İnternette Veriden Bilgeliğe

DIKW Hiyerarşisi Veri, Enformasyon, Bilgi ve Bilgelik kavramları arasındaki ilişkileri ve farklılıkları anlatan bir modeldir.  Günlük yaşamımızda bu kavramlar yaygın olarak birbirleri yerine kullanılıp karıştırılsalar da, bilimsel ve işle ilgili konulardaki düşünce mantığında çok farklı anlamları vardır.

DIKW adını oluşturan Data, Information, Knowledge ve Wisdom’un Türkçe’deki karşılıkları çoğu zaman tartışma konusu olur. “Data”nın karşılığının “Veri” olduğu konusunda neredeyse bir görüş birliği vardır, ancak “Information” ve “Knowledge” kavramlarına gelince hangi sözcüğün karşılığının “Bilgi” olduğu, birine “Bilgi” dersek ötekine ne denilmesi gerektiği konusunda birçok görüş ayrılıkları bulunur.  Kimileri “Information=Bilgi, Knowledge=Özbilgi” derken, diğerleri “Information=Malumat, Knowledge=Bilgi” diye düşünüyorlar.  Bense dilimize “Özbilgi” ve “Malumat” çok yerleşmediği için, içime çok sinmese de bu yazıda “Information=Enformasyon, Knowledge=Bilgi” diye kullanmayı seçtim.  “Wisdom” konusuna gelince “Bilgelik” dışında “Anlayış”, “Kavrayış” veya “İrfan” gibi seçenekler olsa da “Bilgelik” daha yaygın olduğu için kullanmayı seçtim.

Bu dört kavram arasındaki ayrılıkların farkına ilk kez University of Pennsylvania’da, Prof. Iraj Zandi’nin Sistem Metodolojisi dersini alırken vardım.  Prof. Zandi’nin bu birbirinden ayrı ama birbiriyle ilişkili kavramlardan bahsederken, onları bir başka Penn öğretim üyesi olan, sistem düşüncesinin öncülerinden Prof. Russell Ackoff’un 1988’de ortaya attığı bir model üzeriden açıkladığını anımsıyorum:

Ackoff, “Veriden Bilgeliğe” adlı makalesinde, bir organizasyondaki öğrenmenin içeriklerinin, organizasyonun büyüklüğünden bağımsız olarak şu şekilde ifade edilebileceğini ileri sürmüş:

Veri: semboller

Enformasyon: yararlı olacak şekilde işlenmiş veri, “kim”, “ne”, “nerede” ve “ne zaman” sorularına yanıt verir

Bilgi: veri ve enformasyonun uygulaması, “nasıl” sorusuna yanıt verir

Anlayış: “neden” sorusunu yanıtlar

Bilgelik: anlayışı değerlendirir

Yıllar sonra, 1997’de, Gene Bellinger Ackoff’un modeli üzerinde çalışarak kendi yorumunu getirmiş:

“Aslında ben bu kavramlar zincirinin Ackoff’un tasvir ettiği kadar karmaşık olmadığını düşünüyorum. Aşağıdaki diyagram veriden enformasyona, bilgiye ve sonunda bilgeliğe dönüşümü anlatıyor. Anlayış ise her dönüşümü bir önceki aşamadan bir sonraki aşamaya geçerken destekliyor.  Anlayış kendi başına ayrı bir aşama değildir.”

İşte bu sıralamayı açıklayabilecek bir örnek:

Veri: Bugün saat 14:30 ile 15:18 arasında yağmur yağdı.  Gökyüzünde bir gökkuşağı 15:15 ile 15:30 arasında gözlemlendi.  Bulutlar geçmiş olduğu için 15:18’den sonra hava güneşliydi.

Enformasyon: Yağmur ve gökkuşağı arasında bir bağlantı var.  Bir gökkuşağının yağmurdan sonra görülmesi daha önce birçok kereler deneyimlendi.  Yağmur yağdıktan sonra gökkuşağı olmadığı zamanlar oldu, ama bir gökkuşağıdan önce HER ZAMAN yağmur yağdı. Güneş de bu durumlarda HER ZAMAN açmıştı.  Eğer hava bulutluysa gökkuşağı görülmedi. Bir gökkuşağı yalnızca yağmurdan sonra ve eğer hava güneşliyse görülür.

