V této epizodě pokračujeme v sérii věnované vědecké metodě a vědeckému myšlení. Zatímco v prvním díle jsme se zabývali tím, co znamená přemýšlet vědecky, jak hodnotit důkazy a proč je důležitější proces než samotný závěr, tentokrát se zaměříme na jednu z nejzásadnějších otázek celé vědy: Kdy můžeme tvrdit, že jedna věc skutečně způsobuje druhou? Právě porozumění příčinným vztahům je totiž základem doporučení, co dělat, čemu se vyhnout a jakými zásahy můžeme skutečně něco změnit.
Hlavním tématem bude kauzalita neboli příčinná souvislost. Vysvětlíme si, proč korelace neznamená kauzalitu, jaký je rozdíl mezi asociací, korelací a příčinou a proč je náš mozek doslova strojem na hledání příčin, který je často vidí i tam, kde žádné nejsou. Ukážeme si, jak snadno lze objevit zdánlivé souvislosti mezi zcela nesouvisejícími jevy a proč s rostoucím počtem analyzovaných vztahů roste i pravděpodobnost, že některé z nich budou statisticky významné čistě náhodou.
Podíváme se také na to, proč je tak obtížné kauzalitu prokázat. Proč nestačí pozorovat, že lidé, kteří něco dělají, jsou zdravější nebo žijí déle? Proč ani silná statistická souvislost nemusí znamenat příčinný vztah? A proč je tak snadné vyvodit z vědeckých dat závěry, které ve skutečnosti vůbec neumožňují?
Probereme různé podoby kauzality: přímou a nepřímou, reverzní a obousměrnou, nutné a dostačující příčiny nebo deterministickou a pravděpodobnostní kauzalitu. Vysvětlíme si, co je confounder, proč mediátor není totéž co confounder a jak může samotný výběr účastníků nebo nesprávná statistická kontrola vytvořit zdánlivou souvislost.
Na to navážeme přehledem jednotlivých typů vědeckých studií a jejich designu. Projdeme si studie in vitro, výzkum na zvířatech, různé typy observačních studií, randomizované kontrolované experimenty (RCT), systematické přehledy i metaanalýzy. Vysvětlíme si, co nám jednotlivé typy studií mohou říct, jaké mají výhody a omezení a proč neexistuje jediný typ studie, který by byl nejlepší pro všechny vědecké otázky.
Zastavíme se také u často zmiňované pyramidy vědeckých důkazů. Proč není tak jednoduchá, jak se na první pohled zdá? Proč ani randomizovaná studie automaticky nepředstavuje definitivní důkaz a proč ani metaanalýza nemusí být zárukou správného závěru? Ukážeme si, jak výsledky ovlivňují chyby v designu, výběr účastníků, matoucí faktory, statistická analýza nebo samotná interpretace dat.
V závěru nabídneme praktický návod, jak kriticky hodnotit vědecké studie. Na jaké otázky se ptát, když někdo tvrdí, že určitá potravina, doplněk stravy, lék nebo životní návyk prodlužuje život, snižuje riziko onemocnění či zlepšuje zdraví? Jak rozpoznat rozdíl mezi důkazy podporujícími příčinný vztah a pouhou zajímavou souvislostí? A jak se nenechat zmást větami jako „prokázala to vědecká studie“, „výsledek byl statisticky významný“ nebo „potvrdila to metaanalýza“?
Protože najít souvislost je často snadné. Mnohem obtížnější je zjistit, co ji skutečně způsobuje. A právě tento rozdíl rozhoduje o tom, zda nám vědecké poznatky umožní pouze předpovídat, co se může stát, nebo také porozumět tomu, co můžeme skutečně ovlivnit.
Hlavním tématem bude kauzalita neboli příčinná souvislost. Vysvětlíme si, proč korelace neznamená kauzalitu, jaký je rozdíl mezi asociací, korelací a příčinou a proč je náš mozek doslova strojem na hledání příčin, který je často vidí i tam, kde žádné nejsou. Ukážeme si, jak snadno lze objevit zdánlivé souvislosti mezi zcela nesouvisejícími jevy a proč s rostoucím počtem analyzovaných vztahů roste i pravděpodobnost, že některé z nich budou statisticky významné čistě náhodou.
Podíváme se také na to, proč je tak obtížné kauzalitu prokázat. Proč nestačí pozorovat, že lidé, kteří něco dělají, jsou zdravější nebo žijí déle? Proč ani silná statistická souvislost nemusí znamenat příčinný vztah? A proč je tak snadné vyvodit z vědeckých dat závěry, které ve skutečnosti vůbec neumožňují?
Probereme různé podoby kauzality: přímou a nepřímou, reverzní a obousměrnou, nutné a dostačující příčiny nebo deterministickou a pravděpodobnostní kauzalitu. Vysvětlíme si, co je confounder, proč mediátor není totéž co confounder a jak může samotný výběr účastníků nebo nesprávná statistická kontrola vytvořit zdánlivou souvislost.
Na to navážeme přehledem jednotlivých typů vědeckých studií a jejich designu. Projdeme si studie in vitro, výzkum na zvířatech, různé typy observačních studií, randomizované kontrolované experimenty (RCT), systematické přehledy i metaanalýzy. Vysvětlíme si, co nám jednotlivé typy studií mohou říct, jaké mají výhody a omezení a proč neexistuje jediný typ studie, který by byl nejlepší pro všechny vědecké otázky.
Zastavíme se také u často zmiňované pyramidy vědeckých důkazů. Proč není tak jednoduchá, jak se na první pohled zdá? Proč ani randomizovaná studie automaticky nepředstavuje definitivní důkaz a proč ani metaanalýza nemusí být zárukou správného závěru? Ukážeme si, jak výsledky ovlivňují chyby v designu, výběr účastníků, matoucí faktory, statistická analýza nebo samotná interpretace dat.
V závěru nabídneme praktický návod, jak kriticky hodnotit vědecké studie. Na jaké otázky se ptát, když někdo tvrdí, že určitá potravina, doplněk stravy, lék nebo životní návyk prodlužuje život, snižuje riziko onemocnění či zlepšuje zdraví? Jak rozpoznat rozdíl mezi důkazy podporujícími příčinný vztah a pouhou zajímavou souvislostí? A jak se nenechat zmást větami jako „prokázala to vědecká studie“, „výsledek byl statisticky významný“ nebo „potvrdila to metaanalýza“?
Protože najít souvislost je často snadné. Mnohem obtížnější je zjistit, co ji skutečně způsobuje. A právě tento rozdíl rozhoduje o tom, zda nám vědecké poznatky umožní pouze předpovídat, co se může stát, nebo také porozumět tomu, co můžeme skutečně ovlivnit.
1:12:11
Od 150 Kč měsíčně nebo 50 Kč jednorázově