Name: Sự thiên vị trong lựa chọn: Bệnh viện thực sự nguy hiểm đến vậy sao? (Selection Bias: Are Hospitals Really That Dangerous?)
Uploaded: 2025-07-29T18:12:00.000Z
Duration: 5 min 8 s
Description: Thousands of YouTube videos with English-Chinese subtitles! Now you can learn to understand native speakers, expand your vocabulary, and improve your pronunciation...

Some people think hospitals are the most dangerous places on Earth.

Một số người cho rằng bệnh viện là nơi nguy hiểm nhất trên Trái Đất.

More people die inside them than anywhere else.

Có nhiều người chết bên trong chúng hơn bất kỳ nơi nào khác.

When people say things like that, they are technically right and may get fooled by what's known as selection bias.

Khi mọi người nói những điều như vậy, về mặt kỹ thuật, họ đúng, nhưng có thể bị lừa bởi cái gọi là thiên lệch chọn lọc.

A selection bias occurs when we look at information that is not fully representative of the data intended to be studied.

Sự thiên vị trong lựa chọn xảy ra khi chúng ta xem xét thông tin không hoàn toàn đại diện cho dữ liệu cần nghiên cứu.

As a result of the biased sample, we then draw a false conclusion.

Do mẫu khảo sát bị thiên vị, chúng ta đã đưa ra kết luận sai lầm.

One story that explains the bias perhaps better than any other is that of Abraham Wald.

Một câu chuyện có lẽ giải thích sự thiên vị này tốt hơn bất kỳ câu chuyện nào khác là câu chuyện về Abraham Wald.

Wald was a brilliant mathematician who, after the Nazis persecuted him and his family as Jews in Austria, fled to the United States in 1938.

Wald là một nhà toán học tài ba, người sau khi bị phát xít Đức bức hại vì là người Do Thái ở Áo, đã trốn sang Hoa Kỳ vào năm 1938.

During World War II, Wald was invited to become a member of the Statistical Research Group, an elite think tank to aid the American war effort against Nazi Germany.

Trong Chiến tranh Thế giới thứ hai, Wald được mời gia nhập Nhóm Nghiên cứu Thống kê, một nhóm chuyên gia hàng đầu nhằm hỗ trợ nỗ lực chiến tranh của Mỹ chống lại Đức Quốc xã.

Air Force came to Wald and his colleagues with a problem.

Lực lượng Không quân đã đến gặp Wald và các đồng nghiệp của ông với một vấn đề.

Many of their planes got shot down due to a lack of armor.

Nhiều máy bay của họ bị bắn rơi do thiếu giáp bảo vệ.

The officers presented Wald with data for all the aircraft that made it back from their mission.

Các sĩ quan đã trình bày cho Wald dữ liệu về tất cả các máy bay đã trở về an toàn sau nhiệm vụ.

The planes had lots of holes on the body and wings, but less below the engines.

Các máy bay có nhiều lỗ trên thân và cánh, nhưng ít hơn ở phía dưới động cơ.

The officers then asked the mathematicians to compute the optimal protection by concentrating the armor where the planes were getting hit the most.

Các sĩ quan sau đó yêu cầu các nhà toán học tính toán phương án bảo vệ tối ưu bằng cách tập trung giáp ở những vị trí mà máy bay bị trúng đạn nhiều nhất.

After studying the problem, Wald suggested something unexpected.

Sau khi nghiên cứu vấn đề, Wald đề xuất một giải pháp bất ngờ.

The armor, he said, doesn't go where the bullet holes are.

"Lớp giáp," anh ta nói, "không nằm ở những chỗ có lỗ đạn."

Nó đi đến những nơi không có vết đạn.

The officers didn't understand because they were looking at a biased sample.

Các sĩ quan không hiểu vì họ đang xem xét một mẫu không đại diện.

He realized that to get representative data to analyze, he needed to include the missing holes, the missing planes, the missing information.

Anh nhận ra rằng để có được dữ liệu đại diện để phân tích, anh cần phải bao gồm các lỗ hổng, các mặt phẳng thiếu sót và thông tin bị thiếu.

The reason planes were coming back with fewer hits to the engine is that planes that got hit in the engine weren't coming back, he explained.

Lý do máy bay trở về với ít hư hỏng động cơ hơn là vì những máy bay bị trúng đạn vào động cơ không thể trở về, ông giải thích.

But selection bias isn't just the result of missing information.

Nhưng sự thiên vị trong lựa chọn không chỉ là kết quả của việc thiếu thông tin.

The Simpson paradox is a phenomenon in which a trend appears in groups of data, but then when the groups are combined, disappears.

