ब्राउनस्टोन » ब्राउनस्टोन जर्नल » मीडिया » महत्वाकांक्षी प्रचारकों के लिए डेटा पकाने की बेवकूफ़ों की मार्गदर्शिका
महत्वाकांक्षी प्रचारकों के लिए डेटा पकाने की बेवकूफ़ों की मार्गदर्शिका

महत्वाकांक्षी प्रचारकों के लिए डेटा पकाने की बेवकूफ़ों की मार्गदर्शिका

साझा करें | प्रिंट | ईमेल
https://www.kekstcnc.com/media/2827/20200730_kc_covid_opinion_tracker_japan_deck_final_for-web.pdf

कोविड के प्रकोप के कुछ महीने बाद आयोजित एक अंतर्राष्ट्रीय सर्वेक्षण से संबंधित उपरोक्त स्लाइड पर ध्यान से नज़र डालें: प्रभावी प्रचार कुछ ऐसा ही होता है। और इसका वास्तविक प्रभाव और भी अधिक था, क्योंकि कोविड के जोखिम को लोगों ने कितनी बुरी तरह बढ़ा-चढ़ाकर बताया, इसकी गणना करने के लिए इस्तेमाल की गई 'वास्तविक दुनिया' की संख्याएँ निश्चित रूप से दुनिया के प्रमुख प्रचार संगठनों (सार्वजनिक स्वास्थ्य एजेंसियों के रूप में प्रच्छन्न) से ली गई थीं। जो खुद पहले से ही कोविड के जोखिम को बढ़ा-चढ़ाकर बता रहे थे।

प्रभावी प्रचार की कला एक व्यापक अनुशासन है जिसके लिए सावधानीपूर्वक और गहन अध्ययन की आवश्यकता होती है - और समीक्षा करें — समय-समय पर। शुरुआती लोगों के लिए, इसमें महारत हासिल करना बहुत मुश्किल हो सकता है। यहां तक ​​कि अनुभवी प्रचारक भी कभी-कभी इस सोच के जाल में फंस सकते हैं कि प्रचार करना और उसका प्रसार करना एक सीधा-सादा काम है - जो कि स्थायी रूप से सभी खर्चों का भुगतान करने वाली साइबेरियाई छुट्टी जीतने का एक अच्छा तरीका है। पूरे समाज को हर दिन, साल के 365 दिन, अनिश्चित काल तक भ्रमित करना आमतौर पर इतना आसान काम नहीं है।

निम्नलिखित लघु मार्गदर्शिका महत्वाकांक्षी प्रचारक, विश्व आर्थिक मंच के पिछलग्गू, साम्यवादी तंत्रज्ञ, जागरूक मार्क्सवादी, तथा अनुभवी सरकारी नौकरशाहों को आवश्यक उपकरण तथा ज्ञान प्रदान करेगी, जिससे वे अपनी प्रतिभा को प्रचार कला में पूर्ण निपुणता के साथ विकसित कर सकें।

यह पुस्तक थोड़ी लम्बी है!! इसलिए ऐसा मत सोचिए कि आपको इसे एक बार में ही शुरू से अंत तक पढ़ लेना चाहिए, क्योंकि ऐसा करने से आप थक जाएंगे और इसमें निहित महत्वपूर्ण जानकारी याद नहीं रहेगी।

यह मैनुअल निम्नलिखित अनुभागों में विभाजित है:

अनुभाग I. परिभाषाएँ - शब्दों, पदों और मापदंडों को पुनः परिभाषित कैसे करें ताकि वे शासन की कहानी के अनुरूप रहें

खंड II. डेटा का संरक्षण - डेटा रिकॉर्डिंग, रिपोर्टिंग और प्रकाशन की प्रक्रियाओं को कैसे हाईजैक करें

खंड III. यह जांच करना कि कौन से डेटा को आधिकारिक विज्ञान का हिस्सा माना जाता है - शासन के अनुरूप न होने वाले डेटा की जांच और निपटान कैसे करें ताकि यह कभी भी किसी आधिकारिक विज्ञान या शासन डेटासेट में दिखाई न दे

खंड IV. अध्ययन में हेराफेरी कैसे करें - बिल्कुल वैसा ही जैसा सुनने में लगता है

अनुभाग V. डेटासेट में संशोधन - कभी-कभी, आपको डेटाबेस की सामग्री को संशोधित करने के लिए थोड़ी सी डेटा 'सर्जरी' करने की आवश्यकता होगी जो शासन के मुद्दों का खंडन करती है जिसे आप आसानी से खत्म नहीं कर सकते हैं।

धारा VI. साक्ष्य के मानकों को नियंत्रित करें - साक्ष्यों का ऐसा पदानुक्रम कैसे स्थापित किया जाए जो शासन-अनुकूल विज्ञान को सबसे ऊपर और शासन-विरोधी विज्ञान को सबसे नीचे (मारियाना ट्रेंच में) रखे?

खंड VII. विज्ञान के चर्च संबंधी अधिकारी - यह कैसे सुनिश्चित किया जाए कि वैज्ञानिक अधिकारी विश्वसनीय रूप से शासन के तथ्यों और आख्यानों को दोहराएँ

अंतभाषण - सब कुछ अच्छी तरह से बांधते हुए, पीटर हॉटेज़ की धनुष टाई की तरह (वह एक विशेष रूप से कर्कश शासन सेलिब्रिटी वैज्ञानिक है)

खंड I – परिभाषाएँ

"जो भाषा को नियंत्रित करता है वह जनता को नियंत्रित करता है।"
— सॉल अलिन्स्की, कण के लिए नियम

हम अवधारणाओं या श्रेणियों को कैसे परिभाषित करते हैं, यह निर्धारित करता है कि वे वास्तविक दुनिया की कौन सी जानकारी संप्रेषित या प्रस्तुत करते हैं - या वे क्या संप्रेषित या प्रस्तुत नहीं करते हैं।

किसी भी प्रभावी प्रचारक के लिए लचीली परिभाषाएँ और परिभाषाएँ निर्धारित करने के लिए मनमाना और मनमाना मानक होना बहुत ज़रूरी है। बेहतरीन प्रयासों के बावजूद, अनुभवी, विशेषज्ञ प्रचारकों को भी अनिवार्य रूप से ऐसी स्थितियों का सामना करना पड़ेगा जहाँ मौजूद क्यूरेटेड डेटा या लोगों के अनुभव आधिकारिक शासन कथा के लिए समस्याग्रस्त हैं।

इसलिए प्रभावी प्रचार के लिए डेटा की सामग्री को नियंत्रित करने के लिए चुस्त और अत्यधिक अनुकूली लचीलेपन की क्षमता की आवश्यकता होती है, विशेष रूप से पहले से मौजूद पारंपरिक मेट्रिक्स, जिनके बारे में जनता सुनने की आदी है, जिन्हें आसानी से गायब करना बेहद मुश्किल है (उस आसानी के विपरीत जिससे आप YouTube या Facebook से असंतुष्ट वैज्ञानिक को गायब कर सकते हैं)। उदाहरण के लिए, आप एक उपन्यास खतरनाक बीमारी महामारी के संदर्भ में "मृत्यु" के बारे में बात करने से बच नहीं पाएंगे - लोगों द्वारा किसी बीमारी की गंभीरता को मापने का प्राथमिक तरीका हमेशा सबसे पहले और सबसे महत्वपूर्ण होगा "कितने लोग बीमारी से मर गए?" लेकिन आप उपन्यास खतरनाक बीमारी के संदर्भ में "मृत्यु" को बदल सकते हैं यदि आप लोगों की इस समझ को बढ़ाना या घटाना चाहते हैं कि यह कितना घातक है।

व्यवहार में, इसका अर्थ यह है कि जब किसी शब्द या अवधारणा की सामान्य समझ से पता चलता है कि वास्तविकता शासन की वांछित कथा के अनुरूप नहीं है, तो बस कुछ परिभाषाएं बदल दीजिए और समस्या हल हो गई।

जैसा कि इतिहास में कई प्रमुख कम्युनिस्ट प्रचारकों ने भी कहा है, "जो भाषा को नियंत्रित करता है, वह दुनिया पर शासन करता है।"

परिभाषाओं को समस्याग्रस्त से स्वीकार्य में बदलने या परिवर्तित करने के कई तरीके हैं:

I-1. परिभाषा को सीमित करें

अगर किसी चीज़ की पारंपरिक परिभाषा में ऐसी अवधारणाएँ, डेटा या जानकारी शामिल है जो शासन के सिद्धांतों के विपरीत है, तो परिभाषा को सीमित करें ताकि इसमें अवांछित जानकारी शामिल न हो। ऐसा करने के कई तरीके हैं। इसलिए हम कुछ सामान्य प्रकार की विशेषताओं को सूचीबद्ध करेंगे जिनका उपयोग आप किसी परिभाषा को प्रभावी ढंग से सीमित करने के लिए कर सकते हैं: परिभाषा को समय अंतराल तक सीमित करें: मान लीजिए कि टीकाकरण के बाद पहले 30 दिनों में और टीकाकरण के 90+ दिनों के बाद, ग्लोरियस वैक्सीन से लोगों को यह खतरनाक बीमारी बहुत अधिक दर पर होती है। यह एक बड़ी समस्या है, क्योंकि लोग सोचेंगे कि ग्लोरियस वैक्सीन प्रभावी नहीं है:

लाल रेखा टीकाकरण के बाद प्रति मिलियन लोगों पर केस दर को दर्शाती है, टीकाकरण के बाद के दिनों की संख्या के अनुसार। जैसा कि आप देख सकते हैं, पहले 30 दिनों में, ब्रेकथ्रू संक्रमण की दर बहुत अधिक है, लेकिन 30-90 दिनों के बीच केस दर व्यावहारिक रूप से 0 है, और 90 दिन के बाद केस दर फिर से बढ़ने लगती है।

सरल भाषा में, उपरोक्त चार्ट में आप देख सकते हैं कि प्रति दस लाख लोगों पर मामलों की संख्या इस प्रकार है:

  1. टीकाकरण से पहले: प्रति दस लाख लोगों पर ख़तरनाक बीमारी के 500 मामले
  2. टीकाकरण के 10 दिन बाद: प्रति दस लाख लोगों पर ख़तरनाक बीमारी के 3,000 मामले
  3. टीकाकरण के 20 दिन बाद: प्रति दस लाख लोगों पर ख़तरनाक बीमारी के 1,700 मामले
  4. टीकाकरण के 30 दिन बाद: प्रति दस लाख लोगों पर 100 मामले


यह ग्लोरियस वैक्सीन के लिए बहुत ही अपमानजनक प्रभावकारिता है - ऐसा कुछ जिसे बर्दाश्त नहीं किया जा सकता। एक समाधान यह है कि 'टीकाकृत' की परिभाषा को बदलकर इसका अर्थ ऐसे व्यक्ति से लिया जाए जो ग्लोरियस वैक्सीन के इंजेक्शन के 30 से 90 दिनों के बीच है - दूसरे शब्दों में, कोई भी व्यक्ति जो टीका लगवाने के 30 दिनों के भीतर है, या टीकाकरण के 90 दिनों के बाद, उसे 'टीकाकृत' नहीं माना जाता है:

इस विशेष रणनीति का नेतृत्व सभ्य दुनिया की लगभग हर सार्वजनिक स्वास्थ्य एजेंसी ने किया था, जहाँ कोविड टीकों के लिए 'पूरी तरह से टीकाकरण' की परिभाषा "आपकी दूसरी खुराक के 14 दिन बाद" तक सीमित थी:

परिभाषा को मात्रा द्वारा सीमित करें, जैसे कि एक्सपोज़र की संख्या - उदाहरण के लिए, यदि चमत्कारी उपचार मीराफौसिविर की 1 खुराक या 5 खुराकें प्राप्त करने वाले बहुत से लोगों की मृत्यु हो जाती है (पहली खुराक उन लोगों को मार देती है जो विशेष रूप से इसकी विषाक्तता के प्रति अतिसंवेदनशील होते हैं, और 5 खुराकें किसी भी व्यक्ति के लिए अत्यधिक विषाक्त होती हैं), तो 'मीराफौसिविर से उपचारित' की परिभाषा को 2-4 खुराकों के बीच सीमित करें:

किसी परिभाषा में ऐसी बेतुकी शर्तें जोड़कर उसे सीमित करें जिन्हें पूरा करना लगभग असंभव हो। उदाहरण के लिए, आप नव-निर्मित ग्लोरियस वैक्सीन के साथ सामूहिक टीकाकरण अभियान के संदर्भ में 'टीका मृत्यु' की परिभाषा को सीमित करने के लिए निम्नलिखित स्थितियों का उपयोग करने का प्रयास कर सकते हैं:

ऐसी परिस्थितियों में, ग्लोरियस वैक्सीन से किसी व्यक्ति की मृत्यु की 'पुष्टि' कर पाना बहुत कठिन है।

(इस उदाहरण परिभाषा को पूरी तरह से प्रभावी बनाने के लिए आपको शव-परीक्षण को यथासंभव बाधित करना याद रखना चाहिए।)

I-2. परिभाषा का विस्तार करें

इसके विपरीत, कभी-कभी आप किसी चीज़ की वास्तविकता से ज़्यादा चाहते हैं। परिभाषाओं का विस्तार करना एक बढ़िया समाधान है - परिभाषाओं को सीमित करने के लिए ऊपर दिए गए निर्देशों को उलट दें।

इसलिए यदि आपको उस खतरनाक बीमारी से मरने वाले लोगों की संख्या से अधिक लोगों की मृत्यु की आवश्यकता है, तो आप 'खतरनाक बीमारी से मृत्यु' की परिभाषा को 'पॉजिटिव परीक्षण के 30 दिनों के भीतर होने वाली किसी भी मृत्यु' तक विस्तारित कर सकते हैं, और जादू की तरह आपके हाथों में एक पूर्ण पैमाने पर महामारी आ जाएगी।

इसे स्पष्ट करने के लिए, मान लीजिए कि 12 महीनों तक खतरनाक बीमारी के प्रसार के बाद, प्रति 7 संक्रमणों में से केवल 100,000 लोग ही वास्तव में खतरनाक बीमारी से मारे गए - यह वास्तव में डरावना नहीं है। आप थोड़ा सा बदलाव करते हैं और 'खतरनाक बीमारी से होने वाली मौत' की परिभाषा को कुछ इस तरह से विस्तारित करते हैं जैसा कि CDC ने किया है - "खतरनाक बीमारी के लिए सकारात्मक परीक्षण के 30 दिनों के भीतर कोई भी मौत।" चूँकि हर दिन बहुत से लोग मरते हैं, अगर आप उन सभी का सामूहिक परीक्षण करते हैं, तो आप निश्चित रूप से बहुत सारे मृत लोगों की 'खोज' करेंगे, जिनकी मृत्यु के समय उन्हें खतरनाक बीमारी थी, भले ही वे कैंसर या कार दुर्घटना जैसी किसी पूरी तरह से असंबंधित बीमारी से मारे गए हों। देखें कि इससे क्या फर्क पड़ता है:

न्यूयॉर्क राज्य इस बात का एक उत्कृष्ट उदाहरण प्रस्तुत करता है कि कैसे "भयानक बीमारी से मृत्यु" की परिभाषा का विस्तार करके इतिहास में एक बार घटित हुई सुपर-डुपर डरावनी सर्वनाशकारी महामारी का आभास पैदा किया जाए - बस 'संभावित' कोविड मृत्यु के लिए निम्नलिखित भव्य खुली परिभाषा को देखें:

सावधानी नोट: आपको हमेशा इस बात का ध्यान रखना चाहिए कि कभी भी, कभी भी, कभी भी – कभी भी!!! – जनता को यह न बताएं कि आप उन्हें कैसे गुमराह कर रहे हैं, और वह भी स्पष्ट और संक्षिप्त भाषा में जिसे वे समझ सकें। इलिनोइस की सार्वजनिक स्वास्थ्य निदेशक डॉ. नगोजी एज़िके की 2020 में की गई निम्नलिखित अनजाने में की गई गलती ऐसी है जो आपको गुलाग के लिए एकतरफा टिकट दिला सकती है - उन्होंने वास्तव में एक सार्वजनिक प्रेस कॉन्फ्रेंस में निम्नलिखित कहा (नीचे एम्बेडेड वीडियो देखें):

"तो, मामले की परिभाषा बहुत सरल है। इसका मतलब है कि मृत्यु के समय, यह एक कोविड-पॉजिटिव निदान था। इसका मतलब है कि अगर आप हॉस्पिस में थे और आपको जीने के लिए पहले से ही कुछ हफ़्ते दिए गए थे और फिर आपको कोविड भी पाया गया, तो इसे कोविड मृत्यु के रूप में गिना जाएगा। इसका मतलब है कि, तकनीकी रूप से भले ही आप किसी स्पष्ट वैकल्पिक कारण से मर गए हों, लेकिन आपको उसी समय कोविड था, फिर भी इसे कोविड मृत्यु के रूप में सूचीबद्ध किया गया है।"

कोविड मौतों के लिए इतनी शानदार विस्तृत परिभाषा का उपयोग करके वह निश्चित रूप से सही काम कर रही थीं, लेकिन उन्होंने मूर्खतापूर्ण और लापरवाही से पूरी दुनिया को सच्चाई से अवगत करा दिया। यह एक ऐसी लापरवाही भरी गलती है जो रातों-रात पूरे प्रचार अभियान को ध्वस्त कर सकती है। और यह ऐसी चीज भी है जो करियर खत्म कर सकती है (या इससे भी बदतर):

 I-3. एक बिलकुल नई परिभाषा गढ़ें

कभी-कभी किसी चीज़ की आम समझ को सिर्फ़ हाशिये पर दी गई परिभाषा से खेलकर छिपाना संभव नहीं होता। उस स्थिति में, आप अपने प्रचार की ज़रूरतों को पूरा करने के लिए किसी शब्द, अवधारणा या श्रेणी को पूरी तरह से फिर से परिभाषित करने का साहसी कदम उठा सकते हैं। बस सावधान रहें कि लोगों को यह समझाना थोड़ा मुश्किल हो सकता है कि पुरानी परिभाषा उनकी कल्पना की उपज है।

सी.डी.सी. (जी हां, हम सी.डी.सी. का बहुत बार उल्लेख करेंगे; आखिरकार वे विश्व में स्वास्थ्य प्रचार का प्रमुख संगठन हैं) का उदाहरण लें, जिसने 6 वर्षों की अवधि में कई बार 'टीकाकरण' की परिभाषा बदली:

साइडबार: उपरोक्त ट्वीट दुष्ट विधायकों को नियंत्रित करने की आवश्यकता पर एक सबक प्रदान करता है जो असहमति जताने या यहां तक ​​कि आपके प्रचार प्रयासों को उजागर करने का प्रयास कर सकते हैं। आपको कांग्रेस या संसद के पटल से जनता के सामने प्रसारित अपने भाषाई विश्वासघात के स्पष्ट सबूतों से निपटने के अतिरिक्त सिरदर्द की आवश्यकता नहीं है (या ऐसी चीज को होने देने के लिए दोषी ठहराए जाने के रूप में साइबेरिया में निर्वासित होने का और भी बड़ा सिरदर्द)।

कभी-कभी, आप यह भी पा सकते हैं कि आप शब्दों के सामान्य संवादात्मक अर्थ में फंस गए हैं, जहाँ वे किसी ऐसी चीज़ को उजागर करते हैं जिस पर आप लोगों का ध्यान नहीं जा सकता। यदि ऐसा होता है, तो आपको भाषा के मूल सार में एक मौलिक परिवर्तन लागू करने के लिए मजबूर होना पड़ेगा। यह एक प्रकार का परमाणु विकल्प है जब आप किसी अन्य तरीके से कुछ छिपा नहीं सकते हैं, और इसे न छिपाने का जोखिम भी नहीं उठा सकते हैं। (सावधान!! इस तरह के साहसिक प्रयास में काफी कठिनाई भी आती है क्योंकि बहुत से लोग इस तरह के खुले और साहसिक भाषा परिवर्तन का विरोध करने के लिए इच्छुक होंगे - ठीक उसी तरह जैसे कई अज्ञानी लुडाइट लिंग परिवर्तन का विरोध करते हैं).

