ကိစ္စကြီးကြီးမားမားတစ်ခုကို ပြီးမြောက်အောင် အချိန်တွေ၊ လုပ်အားတွေလိုပါတယ်။ ဒါပေမယ့် လူအင်အားတော့ များများစားစား သိပ်မလိုဘူး။ ဘာလို့လဲဆိုတော့ လူတွေဟာ အစုအဖွဲ့နဲ့ဖြစ်သွားရင် အချောင်ခိုတတ်တယ်လို့ ဆိုပါတယ်။

သာမန်အတွေးနဲ့ စဉ်းစားကြည့်ရင်တော့ အလုပ်များများကို မြန်မြန်ပြီးစေချင်ရင် လူများများသုံးရမယ်လို့ တွေးမိမှာပါ။ ဒါပေမယ့် လူတွေဟာ တစ်ယောက်တည်းအလုပ်လုပ်တာထက်စာရင် အဖွဲ့နဲ့အလုပ်လုပ်တဲ့အခါ ပိုပြီး အသားခိုတတ်တယ်လို့ လေ့လာမှုတွေအရတွေ့ရပါတယ်။

ဒါကို စမ်းသပ်ထားတာရှိပါတယ်။ လူတွေကို မျက်စိကို Blindfold လုပ်ပြီး လွန်ဆွဲခိုင်းတာပါ။ သူတို့စိတ်ထဲမှာတော့ တဖက်က အဖွဲ့နဲ့ပြိုင်ဆွဲနေရတယ်ထင်အောင် ကြိုးကို စက်တစ်ခုမှာ ချိတ်ထားလိုက်ပါတယ်။ ကိုယ်တစ်ယောက်ထဲဆွဲရတဲ့အခါ ရှိသလို လူအများနဲ့ဆွဲရတဲ့အခါလည်း ရှိပါတယ်။ ထူးခြားတာက အများနဲ့ဆွဲရတဲ့အခါ အားကို ၁၈% လျော့ပြီးဆွဲတယ်ဆိုတာပါ။ (Gym မှာ Grip Strength ကိုတိုင်းတဲ့စက်နဲ့ တိုင်းသလား မပြောတတ်ပါဘူး)

ဒီလိုအချောင်ခိုတာကို Ringelmann Effect လို့ခေါ်ပါတယ်။ သူက လူတွေတစ်ယောက်ချင်းစီလုပ်တဲ့အလုပ်တွေ ပေါင်းလိုက်ရင် တစ်ဖွဲ့လုံးပေါင်းပြီးလုပ်တဲ့ အလုပ်ထက်များနေတာကို သွားတွေ့ရတယ်လို့ ဆိုတယ်။ ပြောချင်တာက အဖွဲ့လိုက်ဆို အားထုတ်တာ လျော့သွားတယ်ဆိုတာပါ။

ဖျော်ဖြေပွဲတွေမှာ အဆိုတော်က ပရိသတ်တွေကို ကျယ်ကျယ်အော်ကြပါလို့ ပြောရင် ဘယ်တော့မှ ပထမအခေါက်နဲ့ အသံကျယ်ကျယ်မထွက်ဘူး။ “မကြားရဘူး… ထပ်အော်ဦး…” လို့ ပြောမှ ပထမအခါထက် ကျယ်တဲ့အသံကြီးထွက်လာတယ်။ ဒါဆို ပထမတစ်ခေါက်ကတည်းက ဘာလို့ ကျယ်ကျယ်မအော်ကြတာလဲ? အချောင်ခိုတာလား?

ဒါကိုလည်း စမ်းသပ်ထားတာရှိပါသေးတယ်။ (အကုန်လျောက်စမ်းချင်တဲ့ ပညာရှင်တွေပါ…)
လူတွေကိုအခန်းတစ်ခန်းထဲခေါ်ပြီး တစ်ယောက်ချင်းစီ အသံကုန်အော်ခိုင်းပါတယ်။ နောက်ပြီးတော့ အုပ်စုလိုက် ခပ်ကျယ်ကျယ်အော်ခိုင်းပါတယ်။ အဖြေကတော့ အဖွဲ့နဲ့ဆိုရင် တစ်ယောက်ချင်းအော်တာထက် အသံပိုတိုးတယ်ဆိုတာပါ။ တွေးကြည့်တာနဲ့တင် တော်တော်နားငြီးပါတယ်။

ထုံးစံအတိုင်း ထပ်ပြီးကွန့်ပါသေးတယ်။ အဖွဲ့ထဲကို လူတွေပိုထည့်လေလေ တစ်ယောက်ချင်းအော်တာ တိုးလေလေပါပဲ။ လူတွေက ဒါကို မသိကြပါဘူး။ သူတို့ကိုမေးကြည့်ရင်လည်း “အော်နေတာပဲလေ…” လို့ ပြောကြပါတယ်။

ဒါပေမယ့် ဒါဟာ ရိုးရှင်းတဲ့ကိစ္စတွေမှာပဲ တွေ့ရတာပါ။ ကုန်းအော်တာမျိုး၊ လွန်ဆွဲတာမျိုးတွေလိုပေါ့။ ရှုတ်ထွေးတဲ့ ကိစ္စတွေဆိုရင်တော့ ဒီလိုရေသာမခိုတတ်ဘူးလို့ ဆိုပါတယ်။ ဘာလို့လဲဆိုတော့ ကိုယ်မလုပ်ရင် အထင်းသားပေါ်နိုင်တာမို့ပါ။

အများနဲ့ရောလိုက်ရင် အားလျော့သွားတာဟာ အုတ်ရောရော ကျောက်ရောရော ဖြစ်သွားမှာမို့ အားမထုတ်ကြတာလို့ လေ့လာမှုတွေအရဆိုပါတယ်။ တစ်ယောက်တည်း လုပ်တဲ့အခါ အောင်မြင်မှု၊ ကျရှုံးမှုတွေ အကုန်လုံးဟာ ကိုယ့်နာမည်နဲ့ ပေါ်မှာဖြစ်တဲ့အတွက် အချောင်မခိုဘဲ ကြိုးစားတာဖြစ်တယ်။