Bilgi: Gökkuşağı farklı renklerdeki ışıklardan oluşur.  Bu durumlarda tek ışık kaynağı güneşti. Güneş ışınları bir şekilde farklı renklere dönüşüyor olmalı.  Yağmur yağmamışsa veya şiddetli yağmur sürüyorsa gökkuşağı oluşmuyor.  Demek ki havada gökkuşağı oluşturmak için belirli bir yağmur damlası yoğunluğu olmalı.  Havadaki yağmur damlaları bir şekilde güneş ışığını farklı renklere dönüştürüyor olmalılar.

Bilgelik: Gökkuşaklarını yağmur damlalarının geometrisi nedeniyle görürüz.  Güneş bizim arkamızdan yağmura doğru ışıldadığı zaman, güneş ışınları yağmur damlalarına girer ve içeri doğru kırılırlar.  Yağmur damlasının arka iç yüzeyinden yansıdıktan sonra çıkarken tekrar kırılırlar ve gözümüze ulaşırlar.  Kırılma, güneş ışınının bileşenleri olan yedi renge ayrılmasını sağlar.  Gökkuşağı siz hareket ederken değişir ve başkalarının bakış açısından da farklı görünür.  Bunun nedeni, herhangi bir damladan geçen ışık dağıldığı için gözünüze sadece tek bir renk ışığın gelmesidir.  Gördüğünüz mor bant, damlaları 40,6° açıyla terkederken, kırmızı bant 42,4° ile terkeder.  Böylece sizin gözünüze göre kırmızı ışık gökyüzünde daha yukarıdadır. (Kaynak: WebExhibits)

Bütün bunları düşünmeme neden olan SME Digital’in başkanı Nichole Kelly’nin “Veri Abartması Sosyal Medya Yatırımlarınızın Getirisini Nasıl Yokediyor” (How Data Hype Is Destroying Your Social Media ROI) başlıklı yazısıydı.  Kelly, pazarlamacıları İnternette sıklıkla karşılaştığımız infografikler hakkında uyarıyor ve önlerine gelen enformasyonun doğruluğunu kontrol etmelerini öğütlüyor.

“Sosyal medya pazarlamasının ilk yıllarınca (aslında daha 6-8 yıl önce) birçok büyük medya mecraları blog yazarlarını, yazılarında kaynak göstermemekle ve sundukları enformasyonun doğruluğunu kontrol etmemekle suçladılar.  Sosyal medya camiası da buna karşı geldi ve okuyucuların kötü enformasyonu kontrol edeceklerini, karşılaştıklarına uyaracaklarını, yorumlarında şikayet edeceklerini veya başkalarıyla paylaşmayarak cezalandıracaklarını ileri sürdü. Özetle, okuyucular kötü enformasyonu kendileri süzecekti.

Bir noktada işi yüzümüze gözümüze bulaştırdığımız anlaşılıyor.  Bize bombardıman edilen tüm bu verileri gerçekten eleştirel bir gözle incelemiyoruz.  Yalnızca “güvenilir bir kaynaktan”, yani zaman içerisinde güvenlerini kazanmış bir kişi ya da firmadan geldiğine inandıkları için çoğu insanın verileri oldukları gibi kabul ettiklerini görüyorum.  Bu tür verileri hemen kabullenip desteklemeye başlamadan önce daha eleştirel bir gözle yaklaşmalıyız.  Daha da önemlisi, bu verileri pazarlama taktiklerimizi değiştirmek için kullanırken daha meraklı davranmalı, daha çok araştırmalıyız.”

Kelly özellikle sosyal medya yatırımlarının geri dönüşü hakkında konuşuyor ama değindiği noktalar genel olarak da geçerli.  İnternetteki aşırı sayı ve çeşitlilikteki veri ve enformasyonun bazıları gayet doğru ve güvenilir.  Diğerleri ise pek o kadar sağlam değil.

İnternetten önce, bir konu hakkında veri ve enformasyon toplamamız gerektiği zaman, kitaplar, dergiler ve basılmış raporlar gibi “geleneksel” kaynaklara başvurmamız gerekirdi.  1992’de bir işletme ödevi hazırlamak için Wharton’un Lippincott Kütüphanesi‘nde onlarca saat geçirdiğimi anımsıyorum.  O zamanlar bugün alıştığımız şekliyle İnternet yoktu, ve onca zamanı eski iş dergilerinin basılı kopyalarını alıp gözle tarayarak, Lexis/Nexis’te arama yapmak için sıra bekleyerek ve kütüphane dışına çıkarılması yasak olan endüstri raporlarını okuyarak geçirmiştim.  Öte yandan ise edindiğim veri ve enformasyonun doğru ve kaliteli olduğu konusunda hiçbir şüphem yoktu.  Bütün bunlar işini iyi bilen profesyoneller tarafından yayınlanıyordu, ve büyük olasılıkla en az iki üç kere editörler tarafından kontrol ediliyorlardı.