उदाहरण के लिए, "शांतिपूर्ण विरोध" शब्द को लें:

बेशक, 'सीमित' एक व्यक्तिपरक शब्द है जिसकी सटीक रूपरेखा अस्पष्ट है, जो आपको इस विवरण को लगभग किसी भी चीज़ पर लागू करने के लिए पर्याप्त स्वतंत्रता देता है, भले ही वह कितना भी असंगत या अनुपयुक्त क्यों न हो, जैसा कि इस वास्तविक जीवन की मीडिया रिपोर्ट से स्पष्ट है, जिसे और अधिक विवरण की आवश्यकता नहीं है:

I-4. श्रेणियाँ संयोजित करें

कभी-कभी, केवल परिभाषाओं को बदलकर डेटा को ढालना व्यावहारिक या व्यवहार्य नहीं होता है। हालाँकि चिंता न करें - यदि आप परिभाषा नहीं बदल सकते हैं, तो आप इसके बजाय डेटापॉइंट या श्रेणी को ही बदल सकते हैं, जिसका लोग उल्लेख करने वाले शब्द या वाक्यांश के आदी हैं। लोग श्रेणियों या डेटा बिंदुओं में सूक्ष्म या सूक्ष्म अंतरों के प्रति अभ्यस्त नहीं हैं, और मीडिया वैसे भी अधिकांश चीजों को एक साथ मिला देता है, जिससे यह एक आसान और सुविधाजनक तरकीब बन जाती है। उदाहरण के लिए, आप यह कोशिश कर सकते हैं:

  • विभिन्न आयु समूहों को मिलाकर:

मान लीजिए कि शानदार वैक्सीन की वजह से बहुत सारे बच्चे ज़ॉम्बी बन रहे हैं। यह शासन के लिए बहुत बुरा है। (इसका मतलब है कि आपको कुछ वैज्ञानिकों को उनके करियर के बचे हुए समय के लिए अंटार्कटिका में जलवायु अनुसंधान केंद्र पर काम करने के लिए फिर से नियुक्त करना चाहिए। बिना मोजे के।)

सबसे पहले, आपको इस नई स्थिति को हमेशा "मांसाहारी ज़ोंबी में सुरक्षित और प्रभावी परिवर्तन" के रूप में संदर्भित करना चाहिए। मांसाहारी भाग का कारण सरल है: 'मांस खाने वाला ज़ोंबी' बहुत डरावना लगता है, और सादा 'ज़ॉम्बी' ऐसा लगता है जैसे ज़ोंबी मूल रूप से मर चुके हैं - यानी कीमती बच्चे मर चुके हैं - इनमें से कोई भी ऐसी धारणा नहीं है जिसे आप लोगों के मन में आने देना चाहते हैं। (यद्यपि हमारा काल्पनिक उदाहरण व्यवहार में लागू होने की संभावना नहीं है, फिर भी यह सिद्धांत किसी भी स्थिति के लिए प्रासंगिक और लागू है: आपको हमेशा किसी चीज का नाम इस तरह रखना चाहिए कि उससे यह पता चले कि आप लोगों पर क्या प्रभाव डालना चाहते हैं।)

दूसरा, क्योंकि 12-17 आयु वर्ग में ज़ोम्बीफिकेशन की दर इतनी अधिक है कि यह डेटा (नीचे चार्ट) को देखने वाले किसी भी व्यक्ति के लिए स्पष्ट है, आपको शायद इससे निपटना होगा। इसलिए उम्र के हिसाब से डेटा को विभाजित करने के बजाय, जहाँ लोग तुरंत किडी ज़ोम्बीफिकेशन में वृद्धि को नोटिस करेंगे, डेटा को एक संयुक्त आयु समूह के रूप में प्रस्तुत करें जो संकेत को छिपाने या छिपाने के लिए पर्याप्त बड़ा है:

संक्षेप में आप जो कर रहे हैं वह यह है कि आप "शानदार वैक्सीन के बाद ज़ोम्बीफिकेशन की दर" शब्द को ले रहे हैं, जिसका उपयोग विभिन्न आयु समूहों को संदर्भित करने के लिए किया जा सकता है, और इसे सभी आयु समूहों की संयुक्त दर को संदर्भित कर रहे हैं।

अब कोई भी इस बात पर ध्यान नहीं देगा कि आंकड़े स्पष्ट रूप से दिखाते हैं कि ग्लोरियस वैक्सीन के कारण बच्चों के मांसाहारी ज़ोंबी में बदल जाने का खतरा है।

या इसके विपरीत, मान लीजिए कि बच्चे इतनी अधिक दर पर इस खतरनाक बीमारी से नहीं मर रहे हैं कि माताओं को डर लगे, तो आप 0-50 के संयुक्त आयु समूह से खतरनाक बीमारी से मृत्यु के आंकड़े प्रस्तुत कर सकते हैं, जिससे ऐसा लगेगा कि एक समूह में इतनी अधिक मौतें हुई हैं कि वे इतने अधिक ... शामिल बच्चे:

  • विभिन्न जनसांख्यिकीय समूहों का संयोजन:

आयु समूहों के समान ही विचार; मान लीजिए कि आप नागरिकों को यह पता लगाने से बचाना चाहते हैं कि यह खतरनाक बीमारी वास्तव में केवल मोटापे से ग्रस्त लोगों के लिए ही खतरनाक है - जो कि बुरा है:

  • सबसे पहले तो इसलिए कि तब वे उस भयंकर बीमारी से नहीं डरेंगे
    • दूसरा, क्योंकि लोग यह सवाल करना शुरू कर सकते हैं कि क्या वसा स्वस्थ है, जिसकी आप अनुमति नहीं दे सकते, क्योंकि वे 'वसा सकारात्मकता' के संबंध में शासन की कहानी पर सवाल उठाना शुरू कर सकते हैं और फिर कौन जानता है कि इसके बाद और क्या होगा।

इसलिए आपको सभी प्रकार की वजन पहचानों को कवर करने वाली एक संयुक्त श्रेणी का उपयोग करके खतरनाक बीमारी से होने वाली मृत्यु के आंकड़ों को प्रस्तुत करना चाहिए:

  • विभिन्न समय अवधियों का संयोजन

मान लीजिए कि आप देखते हैं कि खतरनाक बीमारी से होने वाली मौतें महीने दर महीने कम होती जा रही हैं - जो शासन की योजनाओं के लिए विनाशकारी हो सकती है, जिसके लिए लोगों को यह विश्वास दिलाना ज़रूरी है कि खतरनाक बीमारी महामारी अगले कुछ महीनों तक पूरी तरह से फैलती रहेगी। अगर लोगों को यह लगता है कि खतरनाक बीमारी कम हो रही है, तो यह खतरनाक बीमारी संकट का इस्तेमाल सामाजिक परिवर्तन को प्रभावित करने के साधन के रूप में करने का एक बहुत बड़ा अवसर खोना है, ताकि शासन की शक्ति को मजबूत और सुदृढ़ बनाया जा सके।

इसलिए मृत्यु के आंकड़ों को महीने के अनुसार प्रस्तुत करने के बजाय, तीनों महीनों को “तीन महीनों में मासिक औसत” की नई श्रेणी में संयोजित करें, जो जनवरी से मार्च तक की कमी को छिपा देगा, जैसा कि नीचे दर्शाया गया है:

  • विभिन्न भौगोलिक अधिकार क्षेत्रों का संयोजन

मान लीजिए कि देश के भीतर एक दुष्ट राज्य है जो शासन के लिए समस्याएँ खड़ी कर रहा है जो भयानक बीमारी से निपटने के लिए शासन के दिशा-निर्देशों का पालन नहीं करता है, जिसे हम डेथ सैंटिस्तान कहेंगे। यदि वे देश के बाकी हिस्सों की तुलना में बेहतर या समान परिणाम दिखाते हैं जहाँ वे अच्छे नागरिक हैं और शासन के दिशा-निर्देशों का पालन करते हैं, तो यह बहुत बुरा होगा। मान लीजिए कि इस बुरे राज्य के भीतर एक शहर या काउंटी है जो शासन के सभी दिशा-निर्देशों का पालन करने वाला एक वफ़ादार काउंटी है, लेकिन जिसकी मृत्यु दर डेथ सैंटिस्तान के बाकी हिस्सों की तुलना में बहुत अधिक है। जो बहुत बहुत बुरा है। समाधान? आप पूरे राज्य से डेटा प्रस्तुत कर सकते हैं ताकि लोग यह न बता सकें कि शासन के दिशा-निर्देशों का पालन करने वाले वफ़ादार काउंटी की मृत्यु दर बाकी राज्य की तुलना में 10 गुना अधिक है। यहां तक ​​कि एक बोनस लाभ भी है: आप डेथ सैंटिस्तान के पूरे राज्य को एक विफलता के रूप में इंगित कर सकते हैं क्योंकि वफ़ादार शासन काउंटी पूरे राज्य को बहुत बदतर बना देगा!!

वफादार शासन वाले शहरों की अनूठी समस्याओं को छिपाने के लिए सभी शहरों और काउंटियों को एक विश्वासघाती राज्य में मिलाना, एक ऐसी दुष्प्रचार रणनीति है जिसका उपयोग अप्रिय सूचनाओं को छिपाने के लिए किया जाता है, जैसे कि दुष्ट विपक्ष द्वारा नियंत्रित शहरों की तुलना में शासन-वफादार शहरों में अपराध दर बहुत अधिक है।

(साइड बारउच्च अपराध दर निश्चित रूप से एक अच्छी बात है, जो शासन द्वारा जानबूझकर किया गया निर्णय है - उच्च अपराध दर शासन के लिए उपयोगी है, क्योंकि अस्थिरता लोगों को समाधान के रूप में अत्याचारी सरकार को स्वीकार करने के लिए अधिक इच्छुक बनाती है।)

उदाहरण के लिए, यहां मुख्य सरकारी मीडिया मुखपत्रों में से एक द्वारा गैसलाइटिंग का एक शानदार उदाहरण प्रस्तुत है:

लाल रंग के बॉक्स में उपशीर्षक को देखें - देखें कि वे कितनी कुशलता से लाल रंग को छूते हैं राज्यों लाल राज्यों के नीले शहरों में उच्च अपराध दर के लिए, लेकिन राज्य के बाकी हिस्सों में नहीं, जहां शासन "लाल" है? बिल्कुल।

  • विभिन्न प्रकार के प्रभाव या घटना का संयोजन। उदाहरण के लिए, यदि किसी विशिष्ट प्रकार की बीमारी में वृद्धि होती है - जैसे कि ग्लोरियस वैक्सीन के आने के बाद दुर्लभ कैंसरों में चिंताजनक वृद्धि, जो लोगों को आधिकारिक शासन के कथन पर सवाल उठाने पर मजबूर कर सकती है कि ग्लोरियस वैक्सीन अब तक के इतिहास में निर्मित या खोजी गई सबसे सुरक्षित इकाई है - तो आप संकेत को छिपाने के लिए कैंसर की सामान्य श्रेणी का उपयोग कर सकते हैं - जो कि 1,000 गुना बड़ी है।

श्रेणियों को संयोजित करने के बारे में सोचने का एक और तरीका यह है कि आप कभी भी अलग-अलग समूहों या उपसमूहों के लिए विशिष्ट डेटा न दें, कुछ ऐसा जो कोविड के आने पर पूरी तरह से सही साबित हुआ। निम्नलिखित मतदान परिणामों पर विचार करें, जिसमें प्रत्येक आयु वर्ग के लिए कोविड मौतों का हिस्सा दिखाया गया है, साथ ही प्रत्येक आयु वर्ग के प्रतिशत को भी दिखाया गया है, जो चिंतित थे कि वे कोविड से मारे जाएँगे। (नीली पट्टियाँ प्रत्येक आयु वर्ग के प्रतिशत को दिखाती हैं, जो कोविड से मारे जाने के बारे में चिंतित थे, हरी पट्टियाँ प्रत्येक आयु वर्ग में कोविड मौतों की कुल संख्या का प्रतिशत दिखाती हैं।)

अगर लोगों को यह समझ में आ गया होता कि उनके मरने का वास्तविक जोखिम क्या है, तो नीली पट्टियाँ कम से कम हरी पट्टियों के बराबर होनी चाहिए थीं। जब नीली पट्टियाँ नाटकीय रूप से अधिक होती हैं, तो यह सभी आयु समूहों को बिना किसी भेदभाव के एक श्रेणी में जोड़कर क्रूरतापूर्वक प्रभावी प्रचार का परिणाम होता है:

सचमुच शानदार सफलता!!

I-5. विभाजित श्रेणियाँ

कभी-कभी आपको किसी श्रेणी को किसी दूसरी श्रेणी के साथ संयोजित करने के बजाय उसे विभाजित करने की आवश्यकता होगी। श्रेणियों को संयोजित करने के लिए ऊपर बताए गए ढांचे को उलट दें।

यह छोटा सा उपाय विशेष रूप से तब उपयोगी होता है जब आपको किसी चीज को सांख्यिकीय महत्व की सीमा से नीचे लाना हो।

चूंकि सांख्यिकीय महत्त्व डेटा और विज्ञान में एक बहुत ही महत्वपूर्ण अवधारणा है, इसलिए यह समझाना अच्छा विचार है कि यह कैसे काम करता है।

पारंपरिक चिकित्सा शैक्षणिक/वैज्ञानिक भाषा में प्रयुक्त सांख्यिकीय महत्त्व का मूलतः अर्थ यह है कि किसी चीज के यादृच्छिक संयोग से न होने की संभावना 5% से कम है।

If आप एक सिक्का 10 बार उछालते हैं, यादृच्छिक संयोग के कारण 7 सिर आने की संभावना 11.72% है - सांख्यिकीय रूप से महत्वपूर्ण नहीं है। यदि आप 100 बार सिक्का उछालते हैं, तो यादृच्छिक संयोग के कारण 70 सिर आने की संभावना नगण्य 0.0023% है - सांख्यिकीय रूप से बहुत महत्वपूर्ण (क्योंकि यह 5% से बहुत कम है) - जिसका अर्थ है कि यह यादृच्छिक संयोग के कारण उचित रूप से जिम्मेदार नहीं है, बल्कि कुछ विशिष्ट (जैसे धोखाधड़ी) के कारण सिक्का 70% सिर के लिए उछला।

ऐसा क्यों है? 7/10 पाने के लिए, आपको बस दो अतिरिक्त सिक्के उछालने की ज़रूरत है - एक क्रम में आगे बढ़ना। इस तरह के छोटे विचलन आसानी से यादृच्छिक रूप से हो सकते हैं। हालाँकि, 70/100 पाने के लिए आपको 20 अतिरिक्त सिक्के उछालने की ज़रूरत है - यादृच्छिक संयोग से कुल 20 में से *100* अतिरिक्त सिक्के उछालने की संभावना नगण्य है। इसलिए अगर हम 70 में से 100 सिर देखते हैं, तो हम मान सकते हैं कि किसी तरह की धोखाधड़ी चल रही है, क्योंकि यादृच्छिक संयोग से ऐसा होने की बहुत कम संभावना है।

आप इसका उपयोग अपने लाभ के लिए सांख्यिकीय रूप से महत्वपूर्ण संकेत को विभाजित करने और उस पर विजय पाने के लिए कर सकते हैं - आप उस श्रेणी को, जहां शासन सिद्धांत के विरुद्ध किसी बात के लिए सांख्यिकीय रूप से महत्वपूर्ण संकेत है, छोटी श्रेणियों में विभाजित कर सकते हैं, ताकि '70/100' के संकेत को '7/10' के समूह में विभाजित किया जा सके, जो व्यक्तिगत रूप से सांख्यिकीय रूप से महत्वपूर्ण नहीं हैं।

इसलिए, उदाहरण के लिए, यदि ऐसा संकेत मिलता है कि अद्भुत गौरवशाली टीकाकरण अभियान के बाद प्रति वर्ष प्रति 100K पर अधिक मौतें हो रही हैं, तो आप आयु समूह के आधार पर मृत्यु के आंकड़ों को प्रकाशित कर सकते हैं, जहां कोई भी आयु समूह मृत्यु में सांख्यिकीय रूप से महत्वपूर्ण वृद्धि नहीं दिखाएगा (और आप दावा कर सकते हैं कि यह संभवतः 'दीर्घकालिक खतरनाक बीमारी' से होने वाली अतिरिक्त मृत्यु है, जो उस खतरनाक बीमारी की जटिलताओं से हुई है):

सावधानी के नोट: इस विशेष रणनीति को आदर्श रूप से किसी अन्य चीज के साथ संयोजित किया जाना चाहिए; अन्यथा लोग सभी आयु समूहों को एक साथ जोड़ने के लिए सरल अंकगणित का उपयोग करके विभाजन को उलट-पुलट कर सकते हैं। इसलिए अन्य भ्रामक तरकीबें भी अवश्य शामिल करें।

I-6. श्रेणियों का पुनर्वितरण / पुनर्निर्धारण

श्रेणियों को एक साथ जोड़ने का एक और बेहतर विकल्प उन्हें फिर से वितरित करना है - एक तरह से कहें तो रेखाओं को फिर से खींचना। यह किसी भी विशेषता का उपयोग करके किया जा सकता है जिसके द्वारा श्रेणियों को अलग किया जाता है।

उदाहरण के लिए, डेथ सैंटिस्तान के दुष्ट विश्वासघाती राज्य के हमारे उदाहरण पर लौटते हुए, पूरे राज्य को एक राज्यव्यापी आंकड़े में संयोजित करने के बजाय, आप खतरनाक बीमारी के आंकड़ों के प्रयोजनों के लिए राज्य के अंदर काउंटियों की भौगोलिक सीमाओं को गुप्त रूप से इस तरह से पुनः बना सकते हैं - देखें कि क्या होता है जब हम काउंटी की सीमाओं को हरे रंग की रेखाओं में बदल देते हैं:

नोट: इसका मतलब यह नहीं है कि आपको राजनीतिक और मतदान जिलों जैसे अन्य उद्देश्यों के लिए काउंटियों को सचमुच फिर से बनाना होगा; आप केवल खतरनाक बीमारी के आंकड़ों के उद्देश्य से अलग-अलग सीमाओं का उपयोग कर रहे हैं। (हालांकि आबादी यह मान लेगी कि आपका मतलब वास्तविक काउंटियों से है जो मौजूद हैं और इसलिए उन्हें एहसास नहीं होगा कि आपने उनके साथ धोखा किया है। इसे एक कारण से प्रचार कहा जाता है।)

I-7. द्रव परिभाषाएँ

कई बार ऐसा होता है कि आपको किसी एक चीज़ के लिए एक ख़ास परिभाषा का इस्तेमाल करने की ज़रूरत होती है, लेकिन किसी दूसरी चीज़ के लिए आपको उस ख़ास परिभाषा से बचना भी पड़ता है। ऐसे मामलों में, आपको एक शब्दकोश की तरह काम करना चाहिए - शब्दकोशों में आम तौर पर एक शब्द के लिए कई अलग-अलग परिभाषाएँ होती हैं, आप भी ऐसा ही कर सकते हैं।

उदाहरण के लिए, 'महिला' शब्द को कभी-कभी 'एक वयस्क मानव के रूप में परिभाषित किया जाता है, जिसमें महिला के शारीरिक और आनुवंशिक लक्षण होते हैं', जैसे कि किसी महिला के चयन के अधिकार पर चर्चा करते समय; और कभी-कभी इसे 'एक व्यक्ति जो महिला के रूप में पहचान करता है' के रूप में परिभाषित किया जाता है, जैसे कि संगठित खेलों के संदर्भ में।

खंड II – डेटा संग्रहित करना

लचीली परिभाषाओं का प्रयोग करने से भी बेहतर है कि उन स्थितियों से बचा जाए जिनमें पहली जगह परिभाषा बदलने की आवश्यकता होती है।

ऐसी समस्याओं से बचने का सबसे अच्छा तरीका है कि डेटा को इस तरह से व्यवस्थित किया जाए कि संभावित परेशानी पैदा न हो, इसके लिए डेटा के व्यवस्थितकरण, संगठन और प्रस्तुति को भ्रष्ट तरीके से हाईजैक करने के लिए निम्नलिखित आजमाए हुए और परखे हुए तरीकों में से एक या अधिक का उपयोग किया जाए।

II-1. किसी चीज़ का निदान या पहचान न करें

यदि कोई मरीज ग्लोरियस वैक्सीन लेने के बाद कई न्यूरोलॉजिकल कमियों से पीड़ित आता है और उसे उसकी "चिंता" के लिए ज़ैनैक्स प्रिस्क्रिप्शन के साथ घर भेज दिया जाता है, तो यह किसी भी डेटाबेस में पहले स्थान पर न्यूरोलॉजिकल कमी के लिए निदान उत्पन्न नहीं करेगा। किसी ऐसी स्थिति का कोई निदान नहीं जो ग्लोरियस वैक्सीन के कारण हो सकती है - या किसी बड़ी सरकारी या बीमा डेटाबेस में डायग्नोस्टिक कोड - का मतलब है कि आपको ग्लोरियस वैक्सीन से जुड़ी निदान की गई चोटों के अस्तित्व को छिपाने के लिए परिभाषात्मक चालाकी का इस्तेमाल करना होगा। इस प्रकार आपको यह सुनिश्चित करना चाहिए कि पूरी तरह से सुरक्षित और प्रभावी ग्लोरियस वैक्सीन के लिए समस्याग्रस्त या विरोधाभासी डेटा/अवलोकनों का निदान या पहचान करने के लिए जिम्मेदार लोग ऐसा करने से बचें।

यहां इस बात पर जोर देना जरूरी है कि मरीजों को उनके अपने चिकित्सकों द्वारा आसानी से यह भ्रम दिया जाता है कि 'यह सब उनके दिमाग में है', जबकि उन्हें पता है कि उन्हें गंभीर, जीवन बदल देने वाली चिकित्सा चोटें लगी हैं, जो उन्हें अक्षम बना देती हैं और काम करने में पूरी तरह से असमर्थ बना देती हैं। जिसका अनुभव वे प्रतिदिन करते हैं.

