Hapı yutuyor muyuz? Gerçek-sonrası dönemde bilimsel gerçeği aramak
Covid-19 ile beraber hayatlarımız bir anda değişti. Hastalığa karşı korunmak için ne yapmamız gerek, hastalık nasıl yayılıyor diye araştırırken, konuda uzmanlığı olan olmayan herkes son bilimsel haberleri takip eder hale geldik. İlaç ve aşı çalışmaları ile ilgili detayları yakından takip ediyoruz. PCR testi gibi teknik terimlere alıştık. Gündelik sohbetlerimizden bile artık Covid19 eksik olmuyor.
Bununla beraber, ne yazık ki şunu da gördük: Gündemde olan bilimsel konuları herkesin dikkatini çekecek şekilde süslenmiş, içi boş bilgi yumakları halinde sunan ve bu sunuştan kar elde etme peşinde koşan bir kesim var. Bu kesimin geniş takipçi kitlelerini etkileyebilecek ve hatta zarar verebilecek açıklamalar yaptıklarını görüyoruz. Bu durum endişe verici. Ama, hap bilgiye (yani kolaylıkla tüketilebilecek hale getirilmiş, özet, kolay anlaşılır, ancak kaynağı belli olmayan bilgiye) inanmayı düşünmeye ve soru sormaya tercih edenlerin sayısındaki artış da endişe verici.
Bu durum öyle bir seviyeye ulaştı ki, içinde bulunduğumuz çağı “post-truth”, yani “gerçek-sonrası dönem” olarak adlandırıyoruz. Diğer bir deyişle popüler olanın gerçek olandan daha önemli olduğu bir çağda, yalanlar üzerine kurulu sistemler içerisinde yaşıyoruz. Doğru bilgi çok sayıda yanlış bilgi ile bombardımana tutulup erişimden uzaklaştırılıyor. Yanlış bilgi sık sık tekrar edilerek kabul gören bilgi haline getirilmeye çalışılıyor. Günümüzde Trump gibi politikacılar sayesinde açık bir şekilde görünür hale gelen bu yöntem, ne yazık ki geniş bir kitle tarafından da hap bilgi halinde yutularak destek buluyor.
(Karikatür : Martin Shovel)
Bilgiye ulaşım kolaylaştıkça, güvenilir bilimsel bilgiyi süzebilme önemli bir sorun haline geldi.
Her güzel renkli hapı şeker gibi yutmamamız gerektiğini biliyoruz, yan etkiler görülebilir. Önümüze sunulan kaynaksız özet bilgiyi de aynı şekilde değerlendirmemiz lazım.
Ama nasıl ayırt edeceğiz? Neye güvenebiliriz, kimin söylediği doğru? Yutmak üzere olduğumuz hapın ne olduğunu anlatan bir prospektüs var mı?
Aslında var.
Bilimsel bilgiyi ayırt etmede ön plana çıkan üç ana sorun var, her birinin de çözümü çok basit. Bunları kullanarak bilgi havuzunu filtreleyebilir, gerçek-dışı bilgiyi eleyebiliriz.
1- Bilimsel anlamda hipotez, yani kanıtlanmamış, gözleme dayalı sorular ile kanıtlanmış bilimsel bilgi arasındaki fark ilk filtremiz.
Hipotez (Önsav) : Gözleme dayalı, gözlemlerden doğan soru(ları) içeren, test edilmemiş önerme.
Hipotezler bilimsel deneylerin araştırma konusudur. Henüz olgunlaşmamış, test edilmemiş, kanıtlanmamış önermeler, varsayımlardır.
Bilimsel hipotezler kişisellikten uzak ve objektiftir. Gözlemden doğsa da, daha önce elde edilen bilgilerle desteklenir.
Popülist şekilde paylaşılan ve uygulama öneren bilimsel görünümlü bilgilerin çoğu aslında söyleyen kişinin kendi gözlem ve düşüncelerinden oluşuyor. En iyi ihtimalle hipotez olabilirler.
