Продолжаю работы с плацебо, и это оказывается захватывающей одиссеей, которую нельзя было и представить в начале пути. Само плацебо оказывается такой «отмычкой», которой можно открывать и другие тайны, например, восприятие и изменение реальности.

Исследованием плацебо в мире занимаются несколько сотен академических ученых. Кроме них есть люди, известные в еще более узких кругах, но они изучают это объект с куда большим рвением, и знают много интересного. Вот цитата из статьи, написанной такими людьми, и вы сразу догадаетесь, кто они такие и чем занимаются:

«Избыток эффекта плацебо в индустрии клинических исследований можно рассматриваться только как чуму с сопутствующими коварными последствиями. Это утверждение вытекает из того, что процент неудач психиатрических препаратов из-за плацебо составляет более 50%, и что 30-40% субъектов, участвующих в медицинских исследованиях, и принимающих плацебо, сообщают о значительном улучшении состояния».

Каков слог! «Чума»! «Коварные последствия»! Читаем дальше:

«Сила эффекта плацебо в клинических испытаниях и других исследовательских проектах (например, академических) проявляется при широком спектре заболеваний, включая шизофрению, депрессию, тревожное расстройство, биполярную манию, сердечную, сердечно-сосудистую систему, боль, мигрень и двигательные расстройства.

Несмотря на то, что для уменьшения эффекта плацебо были реализованы или рекомендованы различные методологические стратегии (например, централизованные рейтинги, удаленный мониторинг со стороны экспертов, уменьшение продолжительности оценки, продолжительность текущего обострения болезни у субъекта и различные процедуры вводной фазы), данные указывают, что эффект плацебо только увеличивается с течением времени, с риском для Большой Фармы потерь в размере 2,5 миллиарда долларов на каждое новое лекарство» (Hassman et al., 2017).

Эффект плацебо увеличивается, отмечают авторы, несмотря на предпринимаемые усилия. Причем, эти стратегии, про которые они пишут – вполне себе нешуточные. Например, некоторые «процедуры вводной фазы» устроены так: перед началом деления людей на группы, всем дают плацебо в течение какого-то времени, и смотрят на реакцию участников. Тех, кто хорошо реагирует на плацебо, стараются исключить.

Но как же удивительно, что, несмотря на все эти ухищрения, эффект плацебо проявляет себя снова и снова, с неиссякаемой силой? Возникает очевидный вопрос: как же может работать плацебо, если ему не то, что мешать, а наоборот, дать раскрыть все возможности?

В самой статье, которую я процитировал, говорится об эффективности нового метода: специально разработанном скрипте, который зачитывают всем участникам клинических испытаний на важных этапах исследования. Цель скрипта – максимально снизить влияние плацебо. Я пока не смог раздобыть текста этого заклинания.

В типичной статье о плацебо, написанной журналистом, мы непременно найдем пассаж о том, что плацебо – не всесильно, и не стоит преувеличивать его эффект. Те же, кто, проводят клинические испытания для фармацевтических компаний, оценивают плацебо трезво («чума»!), и поэтому я изучаю, что они знают, чтобы это использовать в целях раскрытия человеческого потенциала.

Возможно, к удовольствию Большой Фармы, в ближайшее время плацебо будет вытесняться из клинических исследований, и вот почему:

Ситуация с COVID-19 может кардинально изменить отношение к плацебо.

Прежде всего, вопросы о том, насколько этично давать одним вакцину, а другим – плацебо, встали в обществе острее, чем раньше.

Кроме того, вакцины от Pfizer/BioNTech, и от Moderna показали эффективность в 95%, и для других вакцин, еще в процессе разработки, или новых исследований, это – плохая новость. Они не смогут сравнивать свою эффективность с плацебо: все будут смотреть, как они стоят рядом с этими двумя. Кто будет покупать вакцину с эффективностью в 80%, когда на рынке есть с 95%? В других условиях 80% было бы совсем неплохо.

Далее, с вакцинами против гриппа прошел проверку эффективности метод «корреляции защиты». Вместо того, чтобы проводить клинические исследования, исследователи берут кровь человека, получившего вакцину, и смотрят, произвел ли его организм достаточно антител, чтобы быть готовым бороться с заболеванием. Кстати, по COVID-19 такой анализ крови, относительно скоро будет доступен (Zimmer, 2020).

Также, идут работы по использованию искусственного интеллекта в клинические исследование. Например, Unlearn AI, компания из Сан-Франциско, создает цифровую реплику, Цифрового Близнеца участника клинических исследований, используя искусственный интеллект. В результате участник получает действующее лекарство, а его цифровой двойник – плацебо, со всеми вытекающими результатами. Это позволяет не использовать плацебо в реальности. То есть, вместо людей в группе плацебо будет машинная модель. Когда на кону стоят миллиарды долларов, машинная модель, я уверен, будет вести себя «правильно».