आइये इसे निम्नलिखित काल्पनिक परिदृश्य से स्पष्ट करें:

शासन के अधिकारियों का मानना ​​है कि सरकार द्वारा नियंत्रित प्रचार प्रसार ग्लोरियस वैक्सीन की सुरक्षा पर नज़र रखने के लिए सुरक्षा निगरानी डेटाबेस स्थापित किया गया –

- VAMP सिंड्रोम का संकेत है (Vआरोपित करना Aसंबद्ध Mरूपात्मक Pहेनोमेना) की स्थितियाँ:

एक मरीज तीव्र, तीव्र शुरुआत के साथ डॉक्टर के कार्यालय में आता है रेनफील्ड सिंड्रोम (खून की प्यास), अत्यधिक प्रकाश संवेदनशीलता, स्पष्ट मैक्रोडोन्टिया, और गंभीर संपर्क जिल्द की सूजन जो कि ग्लोरियस वैक्सीन के साथ टीका लगाए जाने के कुछ ही घंटों के भीतर शुरू हुई। यह एक VAMP सिंड्रोम साइड इफेक्ट का एक स्पष्ट मामला है - रोगी की प्रस्तुति पूरी तरह से वैम्पायरिज्म के लिए नैदानिक ​​​​मानदंड को फिट करती है और यह स्थिति ग्लोरियस वैक्सीन के कारण हुई थी (चूंकि आप डॉक्टर सुरक्षित रूप से किसी अन्य कारण को खारिज कर सकते हैं और टीका लगने के बाद VAMP लक्षणों की शुरुआत की तत्कालता एक बहुत ही स्पष्ट संकेतक है कि ग्लोरियस वैक्सीन के कारण लक्षण हुए हैं)।

हालांकि रोगी यह देख सकता है कि वे स्पष्ट रूप से सही नहीं हैं - उन्हें आपके धड़कते हुए गले की नस को चबाने का भारी प्रलोभन महसूस होता है, वे एक खिड़की के सामने खड़े नहीं हो सकते जब तक कि पर्दे पूरी तरह से बंद न हों, वे गलती से अपने नए अतिरिक्त लंबे और उस्तरे-तीखे सामने के दांतों से अपनी जीभ के कुछ टुकड़े काट लेते हैं, और उनकी त्वचा छिलने लगती है अगर वे चांदी के पारिवारिक विरासत को छूते हैं - तो क्या?? आप अभी भी रोगी को बता सकते हैं, "यह आपके दिमाग में है" और उन्हें ज़ैनक्स के पर्चे के साथ घर भेज सकते हैं (और शायद एक या दो बैग ओ-नेगेटिव रक्त यदि आपको लगता है कि रोगी खुद को अधिक समय तक नियंत्रित करने में सक्षम नहीं हो सकता है और आप नहीं चाहते कि आपकी गले की नस उनके भोजन की आपूर्ति करे)। और रोगी वास्तव में इसे स्वीकार कर लेगा और बिना किसी झगड़े के घर

इससे VAMP सिंड्रोम का कोई भी नैदानिक ​​रिकॉर्ड बनाने की आवश्यकता ही नहीं रह जाती, इसलिए किसी भी डेटाबेस में दिखाने के लिए कुछ भी नहीं बचता।

आप यह जानकर आश्चर्यचकित होंगे कि कितने डॉक्टर इस हद तक आज्ञाकारी हैं कि वे खुद को यह विश्वास दिला लेंगे कि शानदार वैक्सीन लगने के एक घंटे बाद ही कहीं से उग आई पूंछ वाली रोयेंदार महिला इसका ग्लोरियस वैक्सीन से कोई लेना-देना नहीं है.

(नोट: गंभीरता से कहें तो, चीजों के लिए आकर्षक संक्षिप्त नाम या नाम का प्रयोग करना महत्वपूर्ण है, जिससे यह आभास हो कि आप चाहते हैं कि लोग उस चीज को किस रूप में देखें, इसलिए इस उदाहरण का प्रयोग वास्तविक जीवन में न करें, क्योंकि इससे यह पता चलता है कि आप सुरक्षा निगरानी को गंभीरता से नहीं ले रहे हैं, और इससे लोगों को यह विश्वास होने की अधिक संभावना है कि आप ग्लोरियस वैक्सीन के साथ वास्तविक सुरक्षा मुद्दों को छिपाने की कोशिश कर रहे हैं।)

II-2. किसी चीज़ का अति-निदान या अति-पहचान करना

इसके विपरीत, यदि आपको किसी चीज़ को आसानी से उपलब्ध होने वाली चीज़ों से ज़्यादा बनाना है, तो बस #1 को उलट दें। उदाहरण के लिए, यदि आप चाहते हैं कि लोग ख़तरनाक बीमारी से ज़्यादा डरें, तो आप ख़तरनाक बीमारी के 'पुष्टि किए गए' मामलों की संख्या बढ़ाने के लिए बड़े पैमाने पर परीक्षण व्यवस्था लागू कर सकते हैं। यह भी सुनिश्चित करें कि ऐसे परीक्षण का उपयोग करें जो सकारात्मकता की बहुत उच्च दर लौटाएँ, चाहे वे सच हों या झूठ।

किसी चीज़ के लिए निगरानी या परीक्षण बढ़ाकर, आप जिस चीज़ के लिए परीक्षण कर रहे हैं, उसकी संख्या में वृद्धि का आभास दे सकते हैं, या कम से कम यह दिखावा बनाए रख सकते हैं कि यह अभी भी मौजूद है। अच्छे पुराने यू.एस.ए. से निम्नलिखित उदाहरण पर विचार करें - आप शीर्ष चार्ट पर देख सकते हैं कि जैसे-जैसे दैनिक कोविड परीक्षणों की संख्या बढ़ी, उसी समय सकारात्मक परीक्षण का प्रतिशत 75% से अधिक गिर गया (नीचे चार्ट)। इससे जो हुआ वह यह था कि केस संख्या अपेक्षाकृत उच्च (मध्य चार्ट) बनी रही, इसलिए भले ही सकारात्मक परीक्षण का प्रतिशत 75% से कम हो गया, लेकिन उसी समय अवधि के दौरान नए मामलों की संख्या में केवल 25% की कमी आई।

मामलों की संख्या में निरर्थक वृद्धि, जो पूरी तरह से अधिक परीक्षण का परिणाम थी, फिर भी 11 जून, 2020 को प्रकाशित इस महान एनबीसी पैनिक पोर्न लेख जैसी सुर्खियों में परिणत हुई:

याद रखें: आप जो खोजते हैं, उसे पाते हैं, और जो खोजते हैं, उसे और अधिक पाते हैं।

II-3. जो निदान या पहचान हो गई है उसकी रिपोर्ट न करें

कभी-कभी किसी ऐसी चीज़ का निदान या पहचान करना संभव नहीं होता जिसे अनदेखा ही छोड़ दिया जाए। ऐसे मामले में, आप कम से कम यह सुनिश्चित कर सकते हैं कि जो देखा गया है वह आधिकारिक रिपोर्ट या डेटा में शामिल न हो:

स्रोत: https://www.nytimes.com/2022/02/20/health/Covid-cdc-data.html

अधिक व्यक्तिगत स्तर पर, आपको डॉक्टरों, चिकित्सा कर्मियों और प्रशासनिक कर्मचारियों को निर्देश जारी करना चाहिए कि वे ऐसी चीजों का निदान न करें जिन्हें आप डेटासेट में नहीं दिखाना चाहते हैं। वफादार शासन-अनुपालक डॉक्टरों के लिए वित्तीय प्रोत्साहन का उपयोग करने में संकोच न करें। यहाँ कंजूसी न करें - रोकथाम लगभग हमेशा समस्याओं के उत्पन्न होने के बाद उन्हें ठीक करने की तुलना में सस्ता (और कम तनावपूर्ण) होता है।

यहां तक ​​कि उन दुर्लभ मामलों में भी, जहां कोई डॉक्टर ग्लोरियस वैक्सीन लेने के तुरंत बाद किसी मरीज में गंभीर स्थिति उत्पन्न होने का निदान करने से बच नहीं सकता है, डॉक्टर फिर भी ग्लोरियस वैक्सीन से होने वाली चोटों के किसी भी डेटाबेस में प्रतिकूल घटना की रिपोर्ट करने से बच सकता है।

वैकल्पिक रूप से, यदि ग्लोरियस वैक्सीन से होने वाली चोटों का दस्तावेजीकरण करने वाले शासन डेटाबेस में अभी भी बहुत सारी समस्याग्रस्त रिपोर्टें हैं, जो इसकी सुरक्षा पर संदेह पैदा करती हैं, तो आपको दो चीजें करनी होंगी।

पहला यह है कि कुछ डेटाबेस प्रशासकों को सोमालिया के तटीय क्षेत्र में छोड़ दिया जाए जहाँ समुद्री डाकू रहते हैं ताकि बाकी लोग अपना काम ठीक से कर सकें और इतनी सारी रिपोर्ट को पास होने से रोक सकें। आप उन्हें एक काम करने के लिए भुगतान कर रहे हैं, जो कि जनता की धारणा को बनाए रखना है कि ग्लोरियस वैक्सीन अब तक का सबसे सुरक्षित दवा उत्पाद है; विफलता स्वीकार्य नहीं है।

दूसरा यह है कि डेटाबेस में मौजूद समस्याग्रस्त रिपोर्ट को सार्वजनिक रूप से उजागर न किया जाए। CDC ने अपनी पूरी कोशिश की, लेकिन अंततः एक दुष्ट न्यायाधीश (जो न्यायपालिका पर भी नियंत्रण रखने की आवश्यकता पर जोर देता है) के कारण उन्हें हार का सामना करना पड़ा:

II-4. यदि निष्कर्षों से समस्या उत्पन्न हो सकती है तो घटना की जांच की अनुमति न दें

"आप जो खोजते हैं, वही आपको मिलेगा" का दूसरा पहलू यह है कि "आप जो नहीं खोजते हैं, वह आपको नहीं मिलेगा", इसलिए सुनिश्चित करें कि कोई भी व्यक्ति किसी ऐसी चीज़ के संभावित संकेतों की तलाश में न जाए जो शासन की कहानी के लिए समस्या पैदा कर सकती है। मान लीजिए, शासन ने 'गलती से' किसी तीसरी दुनिया के शहर में प्लेग फैला दिया, तो आप सोशल मीडिया के षड्यंत्र सिद्धांतकारों को यह पता लगाने नहीं दे सकते कि क्या हुआ, इसलिए आपको यह सुनिश्चित करना चाहिए कि कोई भी व्यक्ति शव परीक्षण या बीमार व्यक्तियों का परीक्षण न करे।

सी.डी.सी. ने शासन के लिए संभावित रूप से हानिकारक डेटा को बाहर रखने के लिए अच्छी पूर्व-निवारक रणनीतिक सोच का एक और उदाहरण प्रस्तुत किया है:

सी.डी.सी. ने बहुत ही चतुराई से, सी.डी.सी. के स्वयं के वी.ए.ई.आर.एस. वैक्सीन सुरक्षा निगरानी डेटाबेस में दर्ज हजारों मौतों के बारे में अभी तक एक भी शव-परीक्षण नहीं कराया है।क्या आपको सेक्शन I में परिभाषाओं में बेतुकी शर्तें जोड़ने वाला हिस्सा याद है? अगर आपको याद नहीं है, तो बेहतर होगा कि आप सामग्री की समीक्षा करें ताकि वह आपकी उंगलियों पर हो।)

II-5. सबसे पहले डेटा का केवल एक भाग ही प्रकाशित करें

अक्सर, डेटा के एक हिस्से को प्रकाशित करके और दूसरे हिस्से को बाद के लिए छोड़ देने से, आप एक झूठी कहानी बना सकते हैं जो जड़ जमा लेती है। इसलिए जब आप अंततः शेष डेटा प्रकाशित करते हैं, तो इससे कोई फर्क नहीं पड़ता कि यह उस आधार का खंडन करता है जो अब स्वीकृत सिद्धांत बन गया है।

उदाहरण के लिए, यदि आपको इस खतरनाक बीमारी को वास्तविकता से अधिक व्यापक रूप में चित्रित करने की आवश्यकता है, तो आप वर्जीनिया के अत्याधुनिक प्रचारकों का अनुसरण कर सकते हैं और कुछ नकारात्मक परीक्षण परिणामों को कुछ समय के लिए रोक सकते हैं ताकि सकारात्मक परीक्षण परिणामों का प्रतिशत बढ़ सके - जिससे ऐसा लगे कि अधिक लोग इस खतरनाक बीमारी से बीमार हैं:

स्रोत: https://www.wavy.com/news/health/coronavirus/virginia-june-12-Covid-19-update-virginias-percent-of-positive-tests-drops-to-8-after-backlog-of-43k-negative-tests-added/

एक और परिदृश्य जहां आप आंशिक डेटा प्रकाशन तकनीक का बहुत प्रभावी ढंग से उपयोग कर सकते हैं, वह है जब आप खुद को किसी भी कारण से डेटा जारी करने के लिए मजबूर पाते हैं जो शासन को वास्तव में बुरा दिखाएगा (ऐसा होता है)। इसलिए आप यथासंभव लंबे समय तक वास्तव में हानिकारक सामग्री को जारी करने में देरी करना चाहते हैं - यदि आप लंबे समय तक प्रतीक्षा करते हैं, तो यह अंततः प्रासंगिक नहीं रह जाएगा। इसके अलावा, यदि आप इसे एक साथ डंप करते हैं, तो शॉक फैक्टर बहुत बड़ा होगा और आपके हाथों में बड़ी गड़बड़ी होगी। हालांकि, यदि आप सूचना को बूंद-बूंद करके जारी करते हैं, तो जब तक निंदनीय टुकड़े जारी किए जाते हैं, तब तक "वाह" शॉक फैक्टर पहले ही खत्म हो चुका होता है, और लोग अब उतना ध्यान नहीं देने वाले हैं। इस रणनीति का प्रयास FDA द्वारा किया गया था, हालांकि इसे ज्यादातर दुष्ट न्यायाधीश द्वारा विफल कर दिया गया था (शासन पर दुष्टता करने से विद्रोही न्यायाधीशों को रोकने के लिए न्यायिक नियंत्रण की महत्वपूर्ण आवश्यकता पर जोर देते हुए):

II-6. डेटा या सूचना के स्वीकार्य स्रोतों को सीमित करें

जब ऐसे स्रोत हों जो शासन के कथन से असंगत डेटा उत्पन्न करते हैं (आपके सर्वोत्तम प्रयासों के बावजूद कभी-कभी ऐसा होता है), तो उन्हें प्रोपेगैंडा या रूसी बॉट्स जैसी किसी अन्य अविश्वसनीय और खतरनाक चीज़ के रूप में बदनाम करें। (एक सामान्य नियम के रूप में, आप हमेशा किसी भी असुविधाजनक जानकारी को "रूसी दुष्प्रचार" के लिए दोषी ठहरा सकते हैं या जिम्मेदार ठहरा सकते हैं।)

इस रणनीति का एक उदाहरण CDC द्वारा संचालित VAERS डेटाबेस होगा। जब VAERS ने कोविड वैक्सीन से होने वाली वैक्सीन चोटों की बेहद अजीब संख्या दिखाई -

- संपूर्ण वैज्ञानिक प्रतिष्ठान तंत्र ने VAERS को एक षड्यंत्र सिद्धांत के रूप में लेबल किया जिसका उपयोग खतरनाक गलत सूचना फैलाने के लिए किया जा रहा है:

हालाँकि, यदि ये डेटा ऐसे शासन डेटासेट से आते हैं जिन्हें अवैज्ञानिक कचरा कहकर खारिज करना बहुत कठिन है (हाँ, ऐसा होता है), तो इन्हें प्रकाशित करना बंद करो और इसके बजाय उन्हें खराब तरीके से निर्मित और घातक त्रुटियों से भरा हुआ बताकर बदनाम कर दिया जाता है।

हम इस सिद्धांत को समझाने के लिए UKHSA का उपयोग कर सकते हैं। लगभग सभी आयु समूहों के लिए कच्चे टीके की प्रभावकारिता नकारात्मक क्षेत्र में गिरने के बाद (जैसा कि टीका लगाए गए लोगों में कोविड के संक्रमण का जोखिम गैर-टीकाकृत लोगों की तुलना में अधिक था), UKHSA ने साप्ताहिक वैक्सीन प्रभावकारिता डेटा प्रकाशित करना बंद कर दिया:

यूकेएचएसए ने एक चेतावनी भरी कहानी भी प्रस्तुत की है कि जब आप समस्याग्रस्त डेटासेट को बंद करने में बहुत अधिक समय लगा देते हैं, तो क्या होता है:

आप हर हफ़्ते ऐसी सुर्खियाँ नहीं देख सकते!! उन्हें इस डेटासेट को बहुत पहले ही हटा देना चाहिए था, जब टीका लगवाने वालों को कोविड होने की संभावना टीका न लगवाने वालों से ज़्यादा होने लगी थी। यह एक बेवजह की गलती है, ऐसी मूर्खतापूर्ण गलती जिसके लिए सचमुच सिर कटने चाहिए। आखिर उन्होंने 80 साल के लोगों के लिए *बूस्टर* प्रभावकारिता के नकारात्मक होने तक इंतज़ार क्यों किया???? UKHSA में किसी ने कुछ समय से यह किताब नहीं पढ़ी है, जो स्पष्ट रूप से थोड़ी समीक्षा से लाभान्वित होता। . .

II-7. यह निर्धारित करते समय दोहरे मापदंड अपनाएँ कि कौन सी जानकारी विश्वसनीय और विश्वसनीय है

कुछ प्रचारक खुलेआम पाखंडी होने से हिचकिचा सकते हैं, क्योंकि वे खुलेआम दो असंगत मानकों को स्थापित करके खुद को उजागर महसूस करते हैं, जिन्हें कुछ साधारण किसान भी नोटिस कर सकते हैं। हालाँकि आपको इस इच्छा से लड़ना चाहिए। समझें कि जब बात जनता को गुमराह करने के लिए बातचीत के बिंदुओं और पदों को तैयार करने की आती है, तो दोहरे मानकों को अपनाने से आपके विकल्प तेजी से बढ़ जाते हैं।

यह बात विशेष रूप से तब सच होती है जब यह उपाख्यानों की बात आती है। शासन के मुद्दों का समर्थन करने वाले उपाख्यानों, विशेष रूप से शासन द्वारा अनुमोदित स्रोतों से प्राप्त उपाख्यानों को सबूत के उच्चतम रूप के रूप में माना जाना चाहिए; जबकि शासन के प्रचार का खंडन करने वाले विधर्मी या अस्वीकृत स्रोतों से प्राप्त उपाख्यानों को केवल उपाख्यान के रूप में निंदा की जानी चाहिए और उनका कोई साक्ष्य मूल्य नहीं होना चाहिए, जो किसी भी तरह से मायने नहीं रखता।

इसलिए शासन-अनुपालक डॉक्टरों और वफादार नागरिकों द्वारा इस भयंकर बीमारी से लोगों की हत्या और उन्हें अपंग बनाने की कहानियां अकाट्य साक्ष्य हैं, लेकिन शानदार वैक्सीन के कारण घायल होने या मृत्यु की कहानियां, यदि पूरी तरह से मनगढ़ंत न हों, तो यादृच्छिक संयोग से अधिक कुछ नहीं हैं, जिन्हें शासन को बदनाम करने और हर जगह उन सभी अच्छे लोगों को खतरे में डालने के लिए नीच धोखेबाजों द्वारा फैलाया गया है, जो सिर्फ जीवित और स्वस्थ रहना चाहते हैं:

खुलेआम दोहरे मापदंड अपनाने से यह अतिरिक्त महत्वपूर्ण लाभ भी होता है कि इससे जनता को यह धारणा बना दी जाती है कि डेटा या सूचना विश्वसनीय है या नहीं, इसका निर्धारण करने का वास्तविक मापदंड वही है जो शासन कहता है।

II-8. अपनी कहानी को सुरक्षित रखने या मजबूत करने के लिए डेटा को दूषित करें

कभी-कभी, समस्याग्रस्त डेटा से बचने का सबसे आसान तरीका बस नकली डेटा का आविष्कार करना होता है। आप पूरी तरह से कुछ भी बना सकते हैं। या आप अधिक सूक्ष्म दृष्टिकोण अपना सकते हैं, और सूक्ष्म दोष या पूर्वाग्रहों को पेश करके डेटा को दूषित कर सकते हैं जिन्हें औसत व्यक्ति के लिए नोटिस करना मुश्किल होता है। डेटा को गढ़ने या गलत साबित करने के असीमित तरीके हैं, यहाँ गिनाने के लिए बहुत सारे हैं। बस इस बात का ध्यान रखें कि डेटा को इस तरह से गलत साबित करें कि उसे आसानी से खोजा या रिवर्स-इंजीनियर न किया जा सके।

उदाहरण के लिए, हमारी पिछली काल्पनिक स्थिति पर वापस आते हुए, जहाँ आपको लोगों को यह विश्वास दिलाना है कि किसी ख़तरनाक बीमारी के मामले वास्तव में जितने हैं, उससे कहीं ज़्यादा हैं, ख़तरनाक बीमारी को ज़्यादा प्रचलित दिखाने का दूसरा तरीका है कि वर्तमान में बीमार लोगों की संख्या को पहले से ठीक हो चुके लोगों की संख्या के साथ जोड़ दिया जाए। CDC ने वास्तव में यही किया जब उन्होंने एंटीबॉडी टेस्ट (जो कोविड से पहले से ठीक हो चुके लोगों की संख्या को मापता है) को PCR टेस्ट (जो वर्तमान में बीमार लोगों की संख्या को मापता है) के साथ मिलाकर “पॉज़िटिव कोविड टेस्ट रिजल्ट” का एक मीट्रिक बनाया, जिसमें चालाकी से उन सभी लोगों को शामिल किया गया जो पहले से ठीक हो चुके हैं:

