Cítíš to taky? Ten moment, když se v televizi objeví graf, čísla skáčou sem a tam a kolem nich se vykřikují jistoty. A přitom v hloubi věci si říkáš: něco tu nesedí. Ten pocit zmatku, zklamání nebo i hněvu — to je začátek. Protože modely slibují pořádek v chaosu, ale často ukážou spíš naše nevědomí a chyby, které jsme do nich nalili.
Vzpomínám si na jaro 2020. Lidé pochodovali do obchodů, někdo prázdné regály fotil, politici mluvili dramatickým hlasem a modely se staly zákonem. Pak přišly opravy, zahalené omluvy, obhajoby metodiky. Nebyl to jen technický fail. Byl to zlom v důvěře. A to by nás mělo zajímat víc než nějaký abstraktní spor o čísla.
Proč modely chybují
Modely nejsou magická koule. Jsou to soubory předpokladů, matematických vzorců a dat, které někdo poskládal dohromady. Pokud do nich nasypeš špatné ingredience, vyjde ti špatný výsledek. Takhle to myslím: problém začíná v detailech, které většina lidí nevidí — definice případu, kvalita testování, zpoždění v reportingu, chování lidí, které se změní ve vteřině.
Představ si, že pracuješ s tlakem vzduchu a teplotou, ale někdo ti říká jen průměr za měsíc a navíc se změnila metoda měření. Model se přizpůsobí průměru, ne realitě. Stejné je to s epidemií: změní se testovací strategie, změní se definice „úmrtí na nemoc“, přijdou lokální ohniska. A model, který nepočítal s touto proměnlivostí, lže tím, že vypadá definitivně.
Mýty, které modely přinášely, byly často výsledkem zaměňování scénáře za předpověď. Scénář ukazuje „co se stane, když“ — to je užitečné. Jenže mnozí vydávali scénář za jistotu. Lidé hledají jasné odpovědi; politici chtějí jednoduché číslo, novináři chtějí catchy hlášky. A tak dostaneme graf jako fakt a ne jako jednu z variant.
Další věc: modely často spoléhají na parametry, které prostě neznáme. R0, délka infekční periody, podíl asymptomatických případů — všechno to jsou odhady. Když ti někdo řekne, že R0 je 2,4, může to být 1,4 nebo 3,5. A ten rozdíl znamená jiný svět. Proto je citlivostní analýza nenahraditelná: ukáže, jak moc se výstup mění, když pohneme s předpoklady. A přesto se často v komunikaci ukáže jen jedna křivka.
Zdroje dat? Chaotické. Nemají jednotný standard, různé země hlásí jinak, testování se liší region od regionu. Vzniká bias: čím víc testuješ, tím víc případů najdeš. Když to nevíš, model začne zvyšovat previzi virulence. A pokud do toho přimícháš odhad hospitalizací na základě dat z úplně jiné populace, výsledek se zhroutí.
Někdy problém není jen technický. Jde o motivace. Instituce, které modely publikují, cítí tlak — politický, mediální, finanční. Představ si vědce, kterému madam z ministerstva řekne: „potřebujeme důvod zavřít školy“. V tom momentě je riziko nestrannosti. Neříkám, že to byla běžná praxe, ale není to nereálné. Transparentnost a otevřený kód zmírní podezření, když se priority někam nakloní.
A communication fail — že jo. Lidé nerozumějí pravděpodobnostem a scénářům. Vidí čáru se špičkou a přepínají do paniky nebo popírání. Když vědec řekne „toto je možné“, média to převrátí na „toto se stane“. Tak se z odborné interpretace stane politický nástroj.
Pár konkrétních příkladů
Nechci být jen kritický; chci ukázat, kde se chyby projevily na reálném světě. Jeden z nejsledovanějších případů je studie z Imperial College, která v březnu 2020 ovlivnila politiku ve Velké Británii a jinde. Ten dokument ukazoval scénáře s obrovskými počty úmrtí, pokud by se neudělalo nic. To přimělo vlády jednat razantně. Zároveň se ukázalo, že některé vstupy a předpoklady měly vysokou nejistotu. Ten dokument najdeš tady: Imperial College model COVID-19 16. března 2020. To je autoritativní zdroj a stojí za to ho číst s tužkou v ruce.
Jiný příklad: Institut pro metriky a hodnocení zdraví (IHME) v USA zveřejnil prognózy, které se několikrát významně změnily. Některé regiony byly zpočátku přeceňovány, jiné naopak podceňovány. Problém nebyl v matematice sám o sobě, ale ve způsobu, jak byla komunikována přesná čísla bez dostatečné prezentace nejistot a předpokladů.