ဒါကို Evaluation Apprehension လို့ခေါ်ပါတယ်။ ပြောချင်တာက လူတွေဟာ တစ်ယောက်တည်းလုပ်ရတာကို ပိုဂရုစိုက်တတ်ကြတာပါ။ ကိုယ့်ရဲ့စိုးရိမ်စိတ်တွေဟာ အများနဲ့ အရောခံလိုက်ရတဲ့အခါ လျော့ကျသွားပါတယ်။
ငယ်ငယ်က စာဆိုတဲ့အခါ အများကြီးဝိုင်းအော်ရမယ်ဆိုရင် စိတ်သက်သာရာရသလိုပါပဲ။ တစ်ယောက်တည်း ဆိုရမယ်၊ လူအများကြီးရှေ့ဆိုရမယ် ဆိုတာသိရင်တော့ သေချာပြင်ဆင် ကျက်မှတ်ပြီး အရှက်မကွဲအောင် ကြိုပြင်ဆင်ကြသလိုပေါ့။

ကျောင်းမှာ Presentation တွေလုပ်ရတဲ့အခါ လူ ၁၀ ယောက်တစ်ဖွဲ့လုပ်တာမျိုးထက် ၂ယောက် ၁ဖွဲ့လုပ်တာမျိုးကို ကျွန်တော့အနေနဲ့ ပိုသဘောကျမိတယ်။ လူများတိုင်းပွဲမစည်တာကို သိနေတာလည်း ပါပါတယ်။ လူများတဲ့အခါ ဟိုလူလုပ်နိုးနိုး၊ ဒီလူလုပ်နိုးနိုးနဲ့ ဖြစ်တတ်ပါတယ်။

ဒါကိုတော့ Accident တွေဖြစ်တဲ့အခါမှာ တွေ့ရတတ်ပါတယ်။ လူတစ်ယောက် သွေးအိုင်ထဲလဲနေရင် အားလုံးက ကြက်သေသေပြီး ဝိုင်းကြည့်နေတတ်သလို လူနာတင်ယာဉ်ခေါ်ဖို့လဲ သတိမရတတ်ကြပါဘူး။ ဒါကို Bystander Effect လို့ခေါ်ပါတယ်။

အဲ့တော့ လူတွေရဲ့ “တခြားသူလုပ်မှာပါ” ဆိုတဲ့အတွေးကို ဖျောက်ပေးဖို့ ဒဏ်ရာရတဲ့သူကပဲဖြစ်ဖြစ်၊ ဒီစိတ်ပညာသဘောကို နားလည်တဲ့လူကပဲဖြစ်ဖြစ် အကူအညီတောင်းရပါတယ်။ ဟိုကောင် Ambulance ကိုဖုန်းဆက်၊ ဟိုကောင်က သွေးမထွက်အောင် ဖိပေးထား၊ ဟိုကောင်က ဘာလုပ် စသဖြင့်ခိုင်းပေးမှ အကူအညီရတတ်ပါတယ်။ အဲ့လိုတစ်ယောက်က စပြီး ကူညီလိုက်ရင် နောက်လူတွေကလည်း ကူညီဖို့မခက်တော့ပါဘူး။

အပေါ်ကပြောခဲ့တဲ့ Presentation ကိစ္စကိုလည်း တစ်ယောက်က ကြီးကြပ်ပြီး တာဝန်ခွဲပေးတဲ့အခါမှာ ပြေလည်သွားနိုင်ပါတယ်။ အထူးသဖြင့် ကိုယ်ချာတူးလန်အောင်လုပ်ရင် ကိုယ်ပဲအရှက်ကွဲမယ်ဆိုတဲ့ အသိမျိုးဝင်သွားအောင် လုပ်နိုင်တဲ့အခါ သေချာကြိုးစားပြီးလုပ်ကြပါတယ်။ တချို့တွေကျတော့ ဒါတွေဂရုမစိုက်ပါဘူး။ သူတို့ရဲ့ “အရှက်ကွဲမယ်” ဆိုတဲ့စံဟာ ဒီကိစ္စအောင်မြင်ခြင်း၊ မအောင်မြင်ခြင်းနဲ့ တိုင်းတာတာ မဟုတ်လို့လည်း ဖြစ်နိုင်ပါတယ်။

အားကစားမှာလည်း ဒီသဘောကို သိတဲ့အတွက် ကစားသမားတွေကို Evaluate လုပ်တဲ့အခါမှာ တစ်ယောက်ချင်းခွဲထုတ်ပြီး လုပ်တတ်ကြတယ်။
လူတိုင်း အလုပ်တစ်ခုတည်းကို ထပ်ခါထပ်ခါ လုပ်ကြတဲ့စက်ရုံတွေထက် လူတစ်ယောက်ချင်းစီဟာ ပြည့်မီရမယ့် Quota တစ်ခု သီးသန့်ရှိတဲ့စက်ရုံတွေက အလုပ်ပိုပြီးမြောက်ပါတယ်။ ပြောချင်တာက “ငါကတော့ ဒီနေ့ဘယ်လောက်ပြီးသွားတယ်ဟေ့…” ဆိုတာမျိုး Single out လုပ်စေချင်တာပါ။

ဒီသဘောတရားကို ခုခေတ်မှာ ကုမ္ပဏီတော်တော်များများက သိနေကြပါပြီ။ ဒါကြောင့် ကုမ္ပဏီကြီးကြီးတွေဟာ သူတို့အလုပ်သမားတစ်ယောက်ဆီကို Evalutae လုပ်ဖို့ပြင်ဆင်ထားကြပါတယ်။ ကိုယ်အလုပ်လုပ်တာဟာ သူတို့သတ်မှတ်ထားတဲ့ သတ်မှတ်ချက်ကို ပြည့်မီလား၊ မမီလားဆိုတာ Feedback တွေအမြဲပေးနေတတ်ပါတယ်။ ရည်ရွယ်ချက်ကတော့ အချောင်မခိုအောင်ပါ။