Günümüzde ise durum biraz değişik.  İnternetteki bir içeriği topluma sunmadan önce kimsenin değerlendirmesi veya onay vermesi  gerekmiyor.  Bir bilgisayarı ve İnternet bağlantısı olan herhangi bir kimse istediği şeyi İnternete koyabilir.  Bu durumun İnternet kullanıcıları nezdinde bir şüphecilik yaratması beklenirdi, ama öyle birşey yok, herkes hiç düşünmeden bunlara güveniyor, kullanıyor ve paylaşıyor.

Verileri doğruluklarını ve kaynaklarını kontrol etmeden kabullenmek yeterince kötü değilmiş gibi, insanlar bir de düşünme süreçlerini de başkalarına yaptırıyorlar.  Enformasyona ulaşırken “veriler arasındaki ilişkileri anlamak” için verileri analiz etmek gibi birşey kimsenin umurunda değil.  İnsanlar başkalarının analizlerini olduğu gibi, kalite ve doğruluğunu umursamadan, olduğu gibi kabulleniyorlar.  Distimo’nun “En Popüler Sosyal Paylaşım Uygulamaları” Raporu Veya Veri Nasıl SUNULMAZ başlıklı yazıda buna değinmeye çalıştım, ama bu sadece tek bir örnek.  Yaygaracılık yapmak istemiyorum, ancak anlaşılan etrafta yoğun bir “düşünce tembelliği” salgını var!

Meğer Southern California College’dan Robert Harris bu sorunu ta 1997’de görmüş.  “İnternet Araştırma Kaynaklarını Değerlendirmek” (Evaluating Internet Research Sources) başlıklı çalışmasında Enformasyon Kalitesi için CARS listesini ortaya koymuş:

“Kaynak değerlendirmesi – enformasyon kalitesini belirlemek- biraz sanat gibidir.  Yani, tek mükemmel bir güvenilirlik, doğruluk ve değer kıstası yoktur.  Onun yerine, ipuçları ve belirtileri toplayarak, kaynağınızı ne amaçla kullanmayı planladığınıza göre bir yargıda bulunmak zorundasınız.  Örneğin, eğer aradığınız mantıklı bir argüman ise, o zaman net ve iyi düşünülmüş bir duruş sergileyen bir kaynak sizin işinizi görür, onu destekleyecek prestijli bir yazara gerek yoktur.  Öte yandan bir savı destekleyecek veya çürütecek bir yargıya ihtiyacınız varsa, o zaman saygıdeğer bir kaynaktan gelen bir yargı daha etkili olacaktır.  Eğer güvenilir verilere ihtiyacınız varsa, bu sefer bazı kalite kıstaslarına uyan bir kaynak, elde ettiğiniz verilerin doğru olduğu konusunda içinizi rahat ettirecektir.”

CARS modeli Güvenilirlik (Credibility), Doğruluk (Accuracy), Mantıklılık (Reasonableness) ve Destek (Support) konusundaki niteliksel kontrol listelerinden oluşur.  Orijinal olarak İnternet kaynaklarına odaklansa da, basılmış kaynaklara da uyarlanabileceğini, kritik düşünmeye iyi bir örnek oluşturduğunu, veri ve enformasyonun yaratılması, sunumu ve uygulanması konularında anlayış kazandırdığını düşünüyorum.  İnterneti veri ve enformasyon kaynağı olarak kullanan herkesin tamamını okuması gerektiğini düşündüğüm bir yazıdır.  Özeti burada:

Güvenilirlik: sağlam kaynak, yazar hakkında bilgiler, kalite kontrol yapıldığına dair bulgular, bilinen veya saygıdeğer otorite, kurumsal destek

Amaç: konusunda otorite olan bir kaynak, kendisine güvenmemizi sağlayacak şekilde iyi kanıtlar sunan bir kaynak

Doğruluk: güncel, veriye dayanan, detaylı, kesin, kapsamlı ve amaçlı bir duruş olayı her açıdan ele alma ve doğruluğundan emin olma niyetine işarettir