Paradox Simpson là hiện tượng trong đó một xu hướng xuất hiện trong các nhóm dữ liệu, nhưng khi các nhóm này được kết hợp lại, xu hướng đó biến mất.

It shows the importance of really understanding the data we select for analysis.

Điều này cho thấy tầm quan trọng của việc thực sự hiểu rõ dữ liệu mà chúng ta chọn để phân tích.

One famous example came from students applying to the University of California, Berkeley, in 1973.

Một ví dụ nổi tiếng đến từ các sinh viên nộp đơn vào Đại học California, Berkeley, vào năm 1973.

The data showed that males applying were more likely to be accepted than females.

Dữ liệu cho thấy nam giới nộp đơn có khả năng được chấp nhận cao hơn so với nữ giới.

People thought that the institution was discriminating against women.

Người ta cho rằng cơ quan đó phân biệt đối xử với phụ nữ.

When researchers dug deeper into the data, they found out that men had applied to less competitive departments with higher rates of admission.

Khi các nhà nghiên cứu phân tích sâu hơn dữ liệu, họ phát hiện ra rằng nam giới đã nộp đơn vào các khoa ít cạnh tranh hơn nhưng có tỷ lệ trúng tuyển cao hơn.

Women chose more competitive departments with fewer available spots.

Phụ nữ đã lựa chọn các khoa có tính cạnh tranh cao hơn và có ít vị trí trống hơn.

After correcting for this detail, the data showed a significant bias in favor of women, not men.

Sau khi điều chỉnh chi tiết này, dữ liệu cho thấy có sự thiên vị đáng kể ủng hộ phụ nữ, không phải nam giới.

Planes that were shot in the engines were not analyzed.

Các máy bay bị bắn trúng động cơ không được phân tích.

Women in Berkeley weren't discriminated against, but instead picked more competitive classes.

Phụ nữ ở Berkeley không bị phân biệt đối xử, mà thay vào đó họ chọn những lớp học cạnh tranh hơn.

People that die in hospitals are often already sick when they are admitted.

Những người chết trong bệnh viện thường đã mắc bệnh nặng trước khi nhập viện.

Is selection bias corrupting your decision-making?

Liệu sự thiên vị trong lựa chọn có đang làm sai lệch quyết định của bạn?

And if it's fooling you, how about the people behind the research you see being published in popular media?

Và nếu nó đang lừa dối bạn, thì sao với những người đứng sau các nghiên cứu mà bạn thấy được đăng tải trên các phương tiện truyền thông phổ biến?

Did they really make sure they selected an unbiased, fully representative sample?

Họ thực sự đã đảm bảo rằng họ đã chọn một mẫu không thiên vị và hoàn toàn đại diện?

Share your thoughts in the comments below.

Hãy chia sẻ suy nghĩ của bạn trong phần bình luận bên dưới.

And if you still don't quite understand it, here is a simple challenge to experience it first-hand.

Và nếu bạn vẫn chưa hoàn toàn hiểu rõ, đây là một thử thách đơn giản để bạn trải nghiệm trực tiếp.

Go out of your house, knock at the doors of your next ten neighbors, and ask those who open if they are afraid of strangers.

Hãy ra khỏi nhà, gõ cửa nhà mười người hàng xóm gần nhất và hỏi những người mở cửa xem họ có sợ người lạ không.

After you are done, report your findings in the comments below and explain to us what can your research tell us about your community.

Sau khi hoàn thành, hãy báo cáo kết quả nghiên cứu của bạn trong phần bình luận bên dưới và giải thích cho chúng tôi biết nghiên cứu của bạn có thể cho chúng tôi biết điều gì về cộng đồng của bạn.

If you like how we explain complicated ideas in simple cartoon animation, you can support us.

Nếu bạn thích cách chúng tôi giải thích những ý tưởng phức tạp một cách đơn giản qua hoạt hình, bạn có thể ủng hộ chúng tôi.

Thăm trang Patreon tại patreon.com/sprouts.

Just visit us, learn how it works, and what's in it for you.

Hãy ghé thăm chúng tôi, tìm hiểu cách thức hoạt động và những lợi ích mà bạn sẽ nhận được.

Chúng tôi hy vọng sẽ gặp lại quý vị tại đó.

And if you are a parent or educator, check out our website, sproutschools.com.

Và nếu bạn là phụ huynh hoặc giáo viên, hãy truy cập trang web của chúng tôi, sproutschools.com.

There you can find this and other video lessons, additional resources, and classroom activities.

Tại đây, bạn có thể tìm thấy bài giảng video này và các bài giảng video khác, tài liệu bổ sung, và các hoạt động trong lớp học.