ဒါကြောင့် ကိုယ့်အနေနဲ့ လုပ်ငန်းတစ်ခုကို ဦးစီးဖို့စဉ်းစားမိရင် ဒီအချက်ကို သတိရပေးပါ။ လူများတိုင်းပွဲမစည်ပါဘူး။
တစ်ယောက်ချင်းစီရဲ့ အရည်အသွေးတွေကို ပေါ်လာအောင် တာဝန်ခွဲဝေမှုလုပ်နိုင်ရင် ပိုပြီး အောင်မြင်နိုင်ပါတယ်။ အဓိကကတော့ သူတို့ကို အုတ်ရောရော ကျောက်ရောရောနဲ့ မလုပ်၊ မရှုပ်၊ မပြုတ် အတွေးအခေါ်မျိုး မဝင်သွားစေဖို့ပါ။

SAGAN

Next Post, Previous Post မနှိပ်ဘဲ OUO Link ကနေ ၁ပုဒ်ချင်းဝင်ဖတ်ပြီး ကူညီပါ။
အသိအမြင်၊ အတွေးအခေါ် အသစ်တစ်ခုခုရသွားလို့ လှူဒါန်းလိုပါက Science Nuts (Facebook Page) ကို ဆက်သွယ်လှူဒါန်းနိုင်ပါတယ်။
လှူသမျှငွေအကုန်လုံးကို လိုအပ်တဲ့နေရာတွေမှာ ပြန်လည်လှူဒါန်းပေးသွားမှာပါ။

ဦးနှောက်ကို မယုံဖို့အခါခါရေးခဲ့ဖူးပါတယ်။ အခုတစ်ခါတော့ မှတ်ဉာဏ်တွေကိုရော ယုံလို့ရလားဆိုတာ ရေးချင်ပါတယ်။

ခုချိန်မှာ ကိုယ့်ရဲ့ငယ်ဘဝကို စဉ်းစားလိုက်ရင် မှတ်မိတယ်လို့ ထင်စရာရှိပါတယ်။ အရာရာဟာ အစဉ်အတိုင်းပဲ ဖြစ်နေတယ်လို့ တွေးမိမှာပါ။ သူငယ်တန်းမှာ စပြီး ရင်ခုန်တတ်တယ်၊ ၁ တန်းတုန်းက ချော်လဲပြီး ခေါင်းပေါက်သွားတယ်၊ ၇ တန်းမှာ ဆရာမနဲ့ ပြဿနာအကြီးအကျယ်တက်ဖူးတယ် စသဖြင့်ပေါ့။ ဒါပေမယ့် ဒါတွေဟာ တကယ်မှန်ကန်လားဆိုတာ ပြောရခက်ပါတယ်။

ကိစ္စတစ်ခုကို ကိုယ်ထင်တဲ့ Version နဲ့ သူငယ်ချင်းတွေထင်တဲ့ Version ၂မျိုး သိသိသာသာ ကွဲလွဲနေတယ်လို့ ကျွန်တော်တို့ကို လာပြောကြတဲ့သူတွေ ရှိပါတယ်။ ကျွန်တော်တို့တွေရဲ့ မှတ်ဉာဏ်ကိုလာပြီး Challenge လုပ်မယ့်သူမရှိမရင် ဒါတွေကို မှန်တယ်လို့ပဲ တွေးမိနေမှာပါ။ တကယ်မှန်နေလား၊ မှားနေလားဆိုတာ သိနိုင်ဖို့တော့ ခက်ခဲပါတယ်။

ဒါပေမယ့် ကျွန်တော်တို့ စမ်းသပ်လို့ရတာက မှတ်ဉာဏ်ကို ယုံကြည်လို့ရလားဆိုတာပါ။ ဒီတော့ အောက်က စာကိုဖတ်ပြီး ကိုယ့်ဘာသာ စမ်းကြည့်ပေးပါ။ မျက်စိထဲပုံဖော်ကြည့်ပါ။

တံခါး၊ မှန်၊ တံခါးဘောင်၊ အဖီ၊ အမိုး၊ အိမ်၊ ပွင့်သည်၊ လိုက်ကာ၊ ဘောင်၊ မြင်ကွင်း၊ လေညှင်း၊ ခြင်လုံစကာ၊ ပတ္တာ၊ ကလန့်

တစ်ခါ ဖတ်ပြီးပြီဆိုရင် စာရွက်တစ်ရွက်နဲ့ မှတ်မိသလောက် အလွတ်ပြန်ရေးကြည့်ပါ။ ဒါမှမဟုတ် ထပ်မကြည့်ဘဲ အလွတ်ရွတ်ကြည့်ပါ။

ဘယ်နှလုံး မှတ်မိလဲ? ပြူတင်းပေါက်ဆိုတာကို ထည့်ပြောမိ၊ ရေးမိသေးလား? ရေးမိရင်တော့ ကိုယ့်မှတ်ဉာဏ်ဟာ သိပ်မယုံရဘူးလို့ ပြောလို့ရပါတယ်။

ထူးခြားတဲ့စမ်းသပ်မှုတစ်ခုအကြောင်း ပြောပြချင်ပါတယ်။ လူတွေကို မေးတဲ့စကားလုံး အသုံးအနှုန်းပေါ်မူတည်ပြီး အဖြေအမျိုးမျိုးပြန်ရတာကို စမ်းသပ်ထားတာပါ။ အစမ်းသပ်ခံတွေကို ကားတိုက်တဲ့ Video တွေပြပြီးတော့ အရှိန်ကိုခန့်မှန်းခိုင်းတာပါ။ မေးတဲ့ ကြိယာ (Verb) ပဲ မတူတာပါ။

ကားနှစ်စီး ဝင်ကြုံး (Smashed) တဲ့အချိန်မှာ အရှိန်ဘယ်လောက်နဲ့ ဖြစ်မယ်လို့ ခန့်မှန်းလဲ?
ကားနှစ်စီး ဝင်တိုက် (Collided) တဲ့အချိန်မှာ အရှိန်ဘယ်လောက်နဲ့ ဖြစ်မယ်လို့ ခန့်မှန်းလဲ?
ကားနှစ်စီး ဝင်တိုး (Bumped) တဲ့အချိန်မှာ အရှိန်ဘယ်လောက်နဲ့ ဖြစ်မယ်လို့ ခန့်မှန်းလဲ?
ကားနှစ်စီး တိုက် (Hit) တဲ့အချိန်မှာ အရှိန်ဘယ်လောက်နဲ့ဖြစ်မယ်လို့ ခန့်မှန်းလဲ?
ကားနှစ်စီး ထိသွား (Contact) တဲ့အချိန်မှာ အရှိန်ဘယ်လောက်နဲ့ဖြစ်မယ်လို့ ခန့်မှန်းလဲ?