स्रोत: https://fox4kc.com/tracking-coronavirus/cdc-and-11-states-acknowledge-mixing-results-of-viral-and-antibody-tests/

ऊपर रेखांकित वाक्यों पर ध्यान दीजिए, वे काफी रहस्य उजागर करने वाले हैं।

हरे रंग से रेखांकित वाक्य – “सी.डी.सी. की पद्धति से ऐसा प्रतीत होता है कि अमेरिका के पास परीक्षण करने की वास्तविक क्षमता से अधिक क्षमता है।” - देखिए कि कैसे CDC ने इस एक पैंतरेबाज़ी से कई प्रचार कुकीज़ को शानदार ढंग से नियंत्रित किया। न केवल उन्होंने सक्रिय रूप से संक्रमित लोगों की बहुत अधिक दरों का भ्रम पैदा किया; उन्होंने यह भी भ्रम पैदा किया कि सरकार के पास वायरस के लिए लोगों का परीक्षण करने की क्षमता वास्तव में सरकार के पास मौजूद क्षमता से कहीं अधिक है। (सरकार की क्षमता के उदाहरणों को दिखाना अच्छा है, क्योंकि सरकार की चौंका देने वाली अक्षमता के लिए प्रसिद्ध प्रतिष्ठा लोगों के बीच सरकार के बारे में सबसे कुख्यात कठिन धारणाओं में से एक है।) एक तेज प्रचारक हमेशा लाभ के लिए अतिरिक्त कोणों का फायदा उठाने की तलाश में रहता है, बजाय इसके कि वह इस बात से संतुष्ट हो कि इस्तेमाल की गई प्रचार रणनीति ने अपना प्राथमिक उद्देश्य पूरा कर लिया है।

लाल रंग से रेखांकित वाक्य - "संख्याओं से ऐसा लग सकता है कि राज्यों के पास पर्याप्त परीक्षण क्षमता है और वे प्रतिबंध हटाने के लिए तैयार हैं, जबकि ऐसा नहीं हो सकता है" (और वास्तव में अंतिम दो पैराग्राफ) - संभावित कांटों को जड़ से खत्म करने के बारे में एक बुद्धिमानी भरा सबक देते हैं। आपको हमेशा - हमेशा!! - किसी भी संभावित निहितार्थ या सूचना पर त्वरित प्रतिक्रिया को रोकने के लिए सतर्क रहना चाहिए, जो भले ही आम तौर पर शासन का समर्थन करती हो, लेकिन इसमें कुछ ऐसा भी हो सकता है जिसे आधिकारिक शासन कथा के किसी अन्य पहलू को कमजोर करने के लिए तोड़ा-मरोड़ा जा सकता है। मूल रूप से, आप अपना केक खा सकते हैं और उसे खा भी सकते हैं! यहाँ सराहना करें कि कैसे उद्धृत शासन वैज्ञानिक ने एक साथ (1) शासन की असाधारण क्षमता के एक उपाय के रूप में बढ़ी हुई परीक्षण क्षमता की स्वीकृति को आवाज़ दी; (2) असंतुष्ट राजनीतिक दल पर [जानबूझकर] "दुर्घटना" का दोष मढ़ा; और (3) चेतावनी दी कि भले ही राज्य परीक्षण को व्यापक रूप से उपलब्ध कराने के लिए इतना बढ़िया काम कर रहा हो, इसका मतलब यह नहीं है कि इसे फिर से खोलना सुरक्षित है! याद रखें, महामारी को नियंत्रित करना है, जिसे यह शासन वैज्ञानिक कुशलता से कर रहा है। (इस तरह के उत्कृष्ट कार्य के लिए शासन वैज्ञानिकों को अच्छा इनाम देना सुनिश्चित करें। इससे बाकी वैज्ञानिकों को अपना काम बेहतर करने के लिए प्रोत्साहन मिलेगा और यह मनोबल के लिए भी अच्छा है।)

यह भी ध्यान रखें कि मीडिया एक महत्वपूर्ण शासन सहयोगी है जिसके बिना आप असफल हो जाएंगे। इसलिए मधुर संबंध बनाए रखने के लिए आपको जो करना है, वह करें - यहाँ पैसे बचाने की कोशिश न करें।

II-9. समस्याग्रस्त डेटा हटाएं

हाँ। हिलेरी के ईमेल पर ब्लीच बिटिंग की तरह। समय-समय पर डेटाबेस से ऐसे डेटा को हटाना अच्छा होता है जो शासन के कथनों या पदों से मेल नहीं खाते हैं; अन्यथा यह एक स्पष्ट प्रवृत्ति में जमा हो सकता है जिसे शासन के असंतुष्टों या गलत सूचना फैलाने वालों द्वारा देखा जा सकता है।

इसलिए, उदाहरण के लिए, यदि ग्लोरियस वैक्सीन के लिए सुरक्षा डेटाबेस में बहुत अधिक रिपोर्ट हैं, तो उन्हें हटा दें, जैसा कि CDC करता है, जैसा कि नीचे दिए गए चार्ट में दर्शाया गया है, जिसमें प्रत्येक सप्ताह CDC द्वारा हटाई गई समस्याग्रस्त VAERS रिपोर्टों की संख्या दर्शाई गई है:

इस मामले में ध्यान दें कि CDC के VAERS कर्मचारी ज़्यादातर समय कम प्रदर्शन कर रहे थे - आप महत्वपूर्ण कर्मियों को काम से ढिलाई बरतने की अनुमति नहीं दे सकते। इस पूरे चार्ट में ऊपर तक बार दिखाई देने चाहिए - कोई वैध कारण नहीं है कि उन्होंने अगस्त 2021 में VAERS की बहुत सारी रिपोर्ट क्यों नहीं हटाईं, जैसा कि उन्होंने अप्रैल और मई 2022 के दौरान किया था। अगर आपको रिपोर्ट हटाने के लिए अतिरिक्त कर्मियों को नियुक्त करना है, तो ऐसा करें।

इसके अलावा, इन आलसी लोगों ने पहले ही इतनी सारी रिपोर्टें क्यों जमा होने दीं? ऐसे डेटाबेस में शुरू में इतनी रिपोर्टें भी नहीं होनी चाहिए थीं कि बाद में इन रिपोर्टों को साप्ताहिक रूप से सामूहिक रूप से हटाने की जरूरत पड़े।

संभवतः इस पूरी पुस्तक का सबसे महत्वपूर्ण सबक यह है: प्रचार-प्रसार और उसे बनाए रखने की उबाऊ, हास्यास्पद, थकाऊ तार्किक बारीकियां, एक बड़े झूठ या विस्मयकारी भाषाई जिम्नास्टिक के समान ही महत्वपूर्ण हैं।

यदि लोगों को पता चले कि कोई डेटा गायब है, तो आपको इसके लिए कोई औचित्य या स्पष्टीकरण देने के लिए रचनात्मक होना पड़ सकता है, इसलिए किसी भी स्थिति के लिए पहले से ही बातचीत के लिए बिंदु तैयार रखें।

आंकड़ों को हटाने की कुटिल कार्रवाई का एक और बड़ा उदाहरण ऑस्ट्रेलियाई सरकार द्वारा किया गया निम्नलिखित शानदार विलोपन है, जिसमें असुविधाजनक जलवायु आंकड़ों को हटा दिया गया है, जिसमें दिखाया गया है कि गर्मी के रिकॉर्ड इतने साल पहले हुए थे कि उन्हें मानव कार्बन उत्सर्जन के लिए जिम्मेदार नहीं ठहराया जा सकता:

दुर्भाग्य से, वे पकड़े गए, जो कभी-कभी अपरिहार्य होता है जब आप किसी बहुत महत्वपूर्ण और ध्यान देने योग्य चीज़ को हटाने का प्रयास करते हैं। यही कारण है कि एक गुलाग सिस्टम तैयार होना और चौबीसों घंटे काम करना ज़रूरी है ताकि एक पल की सूचना पर नए कैदियों की अचानक बढ़ोतरी को संभाला जा सके (जैसे ऑस्ट्रेलिया के क्वारंटीन कैंप)।

II-10. विपक्ष को धोखा देने और बदनाम करने के लिए अपने ही कथन को गलत साबित करने वाला झूठा डेटा तैयार करें

जब आपके प्रचार प्रयासों के लिए लगातार सूचना के खतरे का सामना करना पड़ता है, तो यह उनके अधिकार, विश्वसनीयता और प्रभाव को कम करने की एक शानदार कुटिल रणनीति है। बस झूठे डेटा को सामने रखें जो सतही तौर पर शासन की कहानी को खारिज करता प्रतीत होता है, लेकिन इसे आसानी से गलत साबित किया जा सकता है। राज्य के कायर दुश्मन निस्संदेह इस झूठी जानकारी या डेटा को जब्त कर लेंगे, और इसलिए जब आप यह प्रदर्शित करेंगे कि वे अब स्पष्ट रूप से हास्यास्पद दावों के लिए गिर गए हैं, तो वे बदनाम हो जाएंगे।

जैसे कि सेना ने अपने खुद के इन-हाउस डेटाबेस के साथ क्या किया, जिसमें पूरी सेना के लिए सभी चिकित्सा स्थितियों का विवरण था, जिसे DMED कहा जाता है। उन्होंने जानबूझकर इसमें नकली डेटा डाला, जो पूरी तरह से OMG!!!!!!! पल की तरह लग रहा था, जिसमें कैंसर, गर्भावस्था की हानि और पवित्र कोविड टीकों से जुड़ी अन्य सभी प्रकार की चिकित्सा स्थितियों में अपवित्र भारी वृद्धि दिखाई गई थी। फिर जब कुछ वीर सैन्य डॉक्टरों को DMED डेटा मिला, तो वे इसके झांसे में आ गए...जिससे पूरी कहानी खत्म हो गई। (इसकी पूरी विस्तृत समयरेखा और स्पष्टीकरण के लिए, यहाँ देखने के.)

II-11. बेधड़क और दुस्साहसी तरीके से झूठ बोलने के लिए तस्वीरों, मीम्स या अन्य प्रकार के मीडिया का उपयोग करें

विज्ञान या डेटा के बारे में जनता की धारणा काफी हद तक विज्ञान या डेटा की दृश्य प्रस्तुति पर निर्भर करती है - एक अच्छा मीम या छवि पूरी तरह से झूठे डेटा को प्रभावी ढंग से इस तरह से संप्रेषित कर सकती है कि लोगों को यह विश्वास हो जाता है कि झूठा डेटा पूरी तरह से 100% सच है।

उदाहरण के लिए, यदि आप यह दर्शाना चाहते हैं कि खतरनाक बीमारी के कारण होने वाले मायोकार्डिटिस की दर और गंभीरता, शानदार वैक्सीन के कारण होने वाले मायोकार्डिटिस की दर और गंभीरता से नाटकीय रूप से बदतर है भले ही इसका ठीक विपरीत सत्य हो, आप इस तरह एक शक्तिशाली छवि बना सकते हैं:

अब, लोग सहज रूप से "भयानक रोग मायोकार्डिटिस" को एक विशाल मशरूम बादल सर्वनाश के साथ जोड़ेंगे, जबकि शानदार वैक्सीन से प्राप्त मायोकार्डिटिस एक छोटी सी चुभन है, जो चार्ट पर भी नहीं दिखती।

II-12. डेटा विज़ुअलाइज़ेशन बनाएं जो डेटा को गलत तरीके से प्रस्तुत करते हैं

कभी-कभी आप ऐसे डेटा को प्रकाशित करने से खुद को नहीं रोक पाते जो वाकई बहुत खराब होता है (शासन या विज्ञान के लिए)। लेकिन आपके लिए सौभाग्य की बात है कि ज़्यादातर लोग (और शिक्षाविद) उथले बेवकूफ़ हैं जो चार्ट या ग्राफ़ के बगल में छपे शब्दों को पढ़ने में बहुत आलसी होते हैं। इसलिए आप डेटा को एक विज़ुअलाइज़ेशन स्कीम में चालाकी से चित्रित कर सकते हैं जो डेटा के बारे में जो कहा गया है उसे विकृत या छिपा देता है।

आइए साइंस™️ की सबसे बड़ी पत्रिकाओं में से एक का उदाहरण लेकर इसे स्पष्ट करें – शलाका।  शलाकाहर साल दुनिया भर में अत्यधिक ठंड और अत्यधिक गर्मी के कारण होने वाली मौतों की संख्या का अनुमान लगाते हुए एक अध्ययन प्रकाशित किया। चूँकि दुनिया भर की सरकारें ग्लोबल वार्मिंग को मानवता के लिए घातक खतरा मानने की कल्पना को बनाए रखना चाहती हैं, इसलिए उन्हें यह दिखाने की ज़रूरत थी कि गर्मी के कारण होने वाली मौतों की संख्या ठंड के कारण होने वाली मौतों से ज़्यादा है। कम से कम, उन्हें बराबर होना चाहिए। इस प्रकार जब शलाका पाया गया कि ठंड से होने वाली मौतों की संख्या गर्मी से होने वाली मौतों से अधिक थी 10 से 1 के अंतर से (शाब्दिक रूप से), उन्हें एक चार्ट बनाने का तरीका निकालना पड़ा जो उस असुविधाजनक छोटे तथ्य को छिपा सके। जिसके परिणामस्वरूप बाईं ओर नीचे दिया गया चार्ट बना:

नीली पट्टियाँ ठंड से होने वाली मौतों को दर्शाती हैं, लाल पट्टियाँ गर्मी से होने वाली मौतों को दर्शाती हैं। जितनी बड़ी पट्टी, उतनी ही अधिक मौतें। इसलिए उन्हें लाल पट्टियों को नीली पट्टियों जितना बड़ा बनाने की आवश्यकता थी। इसलिए उन्होंने एक छोटी सी चालाकी का इस्तेमाल किया - यदि आप बैंगनी रेखांकित संख्याओं को देखें जो पट्टी के आकार को मौतों की एक विशिष्ट संख्या में बदल देती हैं, तो आप देखेंगे कि नीली पट्टियों (ठंड से होने वाली मौतें) के लिए, पट्टी का प्रत्येक इंच 50 मौतों को दर्शाता है, लेकिन लाल पट्टियों (गर्मी से होने वाली मौतें) के लिए, पट्टी का प्रत्येक इंच केवल 10 मौतों को दर्शाता है। इस प्रकार समान आकार की पट्टी ठंड से होने वाली मौतों की संख्या को गर्मी से होने वाली मौतों की संख्या से 5 गुना अधिक दर्शाती है, भले ही वे एक जैसी दिखती हों। लेकिन लोग ध्यान नहीं देते और बस यही कहते हैं कि "ओह, वे लगभग समान दिखते हैं, इसलिए ठंड से होने वाली मौतों और गर्मी से होने वाली मौतों का अनुपात लगभग बराबर होना चाहिए।" (और उन्होंने अंत में एक विशाल अंतराल को भी छिपाने की कोशिश की, जहां लाल पट्टियों का अंतिम इंच केवल 210 (नारंगी तीर) के बजाय 10 मौतों को दर्शाता है।)

अगर उन्होंने एक ईमानदार चार्ट बनाया होता जिसमें ठंड से होने वाली मौतों और गर्मी से होने वाली मौतों दोनों के लिए एक ही पैमाने का इस्तेमाल किया गया होता, तो यह दाईं ओर के चार्ट जैसा दिखता। बात यह है कि, उस चार्ट पर एक नज़र डालने से आपको यह स्पष्ट आभास होता है कि अत्यधिक ठंड अत्यधिक गर्मी की तुलना में कहीं ज़्यादा बड़ा ख़तरा है, जिससे कुछ असहज सवाल उठ सकते हैं कि क्या ग्लोबल वार्मिंग का थोड़ा सा हिस्सा वास्तव में मानवता के लिए फ़ायदेमंद होगा।

नोटइस युक्ति का प्रयोग करते समय, लैंसेट की तुलना में अधिक सूक्ष्म और विवेकपूर्ण होने का प्रयास करें, जहां एक सामान्य व्यक्ति के लिए भी हाथ की सफाई को पहचानना बहुत आसान था।

विज्ञान में हेराफेरी

"इस उद्देश्य से, लिसेंको ने सोवियत फसलों को वर्ष के अलग-अलग समय पर अंकुरित होने के लिए "शिक्षित" करना शुरू किया, अन्य तरीकों के अलावा उन्हें ठंडे पानी में भिगोकर। फिर उन्होंने दावा किया कि फसलों की भावी पीढ़ियाँ इन पर्यावरणीय संकेतों को याद रखेंगी और, खुद को उपचारित किए बिना भी, लाभकारी गुणों को विरासत में प्राप्त करेंगी।"1

विज्ञान में हेराफेरी करना कोई नई बात नहीं है। सौभाग्य से प्रचारकों के लिए, यदि आप शासन हैं तो विज्ञान में अपनी इच्छानुसार हेराफेरी करना बहुत आसान है। कॉमरेड स्टालिन के समर्थन के साथ ट्रोफिम लिसेंको की उपलब्धियों को देखें। निम्नलिखित अनुभाग विस्तार से बताएंगे कि शासन के कथन और उद्देश्यों का समर्थन करने के लिए विज्ञान में सफलतापूर्वक हेराफेरी करने के लिए आपको क्या करना होगा।

विज्ञान-धांधली के एक संगठित और प्रभावी उद्यम का एक आदर्श उदाहरण बिग फार्मा की अच्छी तरह से तैयार की गई प्रचार मशीन है। विद्रोही वैज्ञानिकों के एक समूह ने मिलकर यह स्पष्ट करने की साजिश रची कि बिग फार्मा किस तरह से विज्ञान और डेटा को नियंत्रित और हेरफेर करता है:

जाहिर है, तथ्य यह है कि यह लेख अभी भी सार्वजनिक रूप से सुलभ है यह शासन के सेंसर की एक आश्चर्यजनक विफलता है। एक ऐसे देश में जहाँ एक कार्यशील सरकार है, शासन पर इस तरह के दुस्साहसिक हमले के सभी लेखकों (और सेंसर जो इसे प्रकाशित होने से रोकने में विफल रहे और/या इसे नहीं हटाया) को कल ही उत्तरी ध्रुव पर निर्वासित कर दिया जाएगा।

साइड बारइन लेखकों ने सटीक रूप से वर्णन किया है कि किस प्रकार हम शासन के एजेंडे को पूरा करने के लिए विज्ञान को भ्रष्ट करते हैं। इस तरह के लेखों को, हालांकि स्पष्ट रूप से सार्वजनिक रूप से प्रसारित करने की अनुमति नहीं दी जा सकती, लेकिन शासन के प्रचारकों के बीच इनका प्रसार पूरी तरह स्वीकार्य है, ताकि यह बेहतर ढंग से समझा जा सके कि प्रभावी ढंग से प्रचार कैसे किया जाए।.

यह भी ध्यान रखना ज़रूरी है कि फ़ार्मास्यूटिकल कंपनियाँ - "बड़ी फ़ार्मा" - आमतौर पर शासन-अनुपालन करने वाली होती हैं, लेकिन अगर कोई फ़ार्मा कंपनी 'कम' अनुपालन करती है, तो आपको निश्चित रूप से उनके नृशंस धोखाधड़ी के लिए उन पर मुकदमा चलाना चाहिए। साथ ही, हर कुछ सालों में वफ़ादार फ़ार्मा कंपनियों पर बड़ी रकम का जुर्माना लगाना सुनिश्चित करें ताकि लोगों को लगे कि शासन का बड़ी फ़ार्मा कंपनियों के साथ प्रतिकूल संबंध है और इसलिए उन्हें यह एहसास होने की संभावना कम होगी कि शासन और फ़ार्मा कंपनियाँ मिलीभगत कर रहे हैं। कुछ अरब डॉलर उनकी बैलेंस शीट के लिए कोई बड़ी बात नहीं है।

खंड III – यह जांचना कि कौन से डेटा को आधिकारिक विज्ञान माना जाता है

आधिकारिक विज्ञान में कौन से डेटा शामिल किए जाएं, इस बारे में चयनात्मक रहें। वैज्ञानिक जानकारी होने की छाप वाली जानकारी लोगों के बीच कहीं अधिक वजन और विश्वसनीयता रखती है, यहां तक ​​कि उन लोगों के बीच भी जो शासन की कहानी को मानने से इनकार करते हैं (कोई भी व्यक्ति "विज्ञान विरोधी" के रूप में नहीं देखा जाना चाहता है - यह आधुनिक समाज में नस्लवादी होने जितना ही बुरा है)।

III-1. समस्यामूलक अध्ययन प्रकाशित न करें, और यदि वे प्रकाशित हो जाएं, तो उन्हें वापस ले लें

सरकारी वैज्ञानिक शोध को शासन की कहानी को खत्म करने से रोकने का सबसे पक्का तरीका है कि इसे उसकी आधिकारिकता से अलग कर दिया जाए। (फिर आप इसे किसी ऐसी जगह छिपा देते हैं जहाँ कोई इसे देख न सके और दावा करते हैं कि चूँकि इसे वापस ले लिया गया है, इसलिए यह दिखाता है कि यह सब भ्रष्ट विज्ञान विरोधी विधर्मियों द्वारा फैलाया गया फर्जी और बेकार विज्ञान था, जो अजीबोगरीब विटामिन के मिश्रण बेचकर अमीर बनना चाहते हैं।)

हालाँकि, आपको तुरंत कार्रवाई करने का ध्यान रखना चाहिए, क्योंकि यदि आप बहुत लंबा इंतजार करते हैं, तो अस्वीकृत विज्ञान की प्रतियाँ शासन के खिलाफ़ अविश्वासियों या विधर्मियों के बीच गुप्त रूप से प्रसारित हो सकती हैं और लगभग पौराणिक स्थिति ले सकती हैं। और एक बार जब कोई अध्ययन लोगों के अनुभव में "वास्तविक अध्ययन" के रूप में स्थापित हो जाता है, तो उसे वापस लेने से उन्हें लगता है कि आप "सत्य" को छिपाने के लिए बेताब हैं।

कोविड के दौरान शासन के लिए हानिकारक साबित हुए अध्ययनों को वापस लेने के इन सभी शानदार उदाहरणों पर एक नज़र डालें (यह 36 में से केवल पहला पृष्ठ है):

स्रोत: https://coronacentral.ai/retractions

कल्पना कीजिए कि यदि इन अवैध अध्ययनों को बने रहने दिया जाता और इन्हें वापस नहीं लिया जाता तो इससे कितना (अधिक) नुकसान हो सकता था!

