداوار بڑھانے کا دعویٰ کرتا ہے، لیکن 8 گھنٹے کے کام کے دن میں اصل فائدہ صرف 30 سیکنڈ کا ہے، تو یہ ثبوت صرف ایک ریاضیاتی کرشمہ ظاہر کرتا ہے، نہ کہ عملی انقلاب۔ اسی طرح، بڑے کانفیڈنس انٹرول عدم یقینی کو ظاہر کرتے ہیں؛ اگر کوئی مداخلت 95% کانفیڈنس انٹرول کے ساتھ -2% سے +22% تک اوسطاً 10% بہتری لاتی ہے، تو ڈیٹا غیر حتمی ہے۔

5. مخالفانہ جانچ: اشاعت کا تعصب اور فائل دراز کا اثر

یہ مان بھی لیا جائے کہ ایک ہی مطالعہ بہترین طریقے سے ڈیزائن کیا گیا ہے، تب بھی آپ کو اس وسیع تر ماحولیاتی نظام کا جائزہ لینا ہوگا جس میں وہ موجود ہے۔ 'فائل ڈراور افیکٹ' اس وقت ہوتا ہے جب محققین اور جریدے منفی یا صفر نتائج کو خاموشی سے دراز میں بند کر دیتے ہیں، اور صرف دلکش اور مثبت نتائج کو شائع ہونے دیتے ہیں۔

اگر دس مطالعات نے کسی سپلیمنٹ کا تجربہ کیا اور نو کو کوئی اثر نہیں ملا جبکہ ایک کو معمولی سا مثبت اثر ملا (ممکنہ طور پر صرف اتفاق کی وجہ سے)، تو صرف اس دسویں مطالعے کو شائع کرنا ایک انتہائی مسخ شدہ منظر نامہ تخلیق کرتا ہے۔

مخالفانہ سیلف آڈٹ کیسے کریں

جب آپ کو شواہد کا کوئی ایسا ٹکڑا ملے جو آپ کے پہلے سے موجود عقائد کی تصدیق کرتا ہو، تو اس ذہنی چیک لسٹ پر عمل کریں:

• الٹ ٹیسٹ (Inversion Test): اگر اس مطالعے کا نتیجہ بالکل الٹا ہوتا، تو کیا میں اس کے طریقہ کار کو اتنی ہی جلدی قبول کر لیتا؟
• مراعات کا آڈٹ (Incentive Audit): اس تحقیق کی مالی اعانت کس نے کی، اور ان کے تجارتی، نظریاتی، یا تعلیمی مقاصد کیا ہیں؟
• غلط ثابت کیے جانے کی جانچ (Falsifiability Check): اس دعوے کو غلط ثابت کرنے کے لیے کن مخصوص شواہد کی ضرورت ہوگی؟ اگر حامی کا فریم ورک کسی بھی ناکامی کو درست ثابت کرنے کے لیے کافی لچکدار ہے، تو یہ سائنس نہیں بلکہ جعلی سائنس (pseudoscience) ہے۔

نتیجہ: فکری عاجزی کو فروغ دینا

ایک سائنسدان کی طرح شواہد کا جائزہ لینے کے لیے آخرکار یقین کے آرام کو قربان کر کے تخمینے کی درستگی کو اپنانا پڑتا ہے۔ آپ ہمیشہ حتمی نتیجے پر نہیں پہنچیں گے۔ اکثر، کسی پیچیدہ دعوے کا واحد سائنسی لحاظ سے دیانت دارانہ جواب یہ ہوتا ہے: فیصلہ کرنے کے لیے فی الحال ڈیٹا ناکافی ہے۔

اس فریم ورک میں مہارت حاصل کرنے سے آپ صرف ایک بہتر محقق، سرمایہ کار، یا پیشہ ور نہیں بنیں گے؛ یہ آپ کے نظریے کو حقیقت میں مضبوط کرے گا، اور حقیقت کے روپ میں چھپے ہوئے شور کے نہ ختم ہونے والے سیلاب سے آپ کی حفاظت کرے گا۔