ကိုယ့်အနေနဲ့ စဉ်းစားကြည့်ရင် ဝင်ကြုံးတယ်ဆိုတာ တော်တော်အားပါတယ်လို့ မြင်မိမှာဖြစ်ပြီး ထိသွားတယ်ဆိုတာ အားလျော့တယ်လို့ တွေးမိမှာပါ။
ဖြေတဲ့သူတွေကလည်း ဝင်ကြုံးတဲ့အခါ လို့မေးလိုက်ရင် အရှိန်ကို ပိုပိုသာသာပြောတတ်ပြီး ထိတွေ့တယ်လို့ မေးတဲ့အခါ အရှိန်ကိုအနှေးဆုံး ပြောတတ်ပါတယ်။ ဘယ်လောက်တောင်ကွာလဲဆိုရင် အဲ့လိုပြောင်းမေးလိုက်တာနဲ့ အဖြေ ၂ခုဟာ တစ်နာရီကို ၉မိုင်နှုန်းလောက် ကွာခြားသွားပါတယ်။

ဒါနဲ့ မှန်တွေကွဲတာရော ပါသေးလားလို့မေးတဲ့အခါ ဝင်ကြုံးတယ်လို့ အမေးခံရတဲ့လူတွေက “မှတ်မိတာပေါ့” လို့ အခြားလူတွေထက် ၂ဆလောက်ပိုပြောတတ်တယ်။ (တကယ်တော့ Video ထဲမှာ မှန်ကွဲတာမပါပါဘူး)
ဒီတော့ လူတွေရဲ့ မှတ်ဉာဏ်ဟာ စကားလုံးတွေအပေါ်လိုက်ပြီး ပြောင်းလဲနေတာပေါ့။

ဒီလိုနည်းနဲ့ပဲ လူတွေရဲ့ အစားအသောက်ရွေးချယ်မှုကို ပြောင်းလဲအောင် စမ်းသပ်ခဲ့ဖူးတယ်။ သူတို့ငယ်ငယ်တုန်းက ဒီအစားအစာကို စားတဲ့အခါမှာ ဘေးဖြစ်ခဲ့ဖူးတယ်လို့ အစမ်းသပ်ခံတွေကို ပြောကြည့်တယ်။ လူတွေရဲ့ ဆေးမှတ်တမ်းတွေက သူတို့ဆီမှာ Digital Version နဲ့ရှိတော့ ပြောလို့ရတာပေါ့။ (တကယ်တော့ ဒါဟာ လံကြုတ်ပါ)
ဒီလိုနဲ့ နောက်အပတ် သူတို့ကိုစမ်းသပ်တဲ့အခါ မတည့်ခဲ့ဖူးလို့ လိမ်ထားတဲ့ မုန့်ကိုကျွေးကြည့်တယ်။ တော်တော်များများက မစားကြတော့ဘူးလို့ ဆိုတယ်။

အစမ်းသပ်ခံတွေကို အမှုတစ်ခု သူတို့ရှေ့မှာ ကျူးလွန်တာကြည့်ခိုင်းပြီး ကျူးလွန်သူကို ပြန်ပြီးရွေးချယ်ခိုင်းတယ်။ ရဲတွေကတော့ ကျူးလွန်တဲ့သူက ဒီအထဲက တစ်ယောက်ပဲလို့ ပြောတယ်။ (တကယ်တော့ ကျူးလွန်တဲ့သူကို ထည့်မထားပါဘူး)
၇၈% က အဲ့ဒီအထဲက တစ်ယောက်ကို ရွေးသွားကြတယ်။ ဒီတော့ အပြစ်မလုပ်ထားတဲ့သူက ထောင်ကျမယ့်ကိန်းစိုက်တာပေါ့။

ဒါကြောင့် မှတ်ဉာဏ်က သိပ်မယုံရပါဘူး။ သူတို့ဆီမှာတော့ ရုံးချိန်းတွေမှာ တရားလိုတင်တဲ့သက်သေတွေဟာ အမှုထွက်ဆိုမှုမလုပ်ရသေးခင်အချိန်ထိ အချင်းချင်းတွေ့ခွင့်မရှိဘူးလို့ ဆိုတယ်။ ဘာလို့လဲဆိုတော့ သူတို့အချင်းချင်း စကားစမြည်ပြောတဲ့အခါ တစ်ယောက်ရဲ့ Version နဲ့ တခြားလူရဲ့ Version ၂ခု ရောထွေးသွားနိုင်လို့ပါ။

ဒါကိုလည်း စမ်းထားပါတယ်။ အစမ်းသပ်ခံတွေကိုခေါ်လာပြီး သရုပ်ဆောင်တွေနဲ့ ၂ယောက်တွဲပေးလိုက်ပါတယ်။ ပြီးတော့ ပစ္စည်းတွေအစုံပါတဲ့ မီးဖိုချောင်ဓာတ်ပုံတွေကို ပြလိုက်ပါတယ်။ ဒါတွေကို မှတ်ထားပြီး နှစ်ယောက်ပေါင်းဖြေဖို့ သတ်မှတ်ထားပါတယ်။

