Bra forskare kan inte bara avslöja mönster i de saker de studerar, men att använda denna information för att förutsäga framtiden.

Meteorologer studerar atmosfärstryck och vindhastighet för att förutsäga banor för framtida stormar. En biolog kan förutsäga tillväxten av en tumör baserat på dess nuvarande storlek och utveckling. En finansanalytiker kan försöka förutsäga upp- och nedgångar i en aktie baserat på saker som börsvärde eller kassaflöde.

Kanske ännu mer intressant än ovanstående fenomen är att förutsäga människors beteende. Försök att förutsäga hur människor kommer att bete sig har funnits sedan mänsklighetens ursprung. Tidiga människor var tvungna att lita på sina instinkter. I dag, marknadsförare, politiker, rättegångsadvokater och fler försörjer sig på att förutsäga mänskligt beteende. Förutsäger mänskligt beteende, i alla dess former, är ett stort företag.

Så, hur gör matematiken för att förutsäga vårt eget beteende i allmänhet? Trots framsteg inom aktiemarknadsanalys, ekonomi, politisk omröstning och kognitiv neurovetenskap - som alla i slutändan strävar efter att förutsäga mänskligt beteende - vetenskapen kommer kanske aldrig att kunna göra det med full säkerhet.

Större och bättre data

När du gör förutsägelser, forskare har historiskt sett begränsats av brist på fullständig data, förlitar sig istället på små prover för att utläsa egenskaper hos en bredare befolkning.

Men under de senaste åren har beräkningskraft och metoder för insamling av data har utvecklats till att skapa ett nytt fält:big data. Tack vare den enorma tillgängligheten av insamlad data, forskare kan undersöka empiriska samband mellan en mängd olika variabler för att dechiffrera signalen från bruset.

Till exempel, Amazon använder prediktiv analys för att gissa vilka böcker vi kan tycka om baserat på vår tidigare surf- eller köphistorik. Liknande, automatiserade onlineannonseringskampanjer berättar vilka fordon vi kan vara intresserade av baserat på fordon som sökts dagen innan.

Marknadsförare använder födelseböcker för att bestämma när de ska översvämmas med annonser för babyprodukter. De gissar till och med när du behöver dessa saker baserat på ditt barns utvecklingsstadium.

Det är inte raketvetenskap, verkligen. Det är helt enkelt att ha information (data) som visar mönster, och utnyttja dessa mönster i förutsägbarhetens namn (och ofta, vinst). Fast igen, det är svårt för utomstående att mäta dessa algoritmers noggrannhet, det finns lite arbete som avslöjar vad som får dessa algoritmer att kryssa.

Matematiska modeller

Många förutsägelsesverktyg förlitar sig på maskininlärning, bland dem ingår matematiska algoritmer som är baserade på de biologiska principerna för hjärnans funktion och använder massiva mängder data för att lära sig mönster.

Maskininlärningsalgoritmer kan exakt förutsäga resultatet av Högsta domstolen, använder sådana förutsägare som varje rättvisas identitet, månad av argumentet, framställaren och andra faktorer. Även om algoritmens utmatning bara är ungefär 70 procent, det har faktiskt visat sig överträffa mänskliga juridiska experter.

Andra algoritmer för maskininlärning har visat sig förutsäga självmordsförsök med en noggrannhet på 80 till 92 procent, utan tvekan mer exakt än till och med de bästa mänskliga bedömningarna.

Matematik kanske till och med kan berätta om terroristbeteende som leder till en attack. I en studie, forskare tittade på uppgifter om terroraktivitet i Irland, specifikt explosioner av förbättrade explosiva anordningar. Efter en incident, sannolikheten för en annan incident var högre än inte. Med andra ord, händelserna var inte oberoende. Sådan kunskap kan vara användbar för ett samhälle, kanske väljer att omedelbart mobilisera ansträngningar efter en enda attack i väntan på en annan.

Är perfekt förutsägelse möjlig?

Stora data har gjort förutsägelsemetoder allt mer exakta. Men kan mänskligt beteende någonsin förutspås perfekt?

Den mest grundläggande ekvationen är den för Y =f (X), som läser, "Y är en funktion av X." Mata in ett värde för X, och forskaren kommer att berätta det troliga värdet för Y. Ju mer komplex modellen, desto mer behov av fler ingångar, och så blir den enkla ekvationen mycket mer komplicerad.

Självklart, det fungerar inte alltid. Orkaner tar banor som inte förutses av vädermodeller. Tumörer växer långsammare eller snabbare än förutspått. Forskare, precis som alla andra, sällan om någonsin förutsäga perfekt. Oavsett vilken data och matematisk modell du har, framtiden är fortfarande osäker.

Så, forskare måste tillåta fel i vår grundläggande ekvation. Det är, Y =f (X) + E, där "E" omfattar vår oförmåga att förutse perfekt. Det är den del av ekvationen som håller oss ödmjuka.

När tekniken utvecklas, forskare kan tycka att vi kan förutsäga mänskligt beteende ganska bra på ett område, medan den fortfarande saknas i en annan. Det är väldigt svårt att ge en övergripande känsla av begränsningarna. Till exempel, ansiktsigenkänning kan vara lättare att efterlikna eftersom syn är ett av många mänskliga sensoriska bearbetningssystem, eller för att det bara finns så många sätt ansikten kan skilja sig åt. Å andra sidan, förutsäga röstbeteende, särskilt baserat på presidentvalet 2016, är en helt annan historia. Det finns många komplexa och ännu inte förstådda anledningar till att människor gör vad de gör.

Ytterligare andra hävdar att teoretiskt åtminstone, den perfekta förutsägelsen kommer någon gång att vara möjlig. Tills dess, med lycka till, matematik och statistik kan hjälpa oss att alltmer redogöra för vad människor, i genomsnitt, kommer att göra nästa.

Denna artikel publicerades ursprungligen på The Conversation. Läs originalartikeln.