Örneğin, “Gözlerimizin iç kısmına saf zeytinyağı sürdüğümüzde virüsün girmesini engelleriz, virüs kayıp gider.” şeklindeki önerme, kaynak belirtilmediğine göre, aslında bir düşünce ifade eder. Bu düşüncenin bilimsel temeli var mıdır? Yani arasak destekleyen kaynak bulabilir miyiz? Bilimsel yayın kütüphanelerinde kısa bir araştırma sonrası, önce bu konuda yapılan bir çalışma olmadığını buluruz. Sonra da nedenini buluruz : Gözün içine zeytinyağı sürme fikri, hem gözün yapısını hem de virüslerin nasıl bulaştığına baktığımızda tutarlı bir çıkarım değildir. O halde bu önerme bir gözlem ya da düşünce olarak kalmış, hipotez haline dahi gelememiştir. Normalde, bu önermenin sahibinin de önermeyi terk etmesi veya tutarlı bir hipotez elde etmek için yeniden düzenlemesi gerekir.
Ancak, gündelik hayatta fikirlerimizi ifade ederken bilimsel tutarlılığı olan hipotezler halinde konuşmuyoruz. Bu fikirleri geçerli bilimsel bilgi olarak sunmadığımız sürece de zaten bir sıkıntı yok.
Burada sıkıntının başladığı yer, yukarıdakine benzer önermelerin, uygulanması kolay olduğu ve ciddi bir soruna karşı umut dağıttığı için, bilimsel bir sonuç gibi paylaşılması. Eğer önermenin başında "bence" görmüyorsak ve soru da sormuyorsak, rahatlıkla yutabiliriz. “Gerçek-dışı ve zararlı hap bilgi” üretimi genellikle bu şekilde. Hapı sunan kişi için hiçbir zararı yokken, hapı yutanlar için ciddi sonuçlar doğurabilir.
Peki siz, hangi hapı yutuyorsunuz?
Bir not : En fazla hap bilgi bulunduran alanlardan biri olan Twitter artık bazı tweetlerin altına gerçeklere ulaşılabilecek linkler ve yanlış yönlendirme uyarısı koymaya başladı. Hatta, bir makale veya yazı paylaştığınızda da, paylaşmadan okumak ister misiniz diye soruyor. Güzel gelişmeler.
2- Bilimsel yöntemi, yani bir hipotezi araştırmak için nasıl bir yol izlenmek gerektiğini bilmemiz, gelen bilgiyi filtrelemek için ikinci önemli araç.
Öne sürülen her hipotez bilimsel yöntem aşamalarını izlemeli. Bilimsel yöntemle ilgili en önemli üç konu : tarafsızlık, tutarlılık ve tekrarlanabilirlik.
Bilimsel yöntem
Çok bariz görünen bir kural ile başlayalım : Bilim insanı hipotezini doğrulama amacıyla deney tasarlayamaz. Bilim insanı tarafsız olmalı, deneylerden elde edilen verilerle vardığı sonucu değerlenirken de tarafsız olmalı. Yani söylediğim doğru çıksın diye deney yapılmaz, veri analiz edilmez. Bu şekilde taraflı olarak ilerlemek aynı zamanda bilimsel etiğe de aykırı olur.
Bunu önlemek için, özellikle de klinik çalışmalarda, çift kör deney denilen bir yöntem kullanılabilir. Örneğin, bir ilacın etkisi incelenirken deneyi yapan kişiler hangi ilacın kime verildiğini bilmez. Analiz yapan kişiler ise verilerin hangi gruba ait olduğunu bilmez. Bu şekilde kurulan sistemler taraflılık ve önyargının önüne geçer. Yakın zamanda yapılan çok güzel bir çalışma bilim insanlarının da bu kurallar çiğnendiğinde nasıl yanlış sonuçlara ulaşabileceğini gösterdi (Yanai ve Lercher, 2020). Başka bir yazıda detaylı incelemek üzere geçiyorum.
Bilim insanları deney sistemlerini tasarlarken tutarlılık gözetmelidir. Bu tutarlılığın ve verilerden elde edilen sonuçların geçerliliği ilgili istatiksel sistemler ile belirlenir. Ayrıca, bilim insanları deney tasarlarken, örneğin bir hastalığın test edilmesi için bir model uygulanacağı zaman, önce modelin geçerliliğini yüzeysel geçerlilik, yapısal geçerlilik ve genellenebilirlik başlıklarında bir dizi teste tabi tutarlar. Böylece, deney tasarımı hem standartlaştırılmış bir geçerliliğe hem de içsel ve dışsal tutarlılığa sahip olur.