ဒါပေမယ့် သရုပ်ဆောင်က ပုံထဲမှာ မပါတဲ့ပစ္စည်းတွေကို ဒိုင်လျှိုလေးပြောဖို့ တာဝန်ရှိပါတယ်။
ထင်တဲ့အတိုင်းပါပဲ။ တကယ်လည်းမေးရော သရုပ်ဆောင် Suggest လုပ်တာမှန်သမျှ အစမ်းသပ်ခံတွေက သူတို့ရဲ့မှတ်ဉာဏ်ထဲကို ထည့်ထားလိုက်ပါတယ်။ ဥပမာ Microwave မပါပေမယ့် ဟိုကပြောတော့ မှတ်ထားလိုက်တာမျိုးပါ။ ဒါပေမယ့် မီးဖိုချောင်ထဲမှာ အိမ်သာတစ်လုံးတွေ့တယ်လို့ ပြောရင်တော့ ဘယ်လက်ခံမလဲ။ Subtle ဖြစ်တဲ့ဟာလေးတွေကို ပြောမှ လက်ခံတာပါ။

ဒါဟာ Schema သဘောတရားပါ။ လူတွေက အရာရာတိုင်းအတွက် Schema တွေရှိကြပါတယ်။ ပင်လယ်အောက် ကြမ်းပြင်မှာ ဘာတွေတွေ့မလဲလို့ မေးရင် ကိုယ့်စိတ်ထဲမှာ ပုံဖော်ကြည့်ပြီး ထင်တာကို ပြောကြမှာပါ။ ဒီလိုပုံဖော်နိုင်အောင်လည်း ရုပ်ရှင်တွေ၊ ဝတ္ထုတွေကိုပဲ အခြေခံကြပါတယ်။ (Subnautica ဆိုတဲ့ ဂိမ်းကိုဆော့ဖူးရင် Leviathan တွေရှိမယ်လို့တောင် တွေးမိနိုင်ပါတယ်)

ရှေးခေတ်က ရောမမြို့ဆိုရင်ရော ဘယ်လိုမြင်မလဲ? ကျွန်တော်ကတော့ Assassin’s Creed ဆော့ဖူးလို့ တိုင်လုံးဖြူကြီးတွေ၊ ခမ်းနားတဲ့အဆောက်အအုံကြီးတွေကို မြင်မိပါတယ်။
ဒါပေမယ့် လက်တွေ့မှာတော့ ရှေးခေတ်ရောမက အဲ့လိုမဟုတ်ပါဘူး။ တိုင်လုံးဖြူကြီးမဟုတ်ဘဲ အရောင်ပေါင်းစုံ လျောက်ခြယ်သထားတာလို့ ဆိုပါတယ်။ ဒီနေ့ခေတ်မျက်စိနဲ့ဆိုရင်တော့ ကြောင်တောင်တောင်ကြီး ဖြစ်နေမှာပါ။

Schema သဘောကြောင့်ပဲ Stereotype ဆိုတာဖြစ်လာတာပါ။ အမေရိကန်မှာတော့ အရှေ့အလယ်ပိုင်းကလာတဲ့ Arab တွေကိုဆို လန့်ကြပါတယ်။ 9/11 ပြီးကတည်းက အကြောက်ရောဂါစွဲကပ်ကုန်တာပါ။ ဒါကို အသုံးပြုပြီး Prank လုပ်ကြတာတောင် ရှိပါတယ်။
Arab လိုဝတ်ထားတဲ့ကောင်က လက်ကိုင်အိတ်ကြီးကို လူအများကြီးရှိတဲ့ကြားထဲထားပြီး ထွက်ပြေးတာပါ။ လူတွေကလည်း Arab ကိုမြင်တော့ လန့်ပြီး ပြေးကြတော့တာပါပဲ။
မြန်မာပြည်မှာလည်း ကုလားဆိုရင် ဘယ်လို… ဆိုတဲ့ Stereotype တစ်ခုရှိခဲ့ဖူးပါတယ်။ ခုမှသာ တော်တော်များများလက်မခံကြတော့လို့ ပျောက်ကွယ်လုနီးနီးဖြစ်သွားတာပါ။

တရုတ်ရိုက်၊ ဖားပြုတ်ကိုက်၊ ခလုတ်တိုက် ဆိုတာဟာလည်း လူတွေရဲ့မှတ်ဉာဏ်ကို မယုံကြည်ရလို့ ပြောကြတဲ့စကားဖြစ်နိုင်ပါတယ်။
Schema တွေဟာ မြန်ပေမယ့် မမှန်ပါဘူး။ လပေါ်ကို သွားရင်တွေ့ရမယ့် အရာ ၁ဝမျိုးဆို စဉ်းစားပြီး ပြောနိုင်ကြမှာပါ။ ဒါပေမယ့် ကိုယ့်အမြင် (Schema) နဲ့ လက်တွေ့နဲ့အလှမ်းဝေးနေနိုင်ပါတယ်။

မှတ်ဉာဏ်ကမယုံရတာတင် မဟုတ်ပါဘူး။ အမြဲလည်း ပြောင်းလဲနေပါတယ်။ ဥပမာ ကိုယ်က အခုအချိန်မှာ Abortion ကိုထောက်ခံတဲ့သူဖြစ်တယ်ဆိုပါတော့။ အတိတ်မှာ ဒါကို ဆန့်ကျင်ခဲ့ပေမယ့် ခုချိန်မှာ ပြန်တွေးကြည့်ရင် ကိုယ်က ဒီအမြင်ကိုပဲ အမြဲတမ်းလက်ခံခဲ့သယောင် ထင်ရတတ်ပါတယ်။

ဒါ့အပြင် Social Contagion သဘောတရားလည်းရှိပါသေးတယ်။ သရုပ်ဆောင်က လံကြုတ်တွေလျောက်ပြောလို့ ကိုယ့်မှတ်ဉာဏ်ထဲကိုပါ အဲ့ဒီပစ္စည်းတွေပေါင်းထည့်မိလိုက်တာမှတ်မိဦးမှာပါ။
ဒါကြောင့် ကိုယ့်မှတ်ဉာဏ်ရဲ့ ဘယ်လောက်က တကယ်မှန်တာလဲဆိုတာ သိဖို့ခက်ပါတယ်။