यह भी कल्पना कीजिए कि कितने और अध्ययन कभी प्रकाश में नहीं आए, क्योंकि ये विधर्मी शोध (या अच्छे विज्ञान, जिसने गलती से विधर्मी परिणाम पा लिए) का केवल एक छोटा सा हिस्सा दर्शाते हैं।

III-2. डेटासेट के कौन से हिस्से “आधिकारिक विज्ञान” का प्रतिनिधित्व करते हैं, इसका चयन करें

यह आश्चर्यजनक है कि आप किस तरह से डेटासेट के उन चुनिंदा हिस्सों का उपयोग करके विज्ञान को काफी हद तक बदल सकते हैं जो शासन की कहानी को मजबूत करते हैं, जबकि डेटासेट के उन हिस्सों को छोड़ देते हैं (या इससे भी बेहतर, छिपा देते हैं) जो शासन की स्थिति के साथ तालमेल नहीं रखते हैं।

उदाहरण के लिए, मान लीजिए कि हम शासन में निम्नलिखित दो प्रवृत्तियाँ देखते हैं: प्रचार प्रसार ग्लोरियस वैक्सीन के लिए सुरक्षा निगरानी डेटाबेस।

(दुर्भाग्य से, आपको सुरक्षा की निगरानी करने का दिखावा करना पड़ता है ताकि घबराए हुए नागरिकों को शांत किया जा सके जो किसी भी नई चीज़ को लेकर घबरा जाते हैं, और संभावित आलोचकों और गलत सूचना फैलाने वालों के लिए तैयार जवाब भी तैयार किया जा सके जो शासन पर समस्याग्रस्त सुरक्षा डेटा छिपाने का आरोप लगाने की कोशिश करेंगे। और आपको इसे बहुत गंभीरता से लेने का दिखावा करना पड़ता है.)

खैर, मान लीजिए कि प्रति दस लाख ग्लोरियस वैक्सीन की खुराक पर मांस खाने वाले ज़ॉम्बी में सुरक्षित और प्रभावी परिवर्तन के बारे में 26,878 रिपोर्ट हैं, लेकिन टीकाकरण के तुरंत बाद मांस खाने वाले बैक्टीरिया द्वारा टीका लगाए गए लोगों की मौत के बारे में केवल 2 रिपोर्ट हैं, जैसे:

आप इसे सार्वजनिक चर्चा में नहीं ला सकते, जिससे वैक्सीन के प्रति हिचकिचाहट को बढ़ावा मिलेगा और लोगों को आम तौर पर शासन की कहानी पर संदेह होगा, यहां तक ​​कि अन्य चीजों के बारे में भी। लेकिन आपको यह भी प्रदर्शित करने की आवश्यकता है कि प्रचार डेटाबेस से पता चलता है कि संभावित ग्लोरियस वैक्सीन चोटों की दरें नगण्य हैं। (जब भी आप सुरक्षा डेटाबेस का संदर्भ लें, तो इस बात पर जोर देना सुनिश्चित करें कि ये रिपोर्ट इस बात की पुष्टि नहीं करती हैं कि ग्लोरियस वैक्सीन ही इसका कारण था, केवल एक संभावित संबंध है।)

यहाँ समाधान बहुत सरल है - केवल उस डेटा का उपयोग करें जो दर्शाता है कि प्रति 2 खुराकों में ग्लोरियस वैक्सीन के कारण किसी व्यक्ति के भयानक मांस खाने वाले बैक्टीरिया से संक्रमित होने की केवल 100,000 रिपोर्ट हैं। सुरक्षित और प्रभावी मांसाहारी ज़ोंबी परिवर्तन की प्रति 26,878 खुराकों में 100,000 रिपोर्ट, हालांकि, जितना संभव हो सके सार्वजनिक रूप से अनदेखा की जानी चाहिए, और जब आप इसे अनदेखा करने से बच नहीं सकते हैं, तो आपको इसे अप्रमाणित अवैज्ञानिक और इसलिए अर्थहीन रिपोर्ट के रूप में निंदा करनी चाहिए जो इसलिए महत्वहीन हैं। और इस बारे में आपसे पूछने की हिम्मत करने के लिए मीडिया को फटकारना सुनिश्चित करें। (आदर्श रूप से आपको एक वफादार शासन पत्रकार के साथ साजिश करनी चाहिए कि वह इसके बारे में पूछने वाला व्यक्ति होना चाहिए, ताकि इसे खारिज करने वाले तरीके से लाया जा सके, जैसे कि, "कुछ फ्रिंज लोग यह दावा करने की कोशिश कर रहे हैं कि ग्लोरियस वैक्सीन दसियों हज़ार सनसनीखेज चोटों का कारण बन रही है, क्या आप समझा सकते हैं कि वे प्रोपेगैंडा डेटाबेस में रिपोर्टों को कैसे विकृत कर रहे हैं?")

इसके अलावा, कभी भी किसी ऐसी स्थिति के संदर्भ में “भयानक” शब्द का इस्तेमाल न करें जहाँ आप लोगों को शांत करने की कोशिश कर रहे हों। कभी नहीं। भले ही आप जो वर्णन कर रहे हैं वह वस्तुनिष्ठ रूप से भयानक हो। जब किसी ऐसी चीज़ का वर्णन करें जो स्वाभाविक रूप से डरावनी हो, तो इसके बजाय बड़े, अकादमिक विज्ञान-ध्वनि वाले शब्दों का उपयोग करें। तो “मांस खाने वाले बैक्टीरिया” को ‘नेक्रोटाइज़िंग फ़ेसिटिस’ के रूप में वर्णित किया जा सकता है, ऐसा कुछ जिसके बारे में किसी को भी पता नहीं है कि इसका क्या मतलब है (और ज़्यादातर लोग इसे जानने के लिए Google पर भी खोजने में बहुत आलसी हैं)। इसमें दो 'i' भी हैं, जो इसे बौद्धिक रूप से प्रभावशाली बनाता है, जैसे कि किसी ऐसी परिष्कृत चीज़ द्वारा मारा जाना व्यावहारिक रूप से एक विशेषाधिकार है:

यह इतना जटिल नहीं है; आप इसे कुछ ही समय में सीख लेंगे। (और यदि आप नहीं सीख पाते, तो संभवतः आप ज्यादा समय तक जीवित नहीं रह पाएंगे।)

नोटजब आपके सामने ऐसी स्थिति हो जहां शासन द्वारा समर्थित या अनिवार्य उत्पाद खतरनाक हो - **जो कि अक्सर होगा** - तो आपको यह सुनिश्चित करना होगा कि आप अपने ही दुष्प्रचार में न फंसें; अन्यथा आप भी इन चार अमेरिकी सीनेटरों की तरह अगले सुरक्षित और प्रभावी ज़ोंबी बन सकते हैं:

III-3. डेटा रिपोर्टिंग में देरी

आधिकारिक विज्ञान में कौन सा डेटा शामिल है, इसकी जांच करने का एक और सूक्ष्म तरीका डेटा या सूचना को बेईमानी से रिपोर्ट करना है। डेटा के विभिन्न उपसमूहों की रिपोर्टिंग के लिए रणनीतिक समय निर्धारित करना वैज्ञानिक डेटा में हेरफेर करने का एक सरल लेकिन शक्तिशाली रूप से प्रभावी तरीका है। (यह समझने की चिंता न करें कि यह कैसे काम करता है; बस यह जान लें कि यह काम करता है, और सक्षम सांख्यिकीविदों को नियुक्त करें जो यह पता लगा सकें कि इसे सर्वोत्तम तरीके से कैसे लागू किया जाए।) कई गणनाएँ रिपोर्ट किए गए डेटा के समय पर निर्भर करती हैं, और इसलिए आप डेटा के विभिन्न हिस्सों को इष्टतम समय पर सावधानीपूर्वक जारी करके डेटा को नियंत्रित कर सकते हैं।

उदाहरण के लिए, मौतों की सूचना देने में एक सप्ताह की देरी चिकित्सा हस्तक्षेप की स्पष्ट प्रभावकारिता या सुरक्षा को मौलिक रूप से बदल सकता है - वस्तुतः, मौतों की रिपोर्टिंग में एक सप्ताह की देरी करके, आप किसी ऐसी चीज को दिखा सकते हैं जिसका कोई प्रभाव नहीं है, जैसे कि वह 95% प्रभावी है। (आप अधिक विवरण के लिए लिंक का अनुसरण कर सकते हैं, लेकिन यह विशेष युक्ति एक बेवकूफ़ गाइड के लिए थोड़ी जटिल है, और यहाँ एक गहन विवरण शामिल करने से अन्यथा एक उज्ज्वल भविष्य के साथ नवोदित प्रचारक उदास हो सकते हैं और अपनी क्षमताओं पर संदेह कर सकते हैं यदि वे स्पष्टीकरण को समझ नहीं पाते हैं, जो उन्हें छोड़ने के लिए प्रेरित कर सकता है, जो एक त्रासदी होगी। सच में।)

खंड IV – अध्ययन को कैसे तैयार करें

विज्ञान में हेरफेर करने के लिए शायद सबसे महत्वपूर्ण कौशल आवश्यक परिणाम प्राप्त करने के लिए एक अध्ययन को डिजाइन करने और हेरफेर करने की क्षमता है।

[नोट: अध्ययनों की वास्तविक हेराफेरी हमेशा उन विशेषज्ञों द्वारा की जाएगी जो जीविका के लिए अध्ययन चलाते हैं (जिन्हें पीआई या प्रिंसिपल इन्वेस्टिगेटर कहा जाता है)। इसलिए आपको वास्तव में इस विषय में पारंगत होने की आवश्यकता नहीं है। लेकिन फिर भी बुनियादी बातों की पर्याप्त समझ होना मददगार होता है।]

अध्ययन - विशेष रूप से बड़े फैंसी अध्ययन जिन्हें आमतौर पर विज्ञान का "स्वर्ण मानक" माना जाता है - बहुत जटिल जानवर हैं जिन्हें असंख्य तरीकों से हेरफेर किया जा सकता है। हम धोखे, हेरफेर और डिज़ाइन दोषों के अधिक प्रमुख और सीधे प्रकारों के बारे में बताएंगे जिनका उपयोग अध्ययन को आपके हाथों की कठपुतली बनाने के लिए किया जा सकता है जिसे आप अपनी इच्छानुसार घुमा सकते हैं।

[नोट: - निम्नलिखित में से किसी भी हेरफेर को लागू करने में परिष्कार के कई स्तर हैं। हम केवल सिद्धांतों के सीधे सादे अनुप्रयोग का उपयोग करके अंतर्निहित अवधारणाओं को समझाने और चित्रित करने जा रहे हैं, बिना किसी फैंसी अलंकरण और बाउबल्स को जोड़े। यहाँ लक्ष्य यह है कि आपको डेटा में हेरफेर करने के विभिन्न प्रकारों और तरीकों को समझना चाहिए। आप बाद में खुद को अधिक उन्नत तरीकों में शिक्षित कर सकते हैं (कुछ ऐसा जो निश्चित रूप से अत्यधिक प्रोत्साहित और अनुशंसित है)।

IV-1. अध्ययन में हेराफेरी की रणनीति #1: अध्ययन प्रोटोकॉल के डिजाइन में हेराफेरी करें

इस खंड से संबंधित अधिकांश सामग्री अगले खंड से भी संबंधित है, जो अध्ययन प्रोटोकॉल के कार्यान्वयन में बाधा उत्पन्न करने से संबंधित है, इसलिए हम यहां केवल प्रोटोकॉल के डिजाइन में हेराफेरी करने की अनूठी युक्तियों पर ही चर्चा करेंगे।

अध्ययन प्रोटोकॉल मूल रूप से एक नियम पुस्तिका की तरह होते हैं जो यह निर्धारित करते हैं कि अध्ययन कैसे किया जाएगा। इसलिए सुनिश्चित करें कि आप ऐसे नियम लिखें जो आपके इच्छित परिणाम के अनुकूल हों।

ए) डेक को स्टैक करना - अध्ययन विषयों को संबंधित अध्ययन और नियंत्रण समूहों में रणनीतिक रूप से असाइन करना

लगभग सभी बड़े, विशेष अध्ययनों में दो समूह होते हैं - अध्ययन समूह और नियंत्रण समूह। किसी नई दवा के लिए किए गए अध्ययन में, अध्ययन समूह को दवा मिलती है, और नियंत्रण समूह को नहीं। सिद्धांत रूप में, यदि दवा काम करती है, तो अध्ययन समूह की तुलना में नियंत्रण समूह में अधिक बीमार लोग होने चाहिए।

इसलिए यदि आप एक नई व्यवस्था वंडर-ड्रग का परीक्षण करने के लिए एक अध्ययन चला रहे हैं, तो आप अध्ययन समूह की तुलना में नियंत्रण समूह में अधिक अस्वस्थ लोगों को रखकर इसका फायदा उठा सकते हैं ताकि अध्ययन समूह बेहतर प्रदर्शन करे, भले ही व्यवस्था दवा काम न करे। (आपको निश्चित रूप से अध्ययन दस्तावेज़ में ऐसा करने या इनमें से किसी भी अन्य सामरिक चाल को स्वीकार नहीं करना चाहिए।)

बी) अध्ययन में शामिल किए जाने वाले विषयों की सावधानीपूर्वक जांच करें

बहुत सी परेशानियों से केवल उन लोगों को दूर रखकर बचा जा सकता है जो किसी तरह से आपके परिणामों को खराब कर सकते हैं।

उदाहरण के लिए, यदि आप किसी नई दवा का परीक्षण कर रहे हैं जिसे आप सुरक्षित और प्रभावी साबित करना चाहते हैं, तो ऐसे लोगों को बाहर रखें जो विशेष रूप से खराब प्रतिक्रियाओं या अप्रभावीता से पीड़ित होने के लिए प्रवण हैं। आप समझ गए होंगे। (जैसे कि उन्होंने कोविड वैक्सीन परीक्षणों में किसी भी पुराने सहवर्ती लोगों को शामिल नहीं किया, जिससे '99% प्रभावी' अफवाह का पर्दाफाश हो जाता।)

IV-2. अध्ययन में धांधली की रणनीति #2: अध्ययन प्रोटोकॉल के क्रियान्वयन में बाधा डालना

अक्सर, आप अपने वांछित परिणाम प्राप्त करने के लिए अध्ययन प्रोटोकॉल को पूरी तरह से बदलने में सक्षम नहीं होंगे। ऐसे मामलों में, आपको आधिकारिक अध्ययन प्रोटोकॉल के कार्यान्वयन या पालन को बाधित करने की आवश्यकता होती है। ऐसा करना काफी आसान है, और इसे पूरा करने के लिए सचमुच अनगिनत तरीके हैं।

नोट: हजारों विषयों और कर्मियों से जुड़े एक बड़े अध्ययन में आने वाली विभिन्न समस्याओं और तनावपूर्ण स्थितियों से बचने के लिए, अपने लॉजिस्टिक्स की योजना पहले से बना लेना समझदारी है। उदाहरण के लिए, यदि आप यह 'दिखाना' चाहते हैं कि कोई विशेष रूप से कष्टप्रद दवा वास्तव में घातक है, तो आपके पास सार्वजनिक स्थानों से शवों को जल्दी से हटाने के लिए बॉडी बैग होने चाहिए और शवों में मौजूद किसी भी अवांछनीय फोरेंसिक या रोग संबंधी सबूत को नष्ट करने के लिए 24-7 कॉल पर एक श्मशान सुविधा होनी चाहिए।)

प्रोटोकॉल तोड़फोड़ #1: अध्ययन उपचार/हस्तक्षेप का प्रशासन [अध्ययन समूह के लिए]

लोगों को लगता है कि अध्ययन के विषयों को दवा देना सरल और सीधा है। वे गलत हैं। बहुत बहुत गलत। आप अक्सर अध्ययन के विषयों को दिए जाने वाले उपचार को सूक्ष्म रूप से समायोजित करके पूरे अध्ययन को नियंत्रित कर सकते हैं, जिसमें निम्नलिखित शामिल हैं:

  • खुराक/हस्तक्षेप की मात्रा – आप अपनी ज़रूरत के हिसाब से दवा की खुराक कम या ज़्यादा कर सकते हैं। अगर आप चाहते हैं कि दवा बेअसर दिखे, तो कम खुराक देने से यह सुनिश्चित हो जाएगा कि यह काम नहीं करेगी। अगर आप यह दिखाना चाहते हैं कि दवा ख़तरनाक है, तो बस खुराक को अत्यधिक विषैले स्तर तक बढ़ा दें।
  • उपचार प्रशासन का समय – दवा को नुकसान पहुँचाने का एक और तरीका है कि इसे मरीज़ों को बहुत जल्दी या बहुत देर से दिया जाए ताकि वह प्रभावी न हो। ऐसा करने के लिए आप कई अलग-अलग तरीके अपना सकते हैं। उदाहरण के लिए, आप दवा को मेल के ज़रिए मरीज़ों तक भेज सकते हैं, जिससे समय सारिणी में कुछ दिन और बढ़ जाएँगे (डेविड बौलवेयर इवरमेक्टिन स्पेशल)।
  • उत्पाद की गुणवत्ता - अर्थात शुद्धता/शक्ति - एक दूषित या खराब तरीके से निर्मित उत्पाद उसी तरह काम नहीं करेगा जैसे उच्च गुणवत्ता वाली सामग्री और आदर्श विनिर्माण प्रथाओं के प्रति पूर्ण निष्ठा के साथ निर्मित शुद्ध उत्पाद काम करता है।

(नोट: आपको हमेशा जानवरों और मनुष्यों पर ऑफ-द-रिकॉर्ड प्री-क्लीनिकल अध्ययन करना चाहिए - ताकि यह समझा जा सके कि किसी अध्ययन में दूषित संस्करणों को शामिल करने से पहले दवा या हस्तक्षेप के विभिन्न संस्करण कैसे काम करेंगे (दवा के सामान्य निर्माण पर आधिकारिक प्री-क्लीनिकल अध्ययनों के अलावा); अन्यथा आप अनजाने में अपने स्वयं के तोड़फोड़ के प्रयासों को विफल करने का जोखिम उठाते हैं। याद रखें, अध्ययन चलाने का उद्देश्य पहले से तय परिणाम दिखाना है, न कि किसी नए वैज्ञानिक अंतर्दृष्टि की खोज करना! आप जिस दवा या हस्तक्षेप का अध्ययन कर रहे हैं, उसके वास्तविक जीवन में क्या होगा, इस बारे में अनिश्चितता या अप्रत्याशितता सफल अध्ययन में बाधा बन सकती है। या कम से कम आपको कुछ बहुत बुरे माइग्रेन होने जा रहे हैं, जबकि आप अपने अब-अत्यंत अव्यवस्थित अध्ययन से खतरों और असुविधाजनक डेटा की भूलभुलैया को नेविगेट करने के लिए संघर्ष करते हैं।)

  • हस्तक्षेप के स्थान पर सलाईन या प्लेसिबो का उपयोग करें - शासन द्वारा चुने गए हस्तक्षेप के खतरों को कम करने का एक और तरीका उपचार के बजाय प्लेसबो देना है, ताकि हस्तक्षेप की विषाक्तता के प्रति कम जोखिम हो। जाहिर है, आपको यह भी सुनिश्चित करने की आवश्यकता है कि खारा उपयोग करने से यह अवांछित दुष्प्रभाव न हो कि आपकी दवा काम नहीं करती है, इसलिए इस रणनीति का उपयोग आमतौर पर अन्य प्रोटोकॉल हेरफेर या बेवफाई के साथ किया जाता है।
  • मिश्रण और मैच - आप हमेशा इनमें से किसी भी सुझाव को मिला-जुलाकर इस्तेमाल कर सकते हैं। उदाहरण के लिए, आप दे सकते हैं कुछ उपचार विषयों का एक अलग उत्पाद है। आप इनमें से एक से अधिक सुझावों को संयोजन में भी लागू कर सकते हैं ताकि आप अध्ययन समूह के विभिन्न हिस्सों को अलग-अलग सुझावों के साथ कवर कर सकें, जिससे बाहरी लोगों के लिए प्रोटोकॉल उल्लंघनों की खोज करना कठिन हो सकता है।

प्रोटोकॉल तोड़फोड़ #2: प्लेसीबो का प्रशासन [अध्ययन समूह को]