Bir bilim insanının hep aklında bulundurması gereken şey deneyin yapıldığı koşulların sonucu nasıl etkileyeceğidir. Test edilen konu her ne ise, onu etkileyebilecek tüm diğer parametrelerin kontrol altında tutulması ve sonucu etkilemesinin önlenmesi gerekir. Ayrıca, elde edilecek sonuçların kıyaslanabileceği referanslar da gereklidir.
Örneğin, evimizde çekirdekten yetiştirdiğimiz iki tane aynı tür çiçek var diyelim. Bir süre ikisini aynı saksıda yetiştirip sonra ayırdık. Her ikisinde de yapraklarında ufak kararmalar olduğunu farkettik, etki aşağı yukarı aynı. Elimizde bir madde var, bu maddenin çiçeklere iyi geleceğini düşünüyoruz. Bu görüşe hem daha önce uyguladığımız için pratik olarak elde ettiğimiz veriler hem de bitkide kararmanın nedeni ile ilgili yaptığımız araştırma sonucunda vardık. Kontrollü bir deney ile bu hipotezi test etmek istedik. O zaman başlangıç olarak, yapraklardaki etkiyi net belirlemeliyiz, mesela kaç yaprakta var? Bunu not ediyoruz. Sonra her iki saksının da boyutlarının, derinliklerinin aynı olduğundan, toprağın birebir aynı tür ve miktarda olduğundan emin oluyoruz. Hatta çiçek her iki saksıda da birebir aynı konumdaysa daha da iyi. Saksıların ikisini de tercihen yanyana aynı oranda ışık alan ve eşit nem, sıcaklık altında olan bir yerde tutuyoruz. Böylece kontrollü bir çevre yarattık. Sıra test edeceğimiz maddede. Maddeyi de diyelim ki asidik bir çözücü de mesela limon suyu içerisinde çözmemiz gerekti. Bir saksıya bu çözeltiyi verip, diğerine hiçbir şey vermezsek yine kontrollü olmaz. Çünkü limon suyunun kendisinin bir etkisi var mı, bunu elemedik. O zaman deney grubu saksıya limon suyunda çözdüğümüz maddeyi, kontrol grubu saksıya da sadece limon suyu vermeliyiz. Bütün bunları tam olarak yaptıysak deney planımız hazır, düzenli tarafsız gözlemle deneye devam!
Ama tekrarlanabilirlik konusuna geldiğimizde, sadece düzgün kontrollü bir deney yapmış olmak da yeterli değil. Aynı zamanda benim İstanbul’da yaptığım bir deneyde kullandığım sistemi birebir kullanan Tokyo’daki başka bir kişi de benimle birebir aynı sonucu elde edebilmeli. Eğer düzgün bir sistem inşa ettiysem bu mümkün. Bu da bilimsel bilginin tekrarlanabilirliğini bize veriyor.
3- Bilimsel yöntem izlenerek elde edilen bilgi dahi sadece araştırıldığı koşullar altında geçerlilik sunar.
Sunulan hap bilgilerin en büyük sorunu genellenebilirlik.
Bir sonucun genellenebilmesi için, hedef aldığı grubun deney sisteminde düzgün bir şekilde temsil edilmesi gerekir. Bu nasıl olur?
İlk olarak, deney ve kontrol gruplarımızda denek sayısı yani örnek uzayımız belirleyici faktör. Hedef grubumuzda değişkenlikler ne kadar fazlaysa, tutarlı ve geçerli sonuçları elde etmek o kadar zorlaşır. Bu nedenle bu değişkenliği iyi bir şekilde yansıtan ve yeterli sayıda denek içeren sistemler kullanmamız gerekir.