တရားခွင်မှာ မျက်မြင်သက်သေတွေတင်တဲ့အခါ သူတို့ပြောတာကို ဆားခတ်ပြီးယုံသင့်ပါတယ်။
နောက်တစ်ခါ အသိမိတ်ဆွေတစ်ယောက်က “ကျွန်မသားကလေ… မှတ်ဉာဏ်အရမ်းကောင်းတာ… ဒါပေမယ့် စာမကြိုးစားဘူး…” လို့ ပြောရင် ဝတ်ကျေတန်းကျေ ခေါင်းငြိမ့်ပြပြီးတော့ အမေရော၊ ကလေးရောကို ပြုံးပြုံးကြီး ကြည့်ပေးလိုက်ပါခင်ဗျာ။

SAGAN

Next Post, Previous Post မနှိပ်ဘဲ OUO Link ကနေ ၁ပုဒ်ချင်းဝင်ဖတ်ပြီး ကူညီပါ။
အသိအမြင်၊ အတွေးအခေါ် အသစ်တစ်ခုခုရသွားလို့ လှူဒါန်းလိုပါက Science Nuts (Facebook Page) ကို ဆက်သွယ်လှူဒါန်းနိုင်ပါတယ်။
လှူသမျှငွေအကုန်လုံးကို လိုအပ်တဲ့နေရာတွေမှာ ပြန်လည်လှူဒါန်းပေးသွားမှာပါ။

ဒီအကြောင်းကိုရေးခိုင်းတဲ့သူတွေများလာလို့ ရေးလိုက်ပါတယ်။ စာကိုဖတ်ပြီးတဲ့အခါ သူ့ရဲ့ဆိုလိုရင်းကို အပေါ်ယံသဘောလောက်တော့ မြင်သွားမယ်ထင်ပါတယ်။

ဒီသီအိုရီကို Butterfly Effect လို့လည်းခေါ်ကြပါတယ်။ လေးဖြူရဲ့ ကစဉ့်ကလျားသီအိုရီ သီချင်းမှာလည်း “ကမ္ဘာကြီးရဲ့ အခြားတစ်ဖက်မှာ လိပ်ပြာလေး အတောင်တစ်ချက်ခတ်ခြင်းက အစပြုတဲ့ လေပွေမုန်တိုင်းများ” လို့ ဆိုခဲ့ပါတယ်။ ဒီသီချင်းကို နားထောင်တော့ ဘာအဓိပ္ပါယ်ကြီးလဲလို့ တွေးခဲ့မိပြီး သူပြောချင်တဲ့ ဆိုလိုရင်းကို သိပ်နားမလည်ခဲ့ပါဘူး။

ဒီသီအိုရီကို ဘယ်လိုဥပမာပေးကြလဲဆိုတော့ Brazil က လိပ်ပြာလေးတစ်ကောင် အတောင်ပံခတ်လိုက်တာ American Texas မှာ လေပွေမုန်တိုင်းတွေ ဖြစ်လာတယ်တဲ့။ ဒါကို နားလည်အောင် ပြောပြချင်ပါတယ်။

ဒီသီအိုရီကို Lorenz ဆိုတဲ့ ပုဂ္ဂိုလ်ဟာ Research Paper တစ်ခုအနေနဲ့တင်ခဲ့ရာက ဒီအကြောင်းကို လူသိများလာတာပါ။
Paper ရဲ့အဓိက ဆိုလိုရင်းကတော့ သေးသေးဖွဲဖွဲကိစ္စလေးတွေဟာ အနာဂတ်မှာ ကြီးကြီးမားမားသက်ရောက်မှုတွေ ရှိနေသလား ဆိုတာပါ။ သူကတော့ အပေါ်မှာပြောခဲ့တဲ့လိပ်ပြာ နဲ့ဥပမာပေးခဲ့တာပါ။ ဒါဆိုရင် အနာဂတ်ကို ဘယ်လောက် မှန်မှန်ကန်ကန်ဖြစ်အောင် ခန့်မှန်းနိုင်မလဲ?

Newton ကြောင့် Gravity အကြောင်းကိုသိခဲ့ကြပြီး Solar System ထဲက ဂြိုလ်တွေလှည့်ပတ်ပုံကို တိတိကျကျတွက်ချက်နိုင်ခဲ့ကြတယ်ဆိုတာ သိကြမှာပါ။
ဒါတင်မကသေးပါဘူး။ Comet (ကြယ်တံခွန်) တစ်ခုဟာ နောက်နှစ်ပေါင်း ဘယ်လောက်နေရင် ကမ္ဘာဆီရောက်လာမယ် ဆိုတာတွေကိုပါ တိတိကျကျတွက်ချက်နိုင်ပါတယ်။
သူ့ရဲ့ Equation တွေကိုသုံးပြီး တိုက်အမြင့်တစ်ခုပေါ်ကနေ ဘောလုံးတစ်လုံးကို ပစ်ချလိုက်ရင် ဘယ်လောက်အရှိန်နဲ့ကျသွားမလဲ၊ ဘယ်နေရာလောက်ကို ကျနိုင်မလဲ ဆိုတာ တွက်ချက်လို့ရပါတယ်။ ပြောချင်တာက အနာဂတ်ကို ကြိုပြီး တွက်ချက်ကြည့်လို့ရတယ်ဆိုတာပါ။

ဒါကြောင့် Newton ရဲ့ခေတ်ပြီးတဲ့နောက်မှာ Laplace ဆိုတဲ့ပုဂ္ဂိုလ်ဟာ Thought Experiment တစ်ခုလုပ်ခဲ့ပါတယ်။ စကြဝဠာထဲမှာ ဖြစ်ပျက်နေသမျှ အရာအားလုံးကိုသိနေတဲ့ သက်ရှိတစ်ကောင်ရှိတယ် ဆိုပါစို့။ ပြောချင်တာက လက်ရှိ Time Zero အချိန်မှာ အမှုန်တွေရဲ့ အဟုန် (Momentum) ၊ နေရာ (Position) နဲ့ သူတို့အချင်းချင်း Interact လုပ်တာတွေကို အကုန်သိနေတာပါ။ ခုခေတ်မှာတော့ ဒါကို Laplace’s Demon လို့ခေါ်ကြပါတယ်။