Amaç: güncel olarak doğru olan ve bütün gerçeği veren bir kaynak

Mantıklılık: adil, dengeli, tarafsız, mantıklı, çıkar çatışması olmayan, mantık hataları veya bir yöne kayıyormuş duygusu vermemek

Amaç: konuyu düşünceli ve mantıklı bir şekilde ele alan, gerçeğe ulaşmaya çalışan bir kaynak

Destek: kaynaklarını listelemek, bağlantı bilgilerini bulundurmak, işbirliğine açık olmak, savlarını destekleyen araştırma belgelerini sunmak

Amaç: iler sürdüğü savlar için ikna edici kanıtlar sunan, en azından başka iki farklı kaynak ile karşılaştırıp onaylatabileceğimiz bir kaynak

Sizi geçen hafta Facebook’ta karşılaştığım birşeyle bırakacağım.  Komik olsa da, aynı zamanda çok sağlam bir öneri, özellikle de iyi verilere ulaşmak, iyi analizler yapmak ve iş dünyasında olsun, genel olarak yaşamımızda olsun, iyi karar vermemizi sağlayacak bir bilgeliğe ulaşmak isteyenlerimiz için. Unutmayın: İnternetteki herkes bir dahi veya Doğrucu Davut değil!

From Data To Wisdom On The Internet

The DIKW Hierarchy is a model that explains the relationships and the distinctions between Data, Information, Knowledge and Wisdom.  Although these concepts are commonly used for one another in our daily life, in scientific and business thinking, they have very different meanings.

The first time I became aware of these distinctions was while taking the Systems Methodology course by Prof. Iraj Zandi at the University of Pennsylvania, a course that significantly altered the way I view the world.  I remember Prof. Zandi talking about these four different but interrelated concepts, explaining them in a model proposed in 1988 by another Penn professor, Prof. Russell Ackoff, one of the pioneers of systems thinking.

Ackoff, in his article titled From Data to Wisdom, proposed that the contents of learning in an organization, regardless of size, can be represented as follows:

Data: symbols

Information: data that are processed to be useful; provides answers to “who”, “what”, “where”, and “when” questions

Knowledge: application of data and information; answers “how” questions

Understanding: appreciation of “why”

Wisdom: evaluated understanding

Several years later, in 1997, Gene Bellinger elaborated on Ackoff’s model and came up with his version:

Personally I contend that the sequence is a bit less involved than described by Ackoff. The following diagram represents the transitions from data, to information, to knowledge, and finally to wisdom, and it is understanding that supports the transition from each stage to the next. Understanding is not a separate level of its own.

Here is an example of mine that may help explain the sequence:

Data: It rained today between 2:30 PM and 3:18 PM.  A rainbow was visible in the sky from 3:18 PM to 3:30 PM. The sun was also shining after 3:18 PM, once the rain clouds had passed.

Information: There is a connection between the rain and the rainbow.  Other combinations of a rainbow appearing after a rain shower have been observed many times previously.  There were times when it rained with no rainbow following, but a rainbow was ALWAYS preceded by a rain shower. And the sun was ALWAYS shining in all of these circumstances. Whenever the clouds had not parted, a rainbow was not visible.  A rainbow can only be seen after it rains and if the sun is shining.

Knowledge: The rainbow consists of different colored lights.  The only light source when it happens is the sun.  Somehow the light of the sun must be transformed into different colors.  When there is no rain there is no rainbow and when there is heavy rain there is also no rainbow.  There must be a specific concentration of raindrops in the air to form the rainbow.  The raindrops in the air must somehow be transforming the sunlight into different colors.

Wisdom: We see rainbows because of the geometry of raindrops. When the sun shines from behind us into the rain, incident rays of light enter the drop and are refracted inwards. They are reflected from the back surface of the raindrop, and refracted again as they exit the raindrop and return to our eyes. Refraction is responsible for splitting the sunlight into its component colors.  The rainbow will alter as you move and will differ from others’ perceptions. Because the light from any single drop is dispersed, only one ray of a particular color reaches your eye. The violet band that you see leaves the corresponding raindrops at about a 40.6° angle, and the red band that you see leaves its corresponding raindrops at 42.4°, so the red light is from raindrops higher in the sky relative to your eye. (Explanation by WebExhibits)

What made me think of all this was an article by Nichole Kelly, President of SME Digital, titled How Data Hype Is Destroying Your Social Media ROI.  Kelly warns marketers about various infographics to be found all over the Internet, and urges them to double check the accuracy of the information represented within.