यह मूलतः पिछले खंड का दूसरा पहलू है। प्लेसीबो पर लागू होने वाली कुछ विशेष रणनीतियाँ थोड़ी अनोखी हैं:

  • नियंत्रण/प्लेसिबो समूह को हस्तक्षेप दें - यह सुनिश्चित करने का एक तरीका है कि अध्ययन में किसी उपचार की कोई प्रभावकारिता नहीं दिखाई जाएगी, नियंत्रण समूह को भी उपचार दिया जाना चाहिए। यदि दोनों समूहों को उपचार मिलता है, तो उनके बीच कोई अंतर नहीं होगा, जिससे पता चलता है कि उपचार समूह ने उपचार के कारण बेहतर प्रदर्शन किया।
    ऐसा करने का आसान लेकिन जोखिम भरा तरीका यह है कि अध्ययन कर्मियों को सीधे नियंत्रण समूह को प्लेसीबो के रूप में दवा देनी चाहिए। (यह काफी आसान है, क्योंकि प्लेसीबो को उपचार के समान दिखने, महसूस करने, स्वाद और गंध वाला होना चाहिए ताकि नियंत्रण समूह के विषयों को यह पता न चले कि उन्हें दवा नहीं मिली है।)

अधिक कठिन लेकिन कम जोखिम वाली विधि है नियंत्रण समूह के विषयों को अध्ययन के बाहर उपचार प्राप्त करने के लिए प्रेरित करना। उदाहरण के लिए, आप एक प्लेसबो का उपयोग कर सकते हैं जो दवा से काफी अलग है। चूंकि अध्ययन के विषय Google के माध्यम से आसानी से पता लगा सकते हैं कि यह दवा दिखने, गंध या स्वाद जैसी नहीं है, इसलिए वे वास्तविक दवा को खरीदने का प्रयास करेंगे क्योंकि वे मरना नहीं चाहते हैं या उस बीमारी या स्थिति से होने वाली दुर्बल करने वाली जटिलताओं से पीड़ित नहीं होना चाहते हैं जिसका इलाज करने के लिए दवा का उपयोग किया जा रहा है।

वैकल्पिक रूप से, आप अध्ययन को ऐसे स्थान पर चलाने का विकल्प चुन सकते हैं, जहां की आबादी पहले से ही अध्ययन किए जा रहे उपचार के संपर्क में है, ताकि विषयों का समूह पूरी तरह से संदूषित हो जाए, क्योंकि वहां पहले से ही उस दवा का उपयोग कर रहे लोग हैं या कम से कम उनके पास दवा की आपूर्ति उपलब्ध है।

(बस यह ध्यान रखें कि इस रणनीति से विज्ञान-विरोधी विधर्मियों द्वारा ध्यान में आने का खतरा है, क्योंकि यह सार्वजनिक रिकॉर्ड का विषय होगा कि जहां अध्ययन किया गया था, वहां दवा के बारे में व्यापक जागरूकता थी और/या इसका उपयोग किया गया था।)

  • प्लेसीबो को स्पाइक करें - यदि आप निष्क्रिय प्लेसीबो नहीं चाहते हैं, तो आप इसमें कुछ अधिक 'जीवंत' चीज मिला सकते हैं, जिससे दुष्प्रभाव और/या उपचारात्मक प्रभाव उत्पन्न हो सकता है।

एक विशिष्ट विधि है प्लेसीबो को बढ़ाने के लिए उपचार के घटकों का उपयोग करना। यह विशेष रूप से उपचार के समस्याग्रस्त दुष्प्रभावों को छिपाने के लिए उपयोगी हो सकता है जो सक्रिय उपचार घटक के अलावा अन्य अवयवों या घटकों के कारण होते हैं - यदि आप उन्हें प्लेसीबो में डालते हैं, तो दोनों समूहों में समान दुष्प्रभाव होंगे।

(नोटध्यान रखें कि यदि दुष्प्रभाव बहुत अधिक गंभीर हैं, तो उपचार के विषैले घटकों को प्लेसीबो में डालने से प्रश्न उठ सकते हैं, क्योंकि लोग यह देखेंगे कि अध्ययन के नियंत्रण समूह में विशिष्ट दुष्प्रभावों की दर सामान्य जनसंख्या की तुलना में बहुत अधिक है।)

प्रोटोकॉल तोड़फोड़ #3: अध्ययन विषयों को उनके व्यवहार को संशोधित करने के लिए प्रोत्साहित करें

प्रोटोकॉल डिजाइन करते समय और अध्ययन चलाते समय अध्ययन विषयों का व्यवहार अक्सर एक महत्वपूर्ण विचार होता है। इसका अपने लाभ के लिए उपयोग करें।

प्रोत्साहन के 3 मूल प्रकार हैं:

  • वित्तीय प्रलोभन - किसी व्यवहार को प्रोत्साहित करने का सबसे पक्का तरीका है उसे आर्थिक रूप से पुरस्कृत करना:
    • आप अध्ययन के भीतर एक भ्रष्ट रिश्वतखोरी योजना चला सकते हैं। उदाहरण के लिए, यदि अध्ययन विषयों से जानकारी देने के लिए कह कर परिणाम प्राप्त कर रहा है - जैसे कि शानदार हस्तक्षेप प्राप्त करने के बाद उन्हें क्या दुष्प्रभाव हुए - तो आप दुष्प्रभावों की रिपोर्ट न करने के लिए विषयों को भुगतान कर सकते हैं। हालाँकि, आपको गोपनीयता भी लागू करनी होगी और यह सुनिश्चित करना होगा कि किसी को इसके बारे में पता न चले, जो मुश्किल हो सकता है।
    • वैकल्पिक रूप से, आप उस वातावरण का हेरफेर कर सकते हैं या उसका लाभ उठा सकते हैं जहाँ अध्ययन हो रहा है ताकि वित्तीय लाभ वितरित करने के लिए आप अपने मध्यस्थ या बिचौलिए के रूप में कार्य कर सकें। उदाहरण के लिए, यदि आप खतरनाक बीमारी के संचरण को रोकने के लिए संभावित हस्तक्षेप की प्रभावशीलता का परीक्षण कर रहे हैं, तो आप अध्ययन को ऐसी जगह पर चला सकते हैं जहाँ लोग केवल तभी काम पर जा सकते हैं जब वे खतरनाक बीमारी से संक्रमित न हों, इस अंतर्निहित प्रोत्साहन का लाभ उठाते हुए कि लोग सकारात्मक परीक्षण की रिपोर्ट न करें (वे अपना पूरा वेतन चाहते हैं)।
  • सामाजिक दबाव - दूसरे प्रकार का प्रोत्साहन सामाजिक दबाव है। यह साथियों, राजनीतिक ताकतों, सामाजिक समूहों, पेशेवर सहयोगियों, संस्थानों, मशहूर हस्तियों या समाज में प्रभाव के किसी अन्य स्रोत से आ सकता है। मुद्दा यह है कि आप इनमें से किसी एक या सभी का अपने लाभ के लिए उपयोग कर सकते हैं। 
    उदाहरण के लिए, मान लीजिए कि आप वंडरस क्लॉथ शील्ड की प्रभावशीलता का परीक्षण करने के लिए एक अध्ययन चला रहे हैं जो भयानक बीमारी के प्रसार को रोकता है। इसलिए आप तीसरी दुनिया के देश के कुछ गाँवों को वंडरस क्लॉथ शील्ड देते हैं, और उन गाँवों का एक नियंत्रण समूह बनाते हैं जिन्हें वंडरस क्लॉथ शील्ड नहीं मिलती है। आप इन उपकरणों को पाने वाले ग्रामीणों के सामने दिखा सकते हैं कि ये उपकरण कितने अद्भुत हैं। आप गाँव के बुजुर्गों से यह भी घोषणा करवा सकते हैं कि वंडरस क्लॉथ शील्ड स्वर्ग से एक उपहार है, जो इसे पहनना नैतिक गुण बनाता है, और इससे भी महत्वपूर्ण बात यह है कि इसे पहनना लेकिन भयानक बीमारी से संक्रमित होना धार्मिक विफलता का प्रतीक है। जिससे उनमें भयानक बीमारी के मामलों की रिपोर्ट करने की संभावना बहुत कम हो जाती है, खासकर उन गाँवों की तुलना में जिन्हें वंडरस क्लॉथ शील्ड नहीं दी गई थी। जिससे ऐसा लगता है कि वंडरस क्लॉथ शील्ड भयानक बीमारी के संचरण को कम करने के लिए काम करती है।
  • कठोर दंड - यदि अध्ययन के विषय ठीक वैसा नहीं करते जैसा आप चाहते हैं, तो आप सभी प्रकार के भयानक परिणामों की धमकी दे सकते हैं। तीसरी दुनिया के देशों में इसे लागू करना विशेष रूप से आसान है, जहाँ कानून का कोई नियम नहीं है और भ्रष्टाचार का बोलबाला है। किसी व्यक्ति का पहले से उदाहरण बनाना उपयोगी हो सकता है, ताकि यह दिखाया जा सके कि आप गंभीर हैं - उदाहरण के लिए, आप किसी व्यक्ति को सूडान की जेल में भेजने के लिए यादृच्छिक रूप से चुन सकते हैं, जहाँ से उसके जीवित वापस लौटने की संभावना नहीं है।

प्रोटोकॉल तोड़फोड़ #4: अध्ययन चलाने के लिए अयोग्य लोगों को नियुक्त करना

अध्ययन - खास तौर पर वे अध्ययन जो किसी तरह का प्रयोग करते हैं (केवल पहले से मौजूद डेटासेट का विश्लेषण करने के विपरीत) - आमतौर पर संचालित करने के लिए बड़े कर्मचारियों की आवश्यकता होती है। अक्षम कर्मचारियों को काम पर रखना खुद को अध्ययन से निकलने वाले असुविधाजनक डेटा को "संशोधित" करने के लिए कुछ छूट देने का एक शानदार तरीका है - "यह डेटा गलत है क्योंकि कर्मचारियों ने इसे गड़बड़ कर दिया है।" तो बेशक, आपको "त्रुटियों" को "ठीक" करना होगा।

इससे भी महत्वपूर्ण बात यह है कि अयोग्य कर्मचारियों को यह पता चलने की संभावना कम है कि आप अध्ययन में हेराफेरी कर रहे हैं, क्योंकि उन्हें इस बारे में ज्ञान या अनुभव नहीं है कि एक वैध अध्ययन किस प्रकार चलाया जाना चाहिए।

प्रोटोकॉल तोड़फोड़ #5: अध्ययन से किसी भी समस्याग्रस्त अध्ययन विषय या घटना को हटा दें

यह एक स्पष्ट "दुह" है। यदि ग्लोरियस वैक्सीन के चरण-3 परीक्षण में कुछ विषयों को ग्लोरियस वैक्सीन के इंजेक्शन के तुरंत बाद गंभीर चोटें लगती हैं, तो आप उन्हें "सुरक्षित और प्रभावी" कथा को बर्बाद नहीं करने दे सकते। लेकिन शुक्र है, समाधान सरल है: उन्हें अध्ययन से हटा दें।

यह किसी बाहरी पर्यवेक्षक को भी संदिग्ध नहीं लगेगा! हर अध्ययन के प्रोटोकॉल में नियम लिखे होते हैं जो आपको उन विषयों को बाहर निकालने की अनुमति देते हैं जो अध्ययन प्रोटोकॉल का उल्लंघन करते हैं या "व्यक्तिगत कारणों" से छोड़ना चाहते हैं। (हर बार जब कोई राजनेता कहता है कि वह "अपने परिवार के साथ अधिक समय बिताने" के लिए इस्तीफा दे रहा है - वही विचार।) लेकिन अधिकांश शिक्षाविद इसके झांसे में आ जाते हैं और हर बार इसके झांसे में आ जाते हैं।

यदि आप प्रोटोकॉल को डिज़ाइन करने के तरीके के बारे में वाकई समझदार हैं, तो आप एक शर्त जोड़ेंगे जो विषयों को अध्ययन के बाहर किसी भी डॉक्टर से चिकित्सा देखभाल लेने से रोकती है। इसलिए यदि किसी विषय को कोई बुरा साइड इफ़ेक्ट होता है, जैसे कि थोड़ा सुरक्षित और प्रभावी मायोकार्डिटिस या कुछ हल्का बेल्स पाल्सी जो उसे कुछ हद तक लकवाग्रस्त कर देता है, तो वे सीधे निकटतम ईआर में जाएंगे... जो कि अध्ययन प्रोटोकॉल का स्पष्ट उल्लंघन है!! अलविदा समस्या।

अगर आप वास्तविक दुनिया के उस्ताद को देखना चाहते हैं, तो फाइजर के वैक्सीन के लिए फेज 3 किडी ट्रायल के प्रभारी व्यक्ति से बेहतर कोई नहीं हो सकता - जब मैडी डी गैरे नाम की एक ट्रायल सब्जेक्ट को वैक्सीन लगने के 24 घंटे बाद कई भयानक न्यूरोलॉजिकल चोटें आईं (जिस तरह की चोटों में फीडिंग ट्यूब और व्हीलचेयर के अलावा अन्य जीवनशैली 'समायोजन' का स्थायी उपयोग शामिल है), तो उन्होंने उसे अध्ययन से बाहर कर दिया। और फिर उसकी चोट को 'असंतुलित पेट दर्द' के रूप में लिखा। उन्होंने मुख्य परीक्षण से एक और साथी को भी बाहर कर दिया, ऑगस्टो रिउक्स नामक एक वकील, जिसे खुराक #1 के बाद कुछ हल्का सुरक्षित और प्रभावी पेरीकार्डिटिस हुआ।

एस्ट्राजेनेका के लिए भी यही बात है - ब्रायन ड्रेसेन को खुराक #1 के बाद बाहर कर दिया गया था - लेकिन उन्होंने बताया कि उन्होंने व्यक्तिगत कारणों से वापस ले लिया। समझे? आसान-सा काम है।

प्रोटोकॉल तोड़फोड़ #6: गलत डेटा रिकॉर्ड करें

जब सब कुछ विफल हो जाता है, तो आप केवल उस अध्ययन के लिए डेटा रिकॉर्ड कर सकते हैं जो पूरी तरह से गलत है और हवा से गढ़ा गया है। फाइजर अध्ययन ठेकेदार वेंटाविया हमें इस पर रास्ता दिखाता है - निम्नलिखित स्क्रीनशॉट ब्रुक जैक्सन द्वारा भेजे गए वास्तविक ईमेल हैं - वेंटाविया के साइट मैनेजरों में से एक - जिन्होंने चल रहे धोखाधड़ी को उजागर करके शासन को कमजोर करने का प्रयास करने का फैसला किया:

असामान्य रूप से त्वरित और प्रभावी प्रतिक्रिया में, श्रीमती जैक्सन को FDA को यह ईमेल भेजने के छह – 6 – घंटे से भी कम समय में नौकरी से निकाल दिया गया। छह घंटे!! काम ऐसे ही होना चाहिए।

इसके अलावा, जब उन्होंने पूरे फाइजर वैक्सीन परीक्षण को रोकने के प्रयास में संघीय अदालत में मुकदमा दायर किया, तो शासन ने विभिन्न प्रकार की सरल कानूनी युक्तियों का उपयोग करके लगभग पूरे दो वर्षों तक इसे सफलतापूर्वक रोक दिया। (हालांकि, यह ध्यान दिया जाना चाहिए कि जो भी भर्ती का प्रभारी था, उसने बहुत बड़ा घोटाला किया; आपको यह सुनिश्चित करने के लिए पूरी तरह से पृष्ठभूमि की जांच करनी होगी कि संभावित आवेदकों के पास मजबूत नैतिक विश्वास नहीं है।)

दुर्भाग्य से, FDA विदेशी चिकित्सा पत्रिकाओं को नियंत्रित नहीं करता है, जिनमें से एक ने (चौंकाने वाली बात यह है कि) फाइजर परीक्षण धोखाधड़ी का दस्तावेजीकरण करने वाला एक लेख प्रकाशित करने का फैसला किया। बड़ी गलती। यही कारण है कि पूरी दुनिया के लिए एक एकीकृत शासी निकाय स्थापित करना अनिवार्य है।

स्रोत: https://www.bmj.com/content/375/bmj.n2635

IV-3. अध्ययन हेराफेरी विकल्प #3: अध्ययन विश्लेषण

एक बार जब आप अध्ययन पूरा कर लेते हैं, तो अब अध्ययन से संख्याओं को गिनने का समय आ जाता है। कोई भी समस्याग्रस्त डेटा जो किसी तरह आपके सभी प्रोटोकॉल डिज़ाइन और तोड़फोड़ से गुज़र गया है, उसे यहाँ साफ़ कर दिया जाएगा। इसे ऐसे समझें जैसे किसी पुरानी खराब हो चुकी कार को पेंट का एक नया कोट देना ताकि उसके नीचे के सभी नुकसान को छिपाया जा सके - आप कुछ भी महत्वपूर्ण नहीं बदल रहे हैं, बस चीज़ों को छिपा रहे हैं (अधिकांश भाग के लिए)। कोई भी यह सुनिश्चित करने के लिए नए पेंट को खरोंचना नहीं चाहता कि यह कुछ छिपा तो नहीं रहा है।

डेटा का 'विश्लेषण' करने के बहुत सारे तरीके हैं। चाल यह है कि आप कौन सा तरीका चुनते हैं और विश्लेषण कैसे करते हैं, इस बारे में समझदारी से काम लें।

विश्लेषण रणनीति #1: डेटा को समायोजित न करें

विज्ञान में डेटा समायोजन काफी सामान्य बात है। कच्चा डेटा सीधे निष्कर्ष निकालने या उससे अनुमान लगाने के लिए लगभग कभी भी उपयुक्त नहीं होता है, क्योंकि इसमें आमतौर पर सभी प्रकार के भ्रामक चर मौजूद होते हैं।

यहाँ डेटा समायोजन का एक बहुत ही सरल उदाहरण दिया गया है:

डार्थ सैंटिस्तान (खराब राज्य) और द जेंडर स्पेक्ट्रल पैराडाइज़ ऑफ कम्युफोर्निया (अच्छा राज्य) राज्यों की जनसंख्या निम्नलिखित है:

इन राज्यों में ख़तरनाक बीमारी से होने वाली मौतों की दर इस प्रकार है - कुल मिलाकर, बुरे राज्य में अच्छे राज्य की तुलना में ज़्यादा मौतें होती हैं। चूँकि उनकी आबादी एक जैसी है, इसका मतलब है कि बुरे, बुरे राज्य डार्थ सैंटिस्तान में मृत्यु दर ज़्यादा है:

लेकिन... (हां, यहां एक बड़ा 'लेकिन' है)

यदि हम वरिष्ठ जनसंख्या और गैर-वरिष्ठ जनसंख्या की मृत्यु दर को अलग-अलग देखें, तो आश्चर्यजनक रूप से अच्छे राज्य में दोनों में मृत्यु दर अधिक है (?!?!?!?!?):

यहां दो महत्वपूर्ण टिप्पणियां हैं:

  1. कारण यह है कि देशद्रोही राज्य डेथ सैंटिस्तान की कुल दर अधिक है प्रत्येक आयु वर्ग में मृत्यु दर कम होने के बावजूद वास्तव में यह बहुत सरल है - वरिष्ठ नागरिक गैर-वरिष्ठ नागरिकों की तुलना में कहीं अधिक बार मरते हैं, लेकिन बुरे राज्य का दुर्भाग्य है कि अच्छे राज्य की तुलना में यहां 2.5 गुना अधिक वरिष्ठ नागरिक हैं, जिसका अर्थ है कि कुल मिलाकर बहुत अधिक मौतें होती हैं क्योंकि बुरे राज्य डेथ सैंटिस्तान में वरिष्ठ नागरिकों की संख्या बहुत अधिक है:

बुरे राज्य में अच्छे राज्य के बराबर वरिष्ठ नागरिकों की मृत्यु दर होने के लिए, उन्हें अच्छे राज्य के मुकाबले वरिष्ठ नागरिकों की मृत्यु दर का 40% हिस्सा रखना होगा क्योंकि अच्छे राज्य में उनकी आबादी में बुरे राज्य की तुलना में केवल 40% वरिष्ठ नागरिक हैं। यही कारण है कि (जब हम ईमानदार होना चाहते हैं, जैसे कि जब सच्चाई शासन की मदद करती है) विज्ञान डेटा को समायोजित करता है - इस तरह की चीजों से बचने के लिए। (इस विशेष सांख्यिकीय घटना का वास्तव में एक आधिकारिक नाम है: “सिम्पसन का विरोधाभास".)