သူဟာ သူသိတဲ့အချက်တွေကို လူတွေလေ့လာဖို့ချပြတယ်ဆိုပါစို့။ ဒါဆိုရင် လူတွေဟာ အနာဂတ်မှာ ဘာဖြစ်မလဲဆိုတာကို သေသေချာချာ ပြောနိုင်သွားလိမ့်မယ်လို့ ဆိုပါတယ်။

ဒီအမြင်အရ အနာဂတ်ဆိုတာ ကြိုတင်သတ်မှတ်ထားပြီးသားလို့ ပြောလို့ရပါတယ်။
Physics မှာလည်း တော်တော်များများက ဒီလိုလက်ခံတတ်ကြပါတယ်။ Hisenberg’s Uncertainty Principle ဆိုတာရှိပေမယ့် ဒါဟာ အက်တမ်အောက် အမှုန်တွေမှာပဲ သက်ရောက်တဲ့အတွက် တော်တော်များများကို Formula ထဲထည့်တွက်ပြီး မှန်အောင် ခန့်မှန်းလို့ရပါတယ်။

စာတွေထဲမှာတော့ Pendulum နဲ့ဥပမာပေးကြပါတယ်။ Pendulum ကိုလွှဲလိုက်တဲ့အခါ သူသွားချင်သလိုသွားနေတယ်လို့ ထင်စရာရှိပေမယ့် ဒါကို Formula နဲ့တွက်ထုတ်လို့ရပါတယ်။ သူ့ကို စပြီး လွှဲတဲ့ ထောင့် (Angle) ကိုသိရင် သူရပ်မသွားခင်အထိ ဘယ်အချိန်မှာ ဘယ်နေရာကိုရောက်နေမလဲဆိုတာ တိတိကျကျတွက်ချက်လို့ရပါတယ်။

ဂြိုလ်တွေလည်း ဒီသဘောပါပဲ။ ဒါကြောင့် နောက်နှစ်ပေါင်း ၄.၅ ဘီလီယံလောက်မှာ ကျွန်တော်တို့ရဲ့ Milky Way Galaxy နဲ့ Andromeda Galaxy ဝင်တိုက်ကြလိမ့်မယ်လို့ ကြိုပြောနိုင်တာဖြစ်ပါတယ်။

ဒါပေမယ့် ဒါဟာ Entity ၂ခုပါပဲ။ ၃ခုဖြစ်လာတဲ့အခါမှာ ရှုတ်ထွေးမှုတွေ ရှိလာပါတယ်။ ဒါကို 3 Body Problem လို့ခေါ်ပါတယ်။ နေနဲ့ဂြိုလ်တွေရဲ့လှည့်ပတ်မှုကို တွက်ချင်လို့ရပေမယ့် လကိုပါ အဲ့ဒီအထဲထည့်လိုက်တဲ့အခါ ရှုတ်ထွေးမှုတွေ ရှိလာပါတယ်။ နေရယ်၊ ကမ္ဘာရယ်၊ လရယ် ၃ခုဖြစ်သွားတဲ့အခါ သူတို့ဘယ်လိုပြုမူမလဲဆိုတာ တိတိကျကျခန့်မှန်းဖို့ ခက်ခဲသွားပါတယ်။ ဒါကြောင့် Newton တောင်မှ ဒီကိစ္စကို ခေါင်းရှုတ်လို့ မစဉ်းစားနိုင်ခဲ့ပါဘူး။

ဒီတော့ Chaos Theory ဘယ်လိုဖြစ်လာလဲဆိုတာ ပြန်ဆက်ချင်ပါတယ်။ Lorenz က မိုးလေဝသပညာရှင်ပါ။ သူက တိမ်တွေရဲ့ Temperature, Humidity စတာတွေကိုကွန်ပြူတာနဲ့ တွက်ချက်တာပါ။ အဲ့တော့ Data တွေကို အမြဲတမ်း စုဆောင်းနေရတာပေါ့။
တစ်နေ့မှာတော့ သူရထားတဲ့ Data မှန်မမှန်စမ်းသပ်ချင်တဲ့အတွက် သူ့ Data ကိုအလယ်လောက်က ဖြတ်ပြီး Simulate လုပ်ကြည့်လိုက်ပါတယ်။ တကယ့် Data မှာပါတဲ့ Number နဲ့ သူထည့်လိုက်တဲ့ Number နဲ့က Point လောက်ပဲကွာတာပါ။ ဒါပေမယ့် ရာသီဥတုအခြေအနေက လုံးဝကွဲလွဲသွားပါတယ်။

အဲ့ဒီ Data ကို ကွန်ပြူတာနဲ့ Plot လုပ်လိုက်တဲ့အခါမှာ အောက်ကပုံလိုမျိုးရလာပါတယ်။

လိပ်ပြာနဲ့တူပါတယ်။ ဒါကြောင့်လည်း လိပ်ပြာနဲ့တင်စားကြတာပါ။ လိပ်ပြာအတောင်ပံခတ်တာကတော့ မြင်သာအောင်ပေးတဲ့ ဥပမာပါ။ အဲ့လိုတကယ်ဖြစ်တယ်လို့ပြောချင်တာ မဟုတ်ပါဘူး။

Wiki မှာရေးထားတာ မြင်သာလို့ ထည့်ပြောချင်ပါတယ်။
Chaos: When the present determines the future, but the approximate present does not approximately determine the future.
အဓိပ္ပါယ်ကတော့ လက်ရှိကိုကြည့်ပြီး အနာဂတ်ကိုပြောနိုင်ပေမယ့် လက်ရှိနဲ့နီးနီးစပ်စပ်တူတာကို ကြည့်ပြီး အနာဂတ်ကို ခန့်မှန်းလို့မလွယ်ဘူး ဆိုတာပါ။