İnsanlarla yapılan çalışmalarda yaşanan en önemli sıkıntılardan biri de bu konu. Şöyle düşünelim, laboratuvar ortamında yetiştirdiğimiz hayvanlarda yaşadıkları ortamı bütünüyle kontrol edebiliyoruz. Her denek birebir aynı koşullarda yaşadığı, aynı şekilde yetiştirildiği için çevre koşullarının etkisi göz ardı edilebilecek kadar düşük. İnsanlarda ise, bu neredeyse imkansız. Hepimiz farklı biyolojik altyapılara sahibiz, başka beslenme alışkanlıkları, uyku alışkanlıklarımız olabilir. Her birimizde farklı sağlık sorunları, risk faktörleri olabilir. Bu nedenle de, değişkenlik yüksek olabilir ve yapılacak deneylerde çok sayıda denek kullanılması gerekebilir.
Örneğin insanlarda denenen bir ilacın birinci fazını ön çalışma olarak değerlendirirsek, Dünya Sağlık Örgütü standartlarına göre 20 kişilik bir grup yeterli olabilirken [2], ilaç etkinliğinin geniş bir spektrumda incelenmesi gereken Faz 2 ve Faz 3'de çok daha geniş incelemeler gerekiyor. Bu alanda belirtilen sabit bir sayı olmamasına karşın, örneğin İngiltere'de Covid19'a karşı RECOVERY ilaç denemesi programında 6 Mayıs 2020'de yayınlanan bir bildiride, güçlü sonuçlara ulaşılması için denenen her iki ilaç kolunda da en az 2000'şer hasta olması gerektiği belirtilmiş ve şimdiye kadar bu programda yer alan hasta sayısı da 9000'in üzerinde olduğu belirtilmiş [3]. Öte yandan, Hindistan'da Biocon isimli bir şirket tarafından yapılan araştırmada ise Faz 2 aşamasında sadece 30 kişide denendiği için ilacın etkili olduğu konusunda iddiaları haklı olarak yerel yönetim tarafından reddedilmiş [4].
Aşı çalışmalarında sonuç almanın bu kadar uzun sürmesinin temel nedeni de bu : Genellenebilir sonuçlar için popülasyondaki değişkenlik göz önünde bulundurulmalı ve bu yüzden de çok sayıda, farklı sağlık öykülerine sahip kişiler üzerinde denenmeli. Uzun ve yorucu bir yolculuk.
Bu da asla unutmamız gereken önemli bir bilgi. Bir kişide işe yaradığı için önerilen bir yöntem diğer kişide işe yaramayabilir. Hatta altta yatan sağlık sorunları olduğu durumda çok ciddi sorunlar yaratabilir. Önümüzde bir hap bilgi geldiğinde bu yüzden bu bilgi ne kadar genellenebilir diye sormalıyız.
İyi tasarlanmış deneylerden elde edilen bilimsel bilgiler yüksek genellenebilirliğe sahiptir. Ama “ben yaptım, harika, sen de dene” örnek uzayı bir kişiden oluştuğu için genellenebilir değildir.
*********
Peki, Twitter’da paylaşılan 160 karakterde bu bilgileri nasıl elde edebiliriz?
Bilginin kaynağını sorarak. Sonra da kaynağa gidip kendimiz bakarak. Hiçbir kaynağa dayanmadan ortaya atılan hap bilgileri yutmamalı.
Gerçek-sonrası dönemde kendimizi zararlı hap bilgi zehirlenmelerinden korumak istiyorsak elimizdeki en önemli araç soru sormak. Kaynak ne? Bilgi nasıl elde edilmiş? Tarafsız mı? Tutarlı mı? Tekrarlanabilir mi? Genellenebilir mi?
Soru sormanın, düşünce ile incelemenin gücüne hiçbir “gerçek-sonrası” dayanmaz.
Bol sorulu az haplı günler dileğiyle,
Dipnot : Kitap Önerisi – Tayfun Uzbay, Cehalet Bilimi
Kaynakça
[1] Yanai,I., Lechner,M. 2020. A hypothesis is a liability. Genome Biology. 21:231.
[2] https://www.who.int/biologicals/publications/clinical_guidelines_ecbs_2001.pdf?ua=1
[3] https://www.recoverytrial.net/files/cem_cmo_2020_020-17629.pdf