इसलिए, जब डेटा से शासन की छवि को नुकसान पहुंचे तो उसमें बदलाव न करें।

विश्लेषण युक्ति #2: डेटा को भ्रामक या अनुचित तरीके से समायोजित करें

इसके विपरीत, कभी-कभी कच्चा डेटा या ठीक से समायोजित डेटा आपके कथन के लिए अच्छा नहीं होगा। ऐसे मामलों में, आपको रचनात्मक तरीकों से समायोजन करते रहना होगा जब तक कि आप विधर्मी परिणामों को सफलतापूर्वक छिपा न दें ताकि कोई भी उन्हें देख न सके या उनका पता न लगा सके।

उदाहरण के लिए, यदि हम कम्युनिस्टोर्निया/डेथ सैंटिस्तान के जेंडर स्पेक्ट्रल पैराडाइज की काल्पनिक स्थिति की हमारी उपरोक्त काल्पनिक तुलना करते हैं, तो आप समस्या को "ठीक" करने के लिए एक 'समायोजन' जोड़ सकते हैं। आपको बस एक ऐसी विशेषता ढूंढनी है जो कम्युनिस्टोर्निया के जेंडर स्पेक्ट्रल पैराडाइज की अच्छी स्थिति की तुलना में डेथ सैंटिस्तान की बुरी स्थिति में बदतर परिणामों के लिए एक प्रॉक्सी है। चूंकि डेथ सैंटिस्तान ने शासन के जीवन रक्षक लॉकडाउन का पालन नहीं करने का फैसला किया, इसलिए डेथ सैंटिस्तान के वरिष्ठ नागरिक अन्य राज्यों की तुलना में अपने घरों से अधिक बाहर निकलते थे, भले ही सिर्फ ताजी हवा के लिए ब्लॉक के चारों ओर टहलने के लिए - जिसका अर्थ है कि जो वरिष्ठ नागरिक अपने घरों से बाहर नहीं निकलते थे, वे शायद अपने घर से बाहर निकलने के लिए अधिक बीमार थे।

यह इस प्रकार हो सकता है:

चार्ट #1 – प्रत्येक राज्य में वरिष्ठ नागरिकों की जनसंख्या (बाएं कॉलम = वे वरिष्ठ नागरिक जो सप्ताह में कम से कम एक बार बाहर जाते थे; मध्य = वे वरिष्ठ नागरिक जो बाहर नहीं जाते थे; दाएं = प्रत्येक राज्य में वरिष्ठ नागरिकों की कुल संख्या)

चार्ट #2 – चार्ट #1 में तीन श्रेणियों में से प्रत्येक में मृत्यु की संख्या:

यह हमारे समस्याग्रस्त डेटा को पूरी तरह से ठीक कर देता है (यह वास्तव में इसे बहुत अच्छी तरह से ठीक कर सकता है!!) - देखें कि हम वरिष्ठ नागरिकों में मृत्यु दर को कैसे बदल रहे हैं:

अब आपको बस इतना करना है कि इनडोर वरिष्ठ मृत्यु दर को "जनसंख्या समायोजित वरिष्ठ मृत्यु दर" के रूप में संदर्भित करें।

इसके अलावा, आप समय-समय पर घर के अंदर वरिष्ठ नागरिकों की मृत्यु का भी उल्लेख कर सकते हैं, क्योंकि इस तरह की बातों से प्रचार करना बहुत आसान है।वरिष्ठ नागरिकों को सबसे अधिक खतरा है क्योंकि वे गतिहीन होते हैं बुरी स्थिति में मरने की संभावना अच्छी स्थिति की तुलना में लगभग तीन गुना अधिक थी।” लोग स्वाभाविक रूप से बुजुर्गों को घर के अंदर फंसे रहने के साथ जोड़ते हैं, इसलिए वे इस बात की सराहना करने की संभावना नहीं रखते हैं कि "घर के अंदर रहने वाले वरिष्ठ" वास्तव में हमारी काल्पनिक डेथ सैंटिस्टन वरिष्ठ आबादी का इतना छोटा प्रतिशत हैं।

विश्लेषण रणनीति #3: इष्टतम समापन बिंदु चुनें

अंतिम बिंदु बहुत महत्वपूर्ण होते हैं। आधिकारिक तौर पर, किसी अध्ययन का प्राथमिक अंतिम बिंदु/बिंदु वह केंद्रीय निष्कर्ष होता है जो यह निर्धारित करता है कि अध्ययन सफल है या असफल। अंतिम बिंदु मूल रूप से एक ऐसी चीज़ या मीट्रिक है जिसका उपयोग आप जो कुछ भी अध्ययन कर रहे हैं उसकी सफलता/असफलता या प्रभाव का आकलन करने के लिए कर रहे हैं। उदाहरण के लिए, यदि आप यह देखने के लिए किसी नई दवा का परीक्षण कर रहे हैं कि क्या यह आपको खतरनाक बीमारी से होने वाली मौतों को रोकती है, तो अंतिम बिंदु खतरनाक बीमारी से होने वाली मौतें होंगी। यदि उपचार समूह में नियंत्रण समूह की तुलना में खतरनाक बीमारी से होने वाली मौतें कम थीं, तो उपचार काम करता है, लेकिन यदि ऐसा नहीं हुआ, तो इसका मतलब है कि आपने अध्ययन को पर्याप्त रूप से ठीक से नहीं किया। (यह थोड़ा सरलीकृत है लेकिन आपको मूल विचार मिल गया है।)

इसलिए आपको यह सुनिश्चित करना होगा कि आप अंतिम बिंदु/बिंदुओं का चयन बुद्धिमानी से करें।

इसलिए, आपको आमतौर पर ऐसे समापन बिंदु चुनने चाहिए जिनमें निम्नलिखित विशेषताएं यथासंभव अधिक हों:

  • वस्तुनिष्ठ अवलोकन के बजाय व्यक्तिपरक निर्णय पर निर्भर करता है
  • स्वाभाविक रूप से आपके पसंदीदा परिणामों के प्रति पक्षपाती
  • परिणाम में हेरफेर करना आसान
  • परिणाम के बारे में झूठ बोलना आसान है
  • लोगों के लिए यह पता लगाना कठिन है कि आपने परिणाम में हेराफेरी की है या नहीं
  • समझना/समझना कठिन है – विशेष रूप से आम लोगों के लिए

उदाहरण के लिए, मान लीजिए कि आप एक वैकल्पिक उपचार को विफल करने के उद्देश्य से एक परीक्षण चला रहे हैं जो वास्तव में खतरनाक बीमारी पर काम करता है (जो बहुत बुरा होगा यदि शासन चाहता है कि महामारी का संकट कुछ समय तक बना रहे)। आपको यह दिखाना होगा कि यह काम नहीं करता है। यदि आप "मृत्यु" को अंतिम बिंदु के रूप में चुनते हैं, तो आप बड़ी मुसीबत में पड़ सकते हैं जब दवा उपचार समूह में बहुत से लोगों को बचाती है।

मृत्यु के बजाय, आप “अस्पताल से छुट्टी मिलने का समय” जैसा कुछ चुन सकते हैं। यह समापन बिंदु सभी छह शर्तों को पूरा करता है (कुछ हद तक):

  • मरीजों को छुट्टी देना डॉक्टरों (जिन्हें अध्ययन के वेतन पर होना चाहिए) द्वारा लिया गया व्यक्तिपरक निर्णय है, इसलिए आप उन मरीजों को छुट्टी देने में नहीं फंसेंगे जो रिहाई के लिए एक वस्तुनिष्ठ मानक को पूरा करते हैं।
  • निर्वहन आपके पसंदीदा परिणामों के प्रति पक्षपाती है - चूंकि नियंत्रण समूह का उच्च प्रतिशत मर जाएगा, इसका मतलब है कि उच्च प्रतिशत गंभीर मामले कभी भी छुट्टी नहीं मिलती, इसलिए वे नियंत्रण समूह के बाकी सदस्यों के लिए छुट्टी का औसत समय नहीं बढ़ाएंगे; उपचार समूह की तुलना में, जहां अधिक गंभीर रूप से बीमार मरीजों को मरने के बजाय ठीक होने में कुछ अतिरिक्त दिन लगते हैं, जिससे उपचार समूह के लिए छुट्टी मिलने का औसत समय बढ़ जाता है।
  • डिस्चार्ज में हेरफेर करना बहुत आसान है - आप अध्ययन में शामिल अस्पताल के कर्मचारियों को अनावश्यक रूप से उपचारित रोगियों के डिस्चार्ज में कुछ समय के लिए देरी करने के लिए नियुक्त कर सकते हैं (आपको यह सुनिश्चित करने की आवश्यकता है कि संबंधित कर्मचारी जानते हैं कि किसने उपचार प्राप्त किया है और इसलिए अस्पताल से डिस्चार्ज होने के लिए अतिरिक्त इंतजार करते हैं)।
  • डिस्चार्ज का समय भी गलत साबित करना काफी आसान है; बस अस्पताल में भर्ती होने की तारीख और/या डिस्चार्ज की तारीख (और यदि आवश्यक हो तो सुरक्षा फुटेज) के लिए कागजी कार्रवाई को संपादित करें। मृत्यु को गलत साबित करना बहुत कठिन है, क्योंकि मृत्यु का समय आमतौर पर बहुत सटीक रूप से दर्ज किया जाता है और प्रकट होता है मृत्यु प्रमाण पत्र पर.
  • 'डिस्चार्ज होने में लगने वाला समय' एक आम व्यक्ति के लिए सबसे सहज मापदंड नहीं है।

जाहिर है, आप इनमें से अधिकांश स्थितियों में बेहतर प्रदर्शन कर सकते हैं, लेकिन यह मूल विचार बताता है।

विश्लेषण रणनीति #4: वैकल्पिक समापन बिंदु मीट्रिक्स को छिपाएं

यह बात व्यावहारिक रूप से स्वयंसिद्ध है: यदि आप अंतिम बिंदु के रूप में 'डिस्चार्ज होने में लगने वाले समय' को लेते हैं, लेकिन रिपोर्ट करते हैं कि उपचार समूह में मृत्यु दर में 50% की कमी आई है, तो हम बस इतना ही कहेंगे कि इससे बहुत से लोगों की भौहें तन जाएंगी।

इसलिए इस बारे में कठिन प्रश्नों का सामना करने के बजाय कि आपने ऐसा बेतुका अंतबिंदु क्यों चुना, और जब आपने देखा कि उपचार से मृत्यु दर में उल्लेखनीय कमी आई है, तो आपने यह दावा क्यों किया कि उपचार काम नहीं करता, आदर्श रूप से आपको अध्ययन में कहीं भी मृत्यु की सूचना नहीं देनी चाहिए।

यदि आप मृत्यु दर के आंकड़ों की रिपोर्टिंग से बच नहीं सकते, तो कम से कम आपको उन्हें परिशिष्ट की एक यादृच्छिक तालिका के बीच में ऐसे प्रारूप में दफन कर देना चाहिए, जिसे समझना बहुत मुश्किल हो। या इससे भी बेहतर, उन्हें एक ही स्थान पर रखने के बजाय कई डेटा तालिकाओं में फैला दें, जहाँ से उन्हें अपने तहखाने में बैठे किसी परेशान करने वाले यादृच्छिक बेवकूफ द्वारा आसानी से पहचाना जा सके।

विश्लेषण रणनीति #5: अपने इच्छित परिणाम प्राप्त करने के लिए इष्टतम प्रकार के विश्लेषण का उपयोग करें

डेटा का विश्लेषण करने के उतने ही तरीके हैं जितने लिंग पहचान या सर्वनाम संयोजन हैं। दुर्भाग्य से, विभिन्न तरीकों के लिए गहन व्याख्या को इस तरह के इडियट्स गाइड के लिए उपयुक्त प्रारूप में नहीं दिया जा सकता है। इनमें से कुछ नामों पर नज़र डालें:

  • संतुलित डिजाइन विचरण विश्लेषण
  • बीटा वितरण फिटिंग
  • दो या अधिक समूहों के लिए बॉक्स-कॉक्स रूपांतरण (टी-टेस्ट और वन-वे एनोवा)
  • क्लस्टर्ड हीट मैप्स (डबल डेंड्रोग्राम)
  • वितरण (वेइबुल) फिटिंग
  • फजी क्लस्टरिंग
  • गामा वितरण फिटिंग
  • सामान्य रेखीय मॉडल (जीएलएम)
  • ग्रब्स आउटलाइअर टेस्ट
  • पदानुक्रमिक क्लस्टरिंग/डेंड्रोग्राम
  • K- मीन्स क्लस्टरिंग
  • मेडोइड विभाजन
  • बहुभिन्नरूपी विचरण विश्लेषण (MANOVA)
  • नॉनडिटेक्ट्स-डेटा समूह तुलना
  • सहप्रसरण का एकतरफा विश्लेषण (ANCOVA)
  • रिग्रेशन क्लस्टरिंग

मुद्दा यह है कि सांख्यिकीय विश्लेषण के विभिन्न तरीकों से अलग-अलग परिणाम मिलेंगे। यदि वे अलग-अलग परिणाम नहीं देते, तो इतने सारे तरीके नहीं होते। यह सब दृष्टिकोण का मामला है। इसलिए आपको अपने लिए सक्षम सांख्यिकीय गुरुओं को नियुक्त करना होगा जो इस विषय को जानते हों (और शासन के प्रति वफादार हों) दो कारणों से:

  1. आपको उनकी विशेषज्ञता का लाभ मिलता है (जिसकी आपको आवश्यकता है; याद रखें कि आपकी विशेषज्ञता प्रचार करने में है, न कि आकर्षक सांख्यिकीय विश्लेषण में। अपनी सीमाओं को पहचानते हुए थोड़ी व्यावहारिक विनम्रता एक सफल प्रचारक होने के लिए महत्वपूर्ण है; अति आत्मविश्वास कई वफादार शासन के नौकरों के लिए विनाशकारी रहा है [और अक्सर निराशाजनक गुलाग में लंबी छुट्टी का कारण भी बना है])।
  2. शासन के विधर्मी आपके सांख्यिकीय विश्लेषकों की विश्वसनीय विशेषज्ञता की कमी की ओर इशारा करके शासन अध्ययनों की विश्वसनीयता को धूमिल और दोषमुक्त नहीं कर सकते। नील फर्ग्यूसन का मामला एक चेतावनी की कहानी के रूप में खड़ा है - हालाँकि वह शुरू में कोविड से सर्वनाशकारी नरसंहार की भविष्यवाणी करने वाले अपने शानदार मॉडल के साथ दुनिया भर की सरकारों को समझाने में सफल रहा, लेकिन किसी भी विषय वस्तु की विशेषज्ञता की उसकी पूरी तरह से कमी और पूरी तरह से भ्रामक महामारी भविष्यवाणियों के उसके लंबे इतिहास ने विपक्ष को उसके मॉडल और विभिन्न सरकारों द्वारा आगे बढ़ाए गए सभी बाद के मॉडलों को खारिज करने का ठोस आधार दिया। वे इस पराजय के पीछे बड़े पैमाने पर धर्मांतरण करने में भी सक्षम थे।

विश्लेषण युक्ति #6: समस्याग्रस्त डेटा को हटाएँ जिसका विश्लेषण, समायोजन या अन्यथा छिपाया नहीं जा सकता

यह उसी तरह की अवधारणा है जैसे किसी अध्ययन से विषयों को बाहर निकाल देना यदि वे शासन के अनिवार्य परिणामों के साथ असंगत हैं; बस यहाँ आप अध्ययन के विषयों के बजाय पहले से ही उत्पन्न डेटा को हटा रहे हैं। हालाँकि उद्देश्य वही है: उस डेटा को रोकना जो आपके इच्छित अध्ययन परिणामों के साथ मेल नहीं खाता है, उसे पहले स्थान पर अध्ययन के आधिकारिक रिकॉर्ड में आने से रोकना।

IV-4. अध्ययन धांधली विकल्प #4: परिणामों को घुमाने के लिए मीडिया की भर्ती करना

परिणाम चाहे जो भी हों, आपके पास सहानुभूतिपूर्ण मीडिया आउटलेट्स के लिए तैयार-से-तैयार बात करने के मुद्दे होने चाहिए। इससे कोई फर्क नहीं पड़ता कि वे कितने झूठे, भ्रामक, आदि हैं - प्रचार का पूरा उद्देश्य गैसलाइट और गुमराह करना है - मीडिया केवल आपकी जानकारी के साथ पारिस्थितिकी तंत्र को भरकर एक शक्तिशाली शक्ति है जो कम से कम अधिकांश लोगों के लिए उन झूठों और धोखे को उजागर करना बहुत मुश्किल बना देगा जो आप पूरे समाज में तेजी से प्रचारित कर रहे हैं।

आपको विशेष रूप से किसी भी वैज्ञानिक या शिक्षाविद को क्रूरतापूर्वक निशाना बनाने के लिए तैयार रहना चाहिए, जो विधर्मी झुकाव रखता हो और जो आपकी कही किसी बात पर सवाल उठा सकता हो, या इससे भी बदतर, आपके अध्ययन में कमियों की ओर ध्यान आकर्षित कर सकता हो। अधिकतम पूर्वाग्रह के साथ।

खंड V – डेटासेट में हेरफेर

अध्ययनों के अलावा विज्ञान का दूसरा प्रमुख स्रोत डेटासेट और सूचना के अन्य स्रोत हैं जिनका उपयोग वैज्ञानिक घोषणाएँ करने के लिए किया जाता है। डेटा - विशेष रूप से आधिकारिक राज्य डेटा - बिना किसी औपचारिक अध्ययन के उपयोग योग्य है, इसलिए आपको यह सुनिश्चित करना चाहिए कि उपलब्ध डेटा, और विशेष रूप से डेटासेट जो समाज में शिक्षाविदों और आम लोगों द्वारा समान रूप से उद्धृत पारंपरिक मीट्रिक का आधार हैं, आपके दृढ़ नियंत्रण में हैं ताकि आप उन्हें इच्छानुसार बदल सकें, बदल सकें और संशोधित कर सकें।

उपलब्ध डेटासेट पर नियंत्रण और उपयोगिता को अधिकतम करने के लिए आपको निम्नलिखित प्रकार की रणनीति अपनानी चाहिए:

V-1. सांख्यिकीय 'मत्स्य पालन'

सांख्यिकीय मत्स्य पालन को केवल उदाहरण देकर समझाना आसान है, बजाय इसके कि इसे सार रूप में समझाया जाए:

मान लीजिए कि एक बड़ी फार्मा कंपनी एक नई दवा लेकर आती है जो (उनके दावे के अनुसार) बच्चों को होशियार बनाती है और उनके शैक्षणिक प्रदर्शन को बढ़ाती है। दुर्भाग्य से, भले ही इसे FDA द्वारा अनुमोदित किया गया था, वे जानते हैं कि यह काम नहीं करती है, और लोगों को संदेह होने लगा है कि कुछ गड़बड़ हो सकती है (और उनके पास अरबों डॉलर हैं)। इसलिए वे आपके पास आते हैं और आपको यह साबित करने के लिए 7 अंकों का एक बड़ा वेतन देते हैं कि उनकी नई दवा काम करती है। इसलिए आप, बिना किसी विवेक के (बेशक शासन के प्रति वफादारी को छोड़कर) एक साहसी वैज्ञानिक होने के नाते, उनकी पेशकश स्वीकार करते हैं। आप उनकी दवा के काम करने की 'साबित' कैसे करेंगे? सरल। आपको देश के सभी स्कूल जिलों से डेटा मिलता है जो शैक्षणिक स्कोर और नई फार्मा दवा लेने वाले बच्चों का प्रतिशत दिखाता है। यहाँ 'मछली पकड़ने' वाला हिस्सा आता है: आपको हर जिले को तब तक देखना होगा जब तक आपको एक या दो जिले न मिल जाएँ जहाँ शैक्षणिक स्कोर औसत से ऊपर हों और उस जिले में औसत से ज़्यादा बच्चे नई दवा ले रहे हों (जैसे मछली पकड़ना जहाँ आप तब तक लगे रहते हैं जब तक कि आपको मछली न मिल जाए)। फिर आप अपना 'अध्ययन' प्रकाशित करते हैं: "हमने जिला "X" में एक सहसंबंध पाया, जहाँ नई दवा लेने वाले बच्चों का उच्च प्रतिशत उच्च शैक्षणिक स्कोर की ओर ले गया।" यह बकवास है क्योंकि हर दूसरे जिले से पता चलता है कि दवा का शैक्षणिक स्कोर पर कोई प्रभाव नहीं था, लेकिन आप एक जिले को उजागर करके इसे बड़े करीने से टाल रहे हैं जहाँ यादृच्छिक संयोग से सहसंबंध है। (काफी बड़े सैंपल साइज के साथ, आपको यादृच्छिक रूप से एक जिला खोजने की गारंटी है जहाँ संयोग से बहुत सारे बच्चों ने दवा ली और शैक्षणिक स्कोर बढ़ गए।)

मुख्य सबक यह है कि कभी-कभी आपको बस थोड़ी सी दृढ़ता की आवश्यकता होती है। उदाहरण के लिए, यदि आपके पास कई देशों का एक बड़ा डेटासेट है, तो बस एक-एक करके देखें जब तक कि आपको वह सहसंबंध न मिल जाए जिसकी आपको तलाश है। वैकल्पिक रूप से, आप इस रणनीति के अधिक उन्नत संस्करण का प्रयास कर सकते हैं जिसे 'पी-हैकिंग'.