ဒါကြောင့် Chaotic System တွေနဲ့ ကြုံလာတဲ့အခါမှာ အနာဂတ်ကို တိတိကျကျခန့်မှန်းဖို့ မလွယ်ကူတော့ပါဘူး။ ဒါကြောင့် မိုးလေဝသသတင်းတွေဟာ အမြဲမမှန်တာပါ။ ဒီတော့ မိုးရွာရန်ရာနှုန်း ၅၀% တို့ဘာတို့ တွေပြောလာကြတာပေါ့။ (သေချာစဉ်းစားကြည့်ရင် ရွာချင်ရွာမယ်၊ မရွာချင်မရွာဘူးကွာ… လို့ ပြောလိုက်သလိုပါပဲ။ ဒါပေမယ့် ပညာရှင်ဆန်တာပေါ့)

Chaotic System တွေမှာ အနာဂတ်ကို ခန့်မှန်းဖို့မလွယ်သလို လက်ရှိကိုသိထားပေမယ့် အတိတ်ကို ပြန်ကြည့်ဖို့လည်း မလွယ်ပြန်ပါဘူး။ ဥပမာ ဘောလုံးကို တိုက်ပေါ်က ပစ်ချလိုက်တယ်ဆိုရင် အောက်ကိုရောက်လာတဲ့အခါ Tape ကို Rewind လုပ်သလိုပြန်တွက်ကြည့်လို့ရပါတယ်။ ၂စက္ကန့်မြောက်မှာ ဘောလုံးဘယ်အမြင့်ကို ရောက်ခဲ့လဲ၊ ၃စက္ကန့်မြောက်မှာ ဘယ်လိုရှိခဲ့မလဲဆိုတာတွေကို တွက်လို့ရပါတယ်။
Chaotic System ကတော့ ဒါမျိုးလုပ်လို့ မရပါဘူး။ ဘာလို့လဲဆိုတော့ Variables တွေများလွန်းလို့ပါ။

ကျွန်တော်တို့တွေ ငယ်ငယ်က Boyle’s Law တို့ Charles’s Law တို့ ကျက်ခဲ့ရမှာပါ။ အဲ့ဒီအခါမှာ Temperature Constant ဖြစ်တဲ့အခါတို့၊ Pressure သာ Constant ဖြစ်တဲ့အခါတို့ ထည့်ရေးပေးရပါတယ်။ ဒါက Variables တွေကို ပယ်လိုက်တာပါ။
လက်တွေ့ဘဝမှာတော့ ဒီလိုလုပ်ဖို့ခက်ခဲပါတယ်။ ဒါကြောင့် အနာဂတ်ကို ခန့်မှန်းဖို့ ခက်ခဲတာပါ။

ဒီလိုတွေပြောလို့ ခန့်မှန်းလို့မရဘူးလို့လည်း မထင်စေချင်ပါဘူး။ Factor တစ်ခုချင်းစီကို Pin Point လုပ်ပြီးကြည့်ရင်သာ သူတို့ဘယ်လိုလှုပ်ရှားမလဲ မသေချာပေမယ့် System တစ်ခုလုံးကိုကြည့်လိုက်တဲ့အခါမှာတော့ အချိန်တစ်ခုရောက်တဲ့အခါ Butterfly ပုံစံဝင်လာတာပါပဲ။ ဒါကြောင့် Chaos ပေမယ့် Deterministic Chaos လို့ပြောတတ်ကြပါတယ်။

လိပ်ပြာပုံကို ပြန်ကြည့်ရင် လိုင်းတွေဟာ အလယ်က အမည်းကွက် နှစ်ခုကို ဦးတည်ပြီး ပတ်နေကြသလိုမြင်ရမှာပါ။ ဒါကို Strange Attractor လို့ခေါ်ပါတယ်။ ဒါကြောင့် Deterministic Chaos ဆိုတာ Random Behaviour နဲ့မတူပါဘူး။ အချိန်တစ်ခုရောက်တဲ့အခါ ဒီပုံစံဝင်သွားတာပါပဲ။

ဒါကြောင့် Order, Chaos, Disorder ဆိုပြီး ပြောကြတာပါ။ Chaos ဆိုတာ ကစဉ့်ကလျားပေမယ့် အချိန်တစ်ခုရောက်တဲ့အခါ System တစ်ခုလုံးအနေနဲ့ဘာဖြစ်မယ်ဆိုတာ ခန့်မှန်းကြည့်လို့ရပါတယ်။

ခုခေတ် Super computer တွေကတော့ Chaos Theory ရဲ့ သင်္ချာကို အေးဆေးတွက်နိုင်ပါတယ်။ ဒါကြောင့်ပဲ Galaxy ၂ခု နောက်နှစ်ပေါင်း ၄.၅ ဘီလီယံမှာ ဝင်တိုက်တော့မယ်ဆိုတာ အချိန်အတိအကျနဲ့ပြောနိုင်တာပါ။ ဒီသီအိုရီကို Fluid တွေလှုပ်ရှားမှု၊ နှလုံးခုန်မမှန်မှု၊ Plasma Physics ၊ ကြယ်တွေအစုလိုက်လှုပ်ရှားမှု၊ Chemical Reaction ၊ မိုးလေဝသခန့်မှန်းခြင်း စတာတွေမှာ လက်တွေ့အသုံးပြုနေပါတယ်။

SAGAN

Next Post, Previous Post မနှိပ်ဘဲ OUO Link ကနေ ၁ပုဒ်ချင်းဝင်ဖတ်ပြီး ကူညီပါ။
အသိအမြင်၊ အတွေးအခေါ် အသစ်တစ်ခုခုရသွားလို့ လှူဒါန်းလိုပါက Science Nuts (Facebook Page) ကို ဆက်သွယ်လှူဒါန်းနိုင်ပါတယ်။
လှူသမျှငွေအကုန်လုံးကို လိုအပ်တဲ့နေရာတွေမှာ ပြန်လည်လှူဒါန်းပေးသွားမှာပါ။