V Česku se objevily modely od akademiků i od oficiálních orgánů. Některé předpovědi poměřily kapacity nemocnic, jiné se snažily odhadnout délku epidemie. Tam, kde chyběla transparentnost nebo veřejný přístup ke kódu a datům, vznikala nedůvěra. Lidé říkali: „Skrytá čísla, zákulisní rozhodnutí.“ A nejistota se proměnila v odpor.
Jeden těžko přehlédnutelný problém: změny v chování lidí. Modely často předpokládají, že chování se změní jen podle jejich scénáře. Ale v realitě lidé reagují na zprávy, sousedy, na ekonomické nutnosti. Když dojde k dlouhému uzavření, lidé se postupně přizpůsobí, najdou triky, setkávají se tajně, nebo naopak striktně dodržují pravidla. To chování je dynamické a samo zpětně ovlivňuje epidemii. Model, který nepočítá s adaptací, selhává.
Co dělat, aby modely směřovaly blíž k realitě
Nejdřív: víc otevřenosti. Kód, data a jednoduché vysvětlení předpokladů. Když to vidíš, můžeš lepší pochopit, kde to může zlobit. A hlavně: můžeš ověřit. Transparentnost není malá věc; je to podmínka důvěry.
Dál: buduj scénáře, ne jednu pravdu. Ukaž range, ukaž to, co se stane, když lidé nebudou spolupracovat, a ukaž to, když budou spolupracovat víc. Dovol, aby rozhodovatelé viděli „nejlepší“, „nejhorší“ a „pravděpodobné“ varianty. A napiš vedle každé varianty, co musí nastat, aby se stala.
Zavést nezávislé audity. Nech odborníky z jiných oborů pročíst model a kód. Nejde o špionáž, jde o kontrolu chyb. Kód může mít drobné chyby, které zásadně změní výsledek. Kdyby to byly letadla, kontrolují se motory dvakrát. Tady to má být stejné.
Jednoduché modely jsou často lepší. Ne, neříkám, že vždy. Ale jednoduchý model s jasnou logikou a viditelnými omezeními ti často dává praktičtější odpověď než černá skříň s tisíci parametrů. Někdy stačí pár ukazatelů a rozumný předpoklad o kontaktech mezi lidmi.
Mějeme data důkladně a lokálně. Národní průměry zamlžují realitu regionů. Lokální informace o kapacitách, věku populace, způsobu bydlení a sociálních zvyklů dělají model relevantním. A pokud to neumíš získat, přiznej, že model pro danou oblast má vysokou nejistotu.
Komunikuj nejistotu pořád a jasně. Ukaž pásy a vysvětli je jako příběh: „pokud se testování nezmění, pokud víkendové chování bude stejné, pak…“. Lidé pak chápou, že nejde o věštecké kouzlo, ale o scénáře.
Poslední, a tohle je důležité: odděl vědu od politiky. Vědci mají predikovat a popisovat, politici mají rozhodovat podle hodnot a kompromisů. Když věda přebírá roli ultimativního rozhodčího, vznikají problémy. Neptej se vědce jen na to, co máš udělat; ptej se ho také na to, co model neumí.
Co můžeš dělat ty, jako občan nebo volič? Žádej transparentnost. Ptejte se na zdroje dat, na to, kdo model financoval, kdo ho revidoval. Nepřijímej jediný graf jako definitivní pravdu. A když slyšíš dramatické předpovědi, požaduj scénáře a vysvětlení předpokladů.
Co mají dělat novináři? Nezobrazovat jednu křivku bez kontextu. Vysvětlit rozdíl mezi scénářem a předpovědí. A pátrat, kdo stál za modelem, kde jsou data a kód. To přináší odpovědnost zpátky tam, kde patří.
A vědci? Publikujte kód, diskutujte o předpokladech, dělejte senzitivní testy a buďte otevření kritice. Ten zápas o důvěru se nevyhraje grafikou, vyhraje se poctivostí.
Teď něco konkrétního, co lze nasadit hned. Co kdyby každá velká prognóza měla samostatný „štítek nejistoty“? Krátký text, který řekne: data z X zemí, testování roste/ klesá, klíčové proměnné jsou A, B, C, a kdyby se změnily o 20 procent, výsledek by byl takový. To je jednoduché, ale změna v komunikaci by snížila paniku i falešné jistoty.
A co politiky přímo? Co kdyby zákon vyžadoval, aby rozhodnutí o restrikcích nad určité úrovně byly podloženy minimálně dvěma nezávislými modely, veřejně dostupnými? To by snížilo riziko jednou chybně nastavené cesty vést k dlouhodobým škodám.
Poslední praktická výz
