О вопрос “Как менять свои убеждения” сломано множество копий и развернутый ответ на него просто обречен на не прочтение, поэтому развернутым он не будет.
Если бы мне пришлось отвечать на него в формате “В чем сила?”, думаю, что последовал бы ответ: “в деперсонализации”. Считаю что лучше изначально не иметь убеждений чем часто их менять.
Пока вы не успели записать меня к психиатру, постараюсь объясниться, но коротко.
Чего хотел достичь? Больше 5 лет работаю в лаборатории, которая изучает когнитивный искажения и их влияние на принятие решений. И за это время приобрел некоторое количество эпистемических практик, которых не встречал в хорошем описании на порталах о принятии решений/практической психологии и т.п. Когда работал над системой мышления, хотел отрегулировать свои практики так, чтобы можно было учитывать фактор КИ, принимать решения и не умирать от сложности.
Что получилось, Общие принципы:
- Множественная\одновременная идентичность. Есть много любопытных свидетельств того, как идентичность влияет на выбор. Моя любимая история про две группы детей, которым сначала запретили пользоваться игрушкой с разной степенью последствий, а потом разрешили. Отгадайте в какой группе ею играл меньший процент детей? Есть пара хороших эссе, о том можно ли свести к минимуму влияние идентичности small\flexible identity (в конце ссылки есть ссылки на другие). Я стараюсь практиковать высокий уровень деперсонализации, при котором не одно из двух убеждений не принимается как “более достоверное”, а их эпистемический статус находится в состоянии “нужно больше свидетельств”. То же касается ценностей, ощущений, статусов и прочего. При таком количестве неопределенности жить сложно и именно поэтому практикуется деперсонализация -> когнитивного диссонанса меньше -> часть выбора приходится принимать случайным образом. Это иногда приводит в недоумение. Однако случайность здесь источник дополнительного опыта/информации. Мне как-то подарили кружку, на которой этот принцип отлично сформулировали как “live long, drink coffee, make random choices”. В конце — концов человек смертен, а его идеи методы и практики будут приносить пользу всегда, но они лишены всяких идентификаций себя со всем что нам привычно. Так что представьте что вы мем, и лишь то что останется, действительно необходимо.
- На более системном уровне, про это можно думать как про способ обойти проблему Duhem–Quine, имея в своем арсенале набор гибких онтологий, и решая вопрос о том что ты думаешь в стиле Пирсовского: “ Представим себе, какие практические последствия может иметь действие данных объектов, и наше представление об этих действиях будет составлять всю совокупность представлений об этих объектах ”. Иными словами, убеждения должен либо определять доступный выбор, и тогда они формулируются и проходят отбор явно, либо выбор должен проводиться случайно среди приемлемых альтернатив.
Чтобы обслуживать такую машинерию и не сходить с ума, нужно несколько хороших process killers, вот некоторые:
- Точные формулировки нужны только если от них зависит прогноз, в остальных случаях лучше накапливать свидетельства и классифицировать информацию. Мой странный мозг вообще имеет ряд внутренних категорий языка например https://en.wikipedia.org/wiki/Evidentiality, но возможно это слишком заморочено. Для систематизации рекомендую весь арсенал что обычно используют стратегические консультанты из тройки, например https://en.wikipedia.org/wiki/MECE_principle.
- Метод ферми для оценки вероятности найти ответ. Если есть ответ, то кто и по каким причинам на него ответил/не ответил. Обычно если про это не знает профильное комьюнити, про это никто не знает.
- Используем иерархию источников информации. Чтобы моделировать надежность и /или достоверность, нужны базовые представления о социологии науки (стимулы учёных как publish or perish — отдельный интеллектуальный аттракцион) и базовых методах (например теории эксперимента со всеми внутренними предположениями, например unconfoundedness) которые используются research community. Как-то, в частной беседе с Быковским речь зашла о том, как научные журналисты верифицируют свежие статьи, в контексте кризиса воспроизводимости и всякого такого прочего. Он сформулировал 3 простых принципа, которые удобно использовать для базовой работы с литературой (1) должно пройти от 5 -10 лет после публикации, чтобы накопилось либо опровержений либо практики использования опубликованных методов/результатов (2) стоит пользоваться иерархиями источников информации в доменных областях (3) стандартная наукометрия с поправкой на доменную область.
- Сложные профильные вопросы ищутся только через nework, даже хороший профильный обзор литературы, заказанный профессионалу, запросто может упустить важный результат. Твиттер весьма эффективен для этого.
- Формальные модели имеют ряд фундаментальных ограничений сверху. Это касается вопросов вычислимости, семантики (например проблема радикального перевода), срока эффективного прогноза и пр. Стоит брать эти вопросы в расчет всегда, особенно если это стадия выбора уровня моделирования (например очень точный атомарный состав человека мало что скажет вам про его генетику, в то время как его днк может быть записана в произвольном алфавите, и при своей далёкости от реальности, давать куда больше информации о потенциальном потомстве).