“In the early years of social media marketing (just 6-8 years ago, really) several major media outlets chastised bloggers claiming they didn’t cite sources and do enough research to make sure the information was accurate. The social media crowd stood up and said that our audiences would control bad information by calling it out, complaining in comments, or simply not sharing the information with others. In essence, our audience would be the filter for bad information.

Well somewhere along the way we have fallen down on the job. We aren’t being critical enough about all this data that is getting thrown at us. I see too many just believing the data because it came from a “reputable source,” — a company or an individual we have come to trust. We need to use a more critical eye before we jump on the band wagon of support. More importantly, we must be more curious when using this information to justify adjusting our marketing tactics.”

Kelly is talking about social media ROI in particular, but her points are valid in general.  There is an wide range of data and information available on the Internet, some quite accurate and reliable, while others … not so much.

Before the Internet, when we needed to get data and information on a subject, we used “traditional” information sources such as books, magazines, and published reports.  I remember spending tens of hours at Wharton‘s Lippincott Library in 1992, conducting research for a management paper.  The Internet as we know it now did not exist back then, and I had to spend all that time hunting down relevant articles by checking out paper copies of old business magazines, waiting in line to run Lexis/Nexis queries and sitting at the library, reading industry reports which could not be checked out.  The upside was that I was very comfortable with the quality of all the data and information I was getting.  They were being published by professionals and were most likely double and triple checked by editors.

Nowadays, things are a lot different. No one has to evaluate or approve Internet content before it is made available to the public. Anybody with a computer and an Internet connection can put anything they want onto the Internet.  One would think that this ability would create a sense of skepticism in Internet users, but no, most people are eating it up!

Accepting data without checking its authenticity and sources is bad enough, but it gets even worse:  People are outsourcing their thinking, not even bothering to analyze the data to “understand the relations”, as Bellinger suggested, to get to information.  People accept other people’s analysis at face value, with absolutely no regard to quality or accuracy.  I tried to touch upon this in Distimo’s “Most Popular Social Networking Apps” Study and How NOT to Display Data, which is but one example.  Not to sound too alarmist, but it looks like there is a mass epidemic of “cerebral laziness” out there!

It turns out that Robert Harris of Southern California College, saw this problem way back in 1997.  In his work Evaluating Internet Research Sources, he revealed his CARS Checklist for Information Quality:

“Source evaluation–the determination of information quality–is something of an art. That is, there is no single perfect indicator of reliability, truthfulness, or value. Instead, you must make an inference from a collection of clues or indicators, based on the use you plan to make of your source. If, for example, what you need is a reasoned argument, then a source with a clear, well-argued position can stand on its own, without the need for a prestigious author to support it. On the other hand, if you need a judgment to support (or rebut) some position, then that judgment will be strengthened if it comes from a respected source. If you want reliable facts, then using facts from a source that meets certain criteria of quality will help assure the probability that those facts are indeed reliable.”

The CARS framework consists of qualitative checklists on Credibility, Accuracy, Reasonableness and Support. While originally focused on internet sources, I think that it applies just as well to print resources, sets an example of critical thinking and provides insight into creation, presentation and application of data and information.  It is a recommended reading of mine for anyone who uses the Internet as a source of data and information.  Here is a summary:

Credibility:  trustworthy source, author’s credentials, evidence of quality control, known or respected authority, organizational support.

Goal: an authoritative source, a source that supplies some good evidence that allows you to trust it.

Accuracy: up to date, factual, detailed, exact, comprehensive, audience and purpose reflect intentions of completeness and accuracy.

Goal: a source that is correct today (not yesterday), a source that gives the whole truth.

Reasonableness: fair, balanced, objective, reasoned, no conflict of interest, absence of fallacies or slanted tone.

Goal: a source that engages the subject thoughtfully and reasonably, concerned with the truth.

Support: listed sources, contact information, available corroboration, claims supported, documentation supplied.

Goal: a source that provides convincing evidence for the claims made, a source you can triangulate (find at least two other sources that support it).

I will leave you with something I saw on Facebook this week.  While amusing, it is also very sound advice, one that should especially be taken to heart by those of us who always want to get good data and run a good analysis and hopefully reach a level of wisdom that will help us make good decisions, be it in a business setting, or life in general.  Remember: Not everyone out there is an Honest Abe!