Еще в 2016 году Конгресса США принял акт для претворения в жизнь «более реалистичных исследований нежели контролируемые двойные слепые рандомизированные исследования». Таким образом, и юридические основания, и заинтересованные стороны, и общественное понимание уже есть (Shapiro, 2020).

У плацебо, возможно, именно сейчас возникает новая жизнь, свободная от противопоставлений с лекарствами, и перспективы, которые раньше и не снились. И вам стоит в этом поучастовать. Об этом завтра.

Hassman, H., Cohen, E. A., Myers, K. A., Hossain, S., Joseph, A. V., & Lobb, J. M. (2017). The Power of an Educational Placebo Response Video: Strengthening Subject Placebo Response Awareness Across Demographic Variables and Diagnoses. Poster at Annual CNS Summit Meeting, November 2017, Boca Raton, FL., USA.

Shapiro, D. S. (2020). The placebo paradox: Why a COVID-19 vaccine trial participant might drop out. Bulletin of the Atomic Scientists, December 9, 2020.

Zimmer, C. (2020). Could a Blood Test Show if a Covid-19 Vaccine Works? The New York Times, 4 Dec 2020.

Акт конгресса США — ссылка.

Охотники за головами

Британское подразделение компании Юнилевер, мирового гиганта по производству потребительских товаров, впервые использовало искусственный интеллект для оценки кандидатов при приеме на работу.

Кандидат записывал видео, отвечая на стандартные вопросы, а машинный алгоритм анализировал речь, тон, которым произносились слова, и выражения лица. В результате создавались сотни характеристик, которые затем сравнивались с данными от кандидатов, которых в прошлом приняли на работу, и они показали себя хорошими специалистами.

Американская компания Hirevue, разработчик этого приложения, считает, что такой подход гораздо лучше обычного изучения резюме. Так, только по речи алгоритм смотрит на 350 характеристик языка, например, использование пассивного или активного залога, использования местоимений, словарный запас и длина предложений, специфические для профессии термины. Ни один человек не в состоянии так делать.

Такой алгоритм может использоваться не только для сортировки кандидатов, но и для «охоты за головами». Тогда, если ваше видео попадет в какие-то базы, вас найдут, где бы вы ни находились, и сделают предложение о работе, от которого нельзя отказаться. И это будет идеально как для вас, так и для работодателя.

Хотели бы вы, чтобы вас оценивал такой алгоритм, или человек, с неизвестными вам, но обязательными предрассудками и предубеждениями (они есть у всех), с добавлением других непредсказуемых и невозможных для учета факторов? Так, человек во время чтения резюме может быть голодным или сытым, уставшим или отдохнувшим, в стрессе после дороги на работу или в первый день после отпуска, при этом за окном светит солнце или все затянуто черными облаками. Алгоритм в сравнении с человеком выглядит как богиня правосудия Фемида – беспристрастным и объективным.

Но вы знаете людей, которые могут смущаться при виде камеры, при этом являясь прекрасными специалистами. И мы знаем, что некоторые очень талантливые люди отличаются от «нормы». Кроме того, предыдущие успешные кандидаты – не всегда образец для подражания, в наше время, когда каждый день бросает новые неожиданные вызовы.

Но есть проблема важнее, с которой уже сталкивались разработчики в других областях применения алгоритма: на чем или на ком тренируют такие алгоритмы. Если в качестве образцов брали выпускников колледжей, белых, из семей среднего класса восточного побережья США, то алгоритм вычислит еще что-то, что объединяет таких людей, и что лежит не на поверхности. Иными словами, мы даже не узнаем, что он выяснит из таких образцов. Но совершенно точно – те, кто не соответствует этому профилю, а это 99,99% всех людей, будут считаться неким отклонением от образца. Тем не менее, алгоритмы такого рода будут использоваться все шире, и мы просто должны иметь в виду, что  у них есть и позитивные стороны, так и не очень.

Робот-читатель

Робот прочитал 3,5 миллиона книг, опубликованных на английском языке за период с 1900 по 2008 год, как художественной, так и научно-популярной литературы. В этих книгах содержится 11 миллиардов (!) слов, и робот, то есть машинный алгоритм, должен был подсчитывать прилагательные, которые характеризовали мужчин или женщин. Например, найдя слова «сын», «стюардесса» или «актриса», алгоритм смотрел, какие прилагательные их описывали. В результате был собран список из наиболее часто употребляемых прилагательных, как позитивных, так и негативных, которыми авторы за сотню лет характеризовали мужчин и женщин.

Главная находка этого исследования, проведенного международной группы ученых:

Прилагательные, описывающие женщин, в основном, относятся к внешности, а прилагательные для мужчин – к поведению или характеристикам личности.

Наиболее частые прилагательные:

Нашли прилагательные, которые описывают вас? :)

Лидер команды ученых, Изабелль Огенштайн, с факультета компьютерных наук Университета Копенгагена, отмечает, что исследование поднимает ряд важных вопросов. Алгоритм, который был использован в этом поиске, используется для систем распознавания речи, и будет применяться другими машинами для общения с людьми. И если в нашем языке есть предпочтения или искажения, то они, безусловно, передадутся и машинам.

Например, описание женщины, не содержащее ни одного прилагательного, связанного с внешним видом, а только характеристики ее поведения или характера, алгоритм счел бы отклоняющимся от нормы. Поэтому алгоритмы, по мнению ученых, надо учить игнорировать эти предубеждения.

Но это только кажется простым, ведь эти предубеждения и предпочтения появились не просто так. Это не должно звучать как оправдание сексизму, но мы, в общем-то, все, в той или иной мере, оцениваем женщин по внешности а мужчин – по характеру. Сегодня, после тысячи исследований, мы точно знаем, что мужчины оценивают женщину по сотне параметров, практически мгновенно и почти всегда неосознанно, в выборе для продолжения рода. Это касается всего: характеристик фигуры, соотношений частей тела, голоса, состояния и цвета волос, и прочего. Если мы возьмем из этого списка только глаза: это касается и цвета склеры, размера и цвета радужной, наличия и толщины лимбального кольца, соотношения видимой части склеры и радужной, и так далее. Это все характеристики молодости и состояния здоровья, и никто из нас не в состоянии сознательно это все увидеть, проанализировать и принять решение. Это все делает наш внутренний биологический алгоритм, который, нравится нам или нет, успешно работает сотни тысяч лет. Благодаря ему, в частности, ваши родители выбрали друг друга, и теперь вы это читаете.

Мы можем сказать: «Давайте перестанем все это учитывать. Давайте выключим один алгоритм в угоду другому». Это смелая и достойная попытка, но получится у нас это или нет – покажет время.

Дамы приглашают кавалеров

Выбор – это всегда трудно, даже если выбираешь один вариант из двух. Но когда дело касается многих участников, с неполной информацией и многочисленными предпочтениями, то это становится невероятно сложно. Математики регулярно берутся за такие задачи, и одна из них, о выборе подходящих пар, под названием «проблема стабильного супружества» была решена, и заслуживает нашего внимания.

Представьте себе что собрались четыре женщины: Анна, Белла, Вера и Галя, и четыре мужчины: Александр, Борис, Виктор и Григорий. Они хотят создать устойчивые пары, но «все смешалось в доме Облонских». Анне нравится Борис, а ему – Галя, которой нравится Александр, а тому – Галя. Как достичь стабильности пар, так, чтобы твой партнер не убежал к другой? Стабильность пары – это когда в паре не должно быть ни мужчины ни женщины, которые взаимно предпочли бы быть с другими.

Чтобы разобраться, они решают написать список наиболее желаемых кандидатов, в порядке убывания. Вот что у них получилось:

У дам:

У кавалеров:

Первый раунд:

Теперь, после составления списка, дамы начинают делать предложения кавалерам, начиная с самого с первого в списке, и вот что получается у мужчин:

Мы видим, что Виктора пока игнорируют, а в Александра сразу два предложения: от Беллы и Гали. Белла для него стоит на втором месте, по предпочтениям, и он выбирает ее, отказывая Гале.

Второй раунд:

Галя зачеркивает своего первого кандидата и предлагает второму по списку, Борису.
У Бориса теперь два предложения, и Галя стоит у него на первом месте по предпочтениям, и он отказывает Анне.

Третий раунд:

Анна, отвергнутая Борисом, вычеркивает его, и делает предложение второму в своем списке, Александру. У Александра снова две кандидатуры, но Белла выигрывает и эту схватку, и остается в списке!

Четвертый раунд:

Анна делает предложение третьему кандидату в своем списке, Виктору:

Поскольку никто никого не отвергает, и ходов не остается, то мы получаем устойчивые пары. Чем больше участников, тем больше может быть раундов, но рано или поздно каждый найдет наиболее подходящую пару.

Вот, мы увидели, как работает один из алгоритмов. Проблема выглядит как салонная игра, но сегодня этот алгоритм работает для распределения детей по детским садам в Дании, школьников по школам в Венгрии, студентов по университетам в Китае, Германии и Испании, распределения раввинов по синагогам в Нью-Йорке, для соединения подходящих доноров органов с пациентами в Великобритании. И, конечно же, алгоритм используется некоторыми сайтами онлайн знакомств.

За этот алгоритм была вручена Нобелевская премия в 2012 году в области экономики. Дэвид Гейл и Ллойд Шепли создали его еще в 1962 году. Гейл не дожил, а Шепли разделил пр