इस रणनीति का एक बेहतरीन उदाहरण निम्नलिखित CDC "अध्ययन" है, जिसमें उन्होंने सभी 50 राज्यों में जाकर एक ऐसे राज्य की तलाश की, जहाँ वे डेटा को इस तरह से परिष्कृत कर सकें कि कोविड के टीके उन लोगों में पुनः संक्रमण के जोखिम को कम करते हैं, जिन्हें टीका लगने से पहले ही कोविड हो चुका था। और क्या पता, उन्हें एक ऐसा राज्य मिल गया (50 में से और वाशिंगटन, डीसी जैसे कुछ गैर-राज्य क्षेत्राधिकारों में) जहाँ वे डेटा से वह कहलवा सकते थे जो वे कहना चाहते थे:

स्रोत: https://www.cdc.gov/mmwr/volumes/70/wr/mm7032e1.htm?s_cid=mm7032e1_w

देखिए, अगर सीडीसी एक से ज़्यादा राज्यों का इस्तेमाल करके यह दिखा पाता कि कोविड वैक्सीन से दोबारा संक्रमण का जोखिम कम हुआ है, तो वे ऐसा कर सकते थे (अरे)। लेकिन उन्होंने तब तक कोशिश की जब तक उन्हें एक ऐसा राज्य नहीं मिल गया जहाँ वे डेटा को इस तरह से दिखा सकें।

वैसे, यहां प्रचारकों के लिए एक और महत्वपूर्ण सबक है: दृढ़ता का मूल्य। अगर आपको ऐसा डेटासेट नहीं मिल पाता है जिसे आसानी से बदला या हेरफेर करके शासन के मुद्दे को मजबूत किया जा सके, तो हार मत मानिए। कभी-कभी आपको रचनात्मक होना पड़ता है और तब तक प्रयास करते रहना पड़ता है जब तक कि आपको सफलता न मिल जाए।

V-2. समस्याग्रस्त डेटा समायोजित करें

जी हां, हमने पहले भी धांधली वाले अध्ययनों के अनुभाग में इसका उल्लेख किया था।

यदि कच्चा डेटा आपकी पसंदीदा कहानी के अनुरूप नहीं है, तो बस इसे तब तक 'समायोजित' करें जब तक कि यह फिट न हो जाए, ठीक उसी तरह जैसे आप किसी अध्ययन के आंतरिक डेटा के लिए करते हैं। डेटा समायोजन विज्ञान का एक नियमित हिस्सा है, और चूंकि बहुत कम लोग वास्तव में समझते हैं कि यह कैसे काम करता है, आप इसका लाभ उठा सकते हैं और इसका दुरुपयोग कर सकते हैं।

कुछ लोगों ने तो इस विषय पर एक वैज्ञानिक लेख भी प्रकाशित किया है (यदि आप एक गीक (geek) शौकीन व्यक्ति हैं तो यह पढ़ने में दिलचस्प होगा):

स्रोत: https://pubmed.ncbi.nlm.nih.gov/29254468/

इस अवधारणा का एक शानदार अनुप्रयोग ग्लोबल वार्मिंग वैज्ञानिक प्रतिष्ठान सर्वसम्मति से संबंधित है जो पहले ग्लोबल कूलिंग वैज्ञानिक प्रतिष्ठान सर्वसम्मति हुआ करती थी। आप कैसे सोचते हैं कि वही डेटा जिसने 1974 में दिखाया था कि दुनिया एक अपरिवर्तनीय हिमयुग की ओर बढ़ रही थी जिसने मानवता के अस्तित्व को खतरे में डाल दिया था, अब दिखाता है कि वास्तव में *वार्मिंग* ट्रेंड बिल्कुल उसी डेटा से जो मानवता के अस्तित्व को ख़तरे में डाल रहा है?

स्रोत: https://content.time.com/time/subscriber/article/0,33009,944914,00.html

उन्होंने बस डेटा को 'एडजस्ट' किया ताकि पहले के दशक ठंडे और बाद के दशक गर्म दिखें, और लो, समस्या हल हो गई! यह शैतानी रूप से चालाकी भरा और बेहद कारगर तरीका है - नीचे दिए गए चार्ट में देखें (एक प्रसिद्ध शासन विरोधी विधर्मी से) औसत वार्षिक तापमान को ट्रैक करने वाली दो लाइनें, नीली रेखा = कच्चा डेटा, नारंगी रेखा = शासन वैज्ञानिकों द्वारा इसे 'एडजस्ट' करने के बाद का डेटा:

स्रोत: https://realclimatescience.com/2018/03/noaa-data-tampering-approaching-2-5-degrees/

यदि आप नीली रेखा को देखें, तो पिछले 100 वर्षों में कोई समग्र वार्मिंग नहीं हुई है - जो कि विनाशकारी वैश्विक वार्मिंग के आधिकारिक आख्यान के लिए बहुत बुरा है!!! हालांकि, नारंगी रेखा पिछले 100 वर्षों में स्पष्ट वार्मिंग प्रवृत्ति दिखाती है - जो कि वास्तव में आख्यान है।

बेशक, यदि भविष्य में किसी भी कारण से वैश्विक शीतलन की ओर लौटना व्यावहारिक हो जाता है, तो NOAA के वैज्ञानिक डेटा को 'पुनः समायोजित' कर देंगे, जिससे पिछले 100 वर्षों को एक स्थिर शीतलन प्रवृत्ति के रूप में दिखाया जा सके।

मुद्दा यह है कि यह सब समायोजन में है।

(नोट: कुछ कम प्रोफ़ाइल वाले शासन विज्ञान विधर्मियों को इधर-उधर घूमने की अनुमति देना उपयोगी है क्योंकि वे डेटा और विश्लेषण का उत्पादन करते हैं जो वास्तव में शासन के अपने आंतरिक उपयोग के लिए काफी उपयोगी है, जब तक आप सुनिश्चित करते हैं कि वे प्रमुखता हासिल करना शुरू नहीं करते हैं - फिर आप उन्हें बिना देरी के ग्वांतानामो बे में ले जा सकते हैं।)

V-3. आधिकारिक डेटा के आधिकारिक विश्लेषण से ऐसी कोई भी चीज़ बाहर रखें जो आपके वांछित परिणामों के साथ मेल नहीं खाती हो

आपके विश्लेषण में क्या शामिल किया गया है, इसकी सावधानीपूर्वक जांच करना सचमुच 101 काम है। यदि जानकारी या वास्तविक परिणाम आपके पसंदीदा परिणामों को कमजोर करने की धमकी देते हैं, तो उन्हें आधिकारिक डेटा के आधिकारिक विश्लेषण से बाहर कर दें। इसलिए यदि कोई सरकारी डेटाबेस है जो दिखाता है कि, शानदार वैक्सीन के बाद, कई चिकित्सा स्थितियों की घटना बहुत बढ़ गई है, तो बस इसे अनदेखा करें।

सी.डी.सी. और एफ.डी.ए. द्वारा संयुक्त रूप से प्रबंधित VAERS (वैक्सीन एडवर्स इवेंट रिपोर्टिंग सिस्टम) डेटाबेस को लें:

सी.डी.सी. (ऐसा दिखावा करता है) किसी व्यक्ति को टीका लगने के बाद प्रकट होने वाली चिकित्सा स्थितियों की सूचना वीएईआरएस को देने के लिए प्रोत्साहित करता है, “भले ही आप इस बात को लेकर निश्चित न हों कि बीमारी टीके के कारण हुई है:”

दिसंबर 2020 के मध्य में कोविड टीके लगाए जाने के बाद, मौतों के लिए VAERS प्रविष्टियाँ इस तरह दिखती हैं (चार्ट प्रत्येक वर्ष सभी टीकों के लिए रिपोर्ट की गई मौतों की कुल संख्या दिखाता है):

यह ग्राफ़िक कोविड टीकों से होने वाली चोटों/मृत्युओं के बारे में VAERS रिपोर्ट के आँकड़े दिखाता है:

फिर भी, आखिरी बार आपने सीडीसी से बहुमूल्य कोविड टीकों के संबंध में किसी बयान या विश्लेषण में VAERS के बारे में कब सुना था?

बिल्कुल सही!! CDC (और अन्य सभी) VAERS को पूरी तरह से नजरअंदाज कर देते हैं (सिवाय इसके कि जब वे समय-समय पर VAERS को गलत साबित करने के लिए 'तथ्य-जांच' वाले लेख जारी करते हैं)।

साथ ही, सुनिश्चित करें कि जो कोई भी आपके शासन के विश्लेषण और घोषणाओं की विश्वसनीयता को कम करने के लिए इस तरह के डेटा का उपयोग करने की हिम्मत करता है, उसे लगातार सताया जाए। यह अक्सर एक समस्या है क्योंकि अनिवार्य रूप से ऐसे बहुत से लोग होंगे जिनके पास कच्चे डेटा तक पहुँच होगी, जब यह मौजूद होगा।

V-4. पहले से स्थापित रिश्तों और मतभेदों का लाभ उठाना

किसी अध्ययन को निर्णायक रूप से प्रभावित करने का एक आसान तरीका है दो संस्थाओं की तुलना करना जिनके बारे में आप जानते हैं कि उनमें पहले से ही कोई विशेष अंतर या सहसंबंध है। फिर आप इस अंतर या सहसंबंध को 'खोजने' का दिखावा कर सकते हैं लेकिन इसे किसी नए कारक के लिए जिम्मेदार ठहरा सकते हैं।

इसलिए, उदाहरण के लिए, चूंकि अमीर राज्यों की तुलना में गरीब राज्यों में स्वास्थ्य परिणाम खराब होते हैं, अगर गरीब राज्य शासन के दिशा-निर्देशों का कम अनुपालन करते हैं, तो आप उनके खराब स्वास्थ्य परिणामों की ओर इशारा कर सकते हैं और इसके लिए उन पर शानदार वैक्सीन न लेने का आरोप लगा सकते हैं। मीडिया वास्तव में इस संदेश को विशेष रूप से बढ़ाने में माहिर है, क्योंकि उन्हें "बुरे" राजनीतिक दल/दलों के साथ राजनीतिक संबद्धता को खराब परिणामों के लिए जिम्मेदार ठहराने से ज़्यादा कुछ पसंद नहीं है।

V-5. वैज्ञानिक अनुसंधान के लिए उपयोग किए जाने वाले महत्वपूर्ण डेटासेट को नियंत्रित करें

जो डेटा को नियंत्रित करता है वह विज्ञान को भी नियंत्रित करता हैसबसे प्रमुख और व्यापक रूप से इस्तेमाल किए जाने वाले डेटासेट पर अडिग नियंत्रण रखने का ध्यान रखें, और आप खुद को बहुत अधिक तनाव और सिरदर्द से बचा लेंगे। उदाहरण के लिए, सेना अपने आंतरिक डेटासेट को नियंत्रित करती है, और उन्हें इच्छानुसार हेरफेर कर सकती है। DMED की तरह - उन्होंने इस डेटासेट को पूरी तरह से बेकार बनाने के लिए इस हद तक छेड़छाड़ की। नीचे दिए गए दो चार्ट देखें जो दिखाते हैं कि *वही* वर्ष 2015-2018 के लिए "एम्बुलेंटरी डॉक्टर के दौरे की दरों" के लिए डीएमईडी डेटा - बाएं चार्ट 2019 में प्रकाशित संस्करण है, दाएं चार्ट 2021 संस्करण दिखाता है - और किसी तरह, वे समान नहीं हैं (लाल घेरे वाले क्षेत्र)।

2016-2018 के आंकड़ों में बदलाव पर ध्यान दें (जिसे आप ट्रेंड लाइन के आकार से देख सकते हैं)? 2016 में डॉक्टर के पास जाने की संख्या में किस तरह से वृद्धि हुई? 2019 और 2021 ????

क्योंकि शासन ने बस डेटा को फिर से लिखा है। जब आपके पास डेटासेट पर पूरा नियंत्रण हो तो आप यही कर सकते हैं।

यह कहने की आवश्यकता नहीं है कि किसी भी परिस्थिति में आपको किसी भी विधर्मी वैज्ञानिक को अपने नियंत्रण में विज्ञान के पवित्र ग्रंथों या डेटा तक पहुंच की अनुमति नहीं देनी चाहिए - याद रखें, आपको हमेशा सतर्क रहना चाहिए कि कहीं कोई दुष्ट विधर्मी शोधकर्ता ऐसा विश्लेषण न कर दे जो विज्ञान को अमान्य या विरोधाभासी बना दे। CDC यहाँ उदाहरण प्रस्तुत करता है:

स्रोत: https://www.cdc.gov/nchs/nvss/nvss-restricted-data.htm

यदि आप परेशान करने वाले स्वतंत्र वैज्ञानिकों को डेटा तक पहुंच नहीं देते हैं, तो आपको इस बारे में चिंता करने की आवश्यकता नहीं है कि वे डेटा में ऐसी चीजें खोज लेंगे जो शासन की कहानी को बहुत कमजोर कर देंगी।

अनुभाग VI – साक्ष्य के मानकों को नियंत्रित करें

अपने आप को एक आपराधिक मुकदमे की अध्यक्षता करने वाले न्यायाधीश के रूप में सोचें, जो इस बात पर निर्णय देता है कि अदालत में कौन से साक्ष्य स्वीकार्य हैं, और इस प्रकार यह सुनिश्चित कर सकता है कि दोषी ठहराने वाले या दोषमुक्त करने वाले साक्ष्य जूरी तक कभी न पहुँचें। यहाँ भी यही विचार है - साक्ष्य के मानकों को नियंत्रित करके, आप बिना किसी विशिष्ट दावे या साक्ष्य को सीधे चुनौती दिए, अप्रत्यक्ष रूप से बहुत सारे चुनौतीपूर्ण विज्ञान को समाप्त कर सकते हैं।

VI-1. उच्चतम गुणवत्ता वाले साक्ष्य को किसी के लिए भी असंभव बनाना, सिवाय शासन-अनुमोदित अभिनेताओं के

यह एक सरल नियम है: स्वतंत्र वैज्ञानिकों या शोधकर्ताओं के लिए 'उच्च गुणवत्ता' वाले अध्ययन करना जितना संभव हो सके उतना कठिन बनाइए।

आप विरोधी विचारधारा वाले असंतुष्टों के लिए अस्वीकृत या विधर्मी विज्ञान का संचालन करना बहुत महंगा बना सकते हैं। प्रचार इतिहास में सबसे बड़ी सफलताओं में से एक सबूत के लिए "गोल्ड स्टैंडर्ड" के रूप में यादृच्छिक नियंत्रित परीक्षणों का उदय था। इन्हें संचालित करने में आम तौर पर कई मिलियन खर्च होते हैं, जिससे विशाल दवा निगमों (जो शासन के वफादार अभिनेता हैं) के अलावा किसी और के लिए ऐसे वैज्ञानिक उद्यम चलाने की संभावना समाप्त हो जाती है।

यदि कोई समूह किसी तरह से ऐसे अध्ययन के लिए पर्याप्त धनराशि प्राप्त कर लेता है, तो आप कानून पारित कर सकते हैं या सरकारी एजेंसियों का उपयोग करके गैर-अनुमोदित उच्च-गुणवत्ता वाले अध्ययनों पर रोक लगा सकते हैं।

VI-2. अस्वीकृत वैज्ञानिकों द्वारा किए जा सकने वाले अध्ययनों के प्रकार को “निम्न-गुणवत्ता” के रूप में नामित करें

इसके विपरीत, सुनिश्चित करें कि कोई भी गैर-अनुरूप विज्ञान या शोध जो अभी भी आयोजित किया जा सकता है, उसे निम्न-गुणवत्ता वाले साक्ष्य के रूप में नामित किया जाए। यह आमतौर पर सभी अस्वीकृत शोधों पर पूरी तरह से प्रतिबंध लगाने से बेहतर विकल्प है, जो स्वाभाविक रूप से जनता को शासन के प्रति संदिग्ध बना देगा और सभी प्रकार के बेतुके षड्यंत्र सिद्धांतों को स्वीकार करने के लिए प्रवृत्त करेगा। इसके बजाय, उन्हें अपना शोध करने दें, लेकिन समझाएँ कि यह निरर्थक है क्योंकि यह साक्ष्य-आधारित विज्ञान के उचित नियमों के अनुरूप नहीं है।

VI-3. साक्ष्य का कोई स्पष्ट मानक प्रस्तुत न करें जिसे आम लोग स्वयं लागू कर सकें

आप अनिवार्य रूप से ऐसी परिस्थितियों का सामना करने जा रहे हैं जहाँ आपको साक्ष्य के दोहरे मानक को लागू करने के लिए छूट की आवश्यकता होगी। यदि आप एक स्पष्ट और आसानी से समझ में आने वाला मानक व्यक्त करते हैं, तो आप विज्ञान को बदलने की अपनी क्षमता को निष्प्रभावी कर रहे हैं, क्योंकि लोग तब आपको अपने स्वयं के घोषित मानक पर खड़ा कर सकते हैं। साथ ही, जैसा कि पहले बताया गया है, आप लोगों को यह समझाना चाहते हैं कि वास्तविक मानक केवल वही है जिसे शासन उच्च-गुणवत्ता वाला साक्ष्य घोषित करता है, न कि कोई दूर-दूर तक वस्तुनिष्ठ मानदंड।

VI-4. अहंकारी या विश्वासघाती वैज्ञानिकों को सताना

कभी-कभी ऐसी स्थिति उत्पन्न होगी जहाँ आप खुद को इस आधार पर शोध की विश्वसनीयता पर आरोप लगाने में असमर्थ पाएँगे कि यह घटिया गुणवत्ता वाला साक्ष्य है। ऐसे मामलों में, आपको विधर्मी विज्ञान का प्रसार करने के लिए जिम्मेदार आपत्तिजनक वैज्ञानिक/वैज्ञानिकों को सताना चाहिए, जिससे समस्याग्रस्त शोध का प्रसार और आगे संचालन बंद हो जाए। यह उन्हें सोशल मीडिया से हटाने जितना ही हानिरहित हो सकता है, या उन्हें गुलाग में भेज देना जितना भी व्यापक हो सकता है जहाँ से उन्हें फिर कभी नहीं देखा या सुना जा सके। हालाँकि आप या शासन अंततः उन्हें सार्वजनिक क्षेत्र से हटाने का फैसला करता है, आपको यह भी सुनिश्चित करना चाहिए कि आप उनकी प्रतिष्ठा और विशेषज्ञता पर लगातार हमला करें (भले ही देशद्रोही को खत्म कर दिया गया हो)। यह करिश्माई वैज्ञानिक/वैज्ञानिकों के खिलाफ इस्तेमाल करने के लिए भी एक अच्छी रणनीति है जो शासन को धमकी देते हैं क्योंकि वह जनता के दिलों पर कब्जा कर लेते हैं। यह तब भी सच है जब वे वफ़ादार लगते हों, जब तक कि आप पूरी तरह से न जानते हों कि वे कभी भी दूसरे पक्ष में नहीं जाएंगे (जैसे कि अगर आपके पास ब्लैकमेल की जानकारी है, या वे शासन की कहानी का दिल और आत्मा हैं और कट्टर रूप से प्रतिबद्ध हैं, जैसे कि संत डॉ. फौसी)। इसलिए आपको सभी वफ़ादार शासन वैज्ञानिकों पर नज़र रखने के लिए एक मज़बूत जासूसी तंत्र बनाए रखना चाहिए।

खंड VII – विज्ञान के चर्च संबंधी अधिकारी

पहली बात जो आपको समझनी चाहिए वह यह है कि विज्ञान के क्षेत्र में अधिकार की अवधारणा धार्मिक प्रकृति की है। आज समाज में वैज्ञानिक चर्चा का बड़ा हिस्सा अधिकार के तर्कों से बना है। इसलिए इसका विरोध करने के बजाय, इसे अपनाएँ और इसका इस्तेमाल करें, क्योंकि यह विज्ञान को नियंत्रित करने की लड़ाई में सभी हथियारों में सबसे शक्तिशाली है। आप विज्ञान के चर्च हैं। शासन इसका वेटिकन है। अपनी ताकत दिखाइए और अपनी इच्छा थोपिए!!

आपको ऐसी परंपराएँ स्थापित करनी होंगी जो स्वाभाविक रूप से समाज में वैज्ञानिक अधिकार के पदों पर केवल शासन के वफादारों को ही चढ़ने के लिए चुनेंगी। यह मुख्य रूप से निम्नलिखित तरीकों से पूरा किया जाता है:

VII-1. विशेषज्ञों के पास प्रमाण-पत्र होना चाहिए

प्रमाण-पत्र वह पहली स्क्रीन है जो अधिकांश संभावित बदमाशों को बाहर निकालती है। प्रमाण-पत्र की आवश्यकता के द्वारा - जिसे निश्चित रूप से कोई व्यक्ति केवल शासन के मध्यस्थ के माध्यम से या शासन द्वारा मान्यता प्राप्त और उसके प्रति वफादार संस्थान के माध्यम से ही प्राप्त कर सकता है। आपको इस विश्वास को मजबूत करना चाहिए कि गैर-प्रमाणित विशेषज्ञ अद्वितीय रूप से खतरनाक और अज्ञानी हैं, क्योंकि जनता शासन की स्थिति और घोषणाओं के लिए दूसरी राय लेने की निरंतर इच्छा से बोझिल है।

VII-2. विशेषज्ञों को किसी अच्छी संस्था या संगठन से संबद्ध होना चाहिए

एक और स्पष्ट नियम। यह उन सभी संभावित मंचूरियन वैज्ञानिकों को बाहर निकालने का एक अच्छा तरीका है जो प्रमाणन प्रक्रिया से गुज़रे हैं।

VII-3. विशेषज्ञों को “मुख्यधारा” में शामिल किया जाना चाहिए

इस सामाजिक परंपरा को सख्ती से लागू करें, क्योंकि यह उस स्थिति में एक शक्तिशाली सुरक्षा जाल है जब कोई विशेषज्ञ रैंक तोड़ता है और शासन का विरोध करने का फैसला करता है। ऐसे लोगों को आसानी से मान्यता नहीं दी जा सकती है, और कभी-कभी अच्छे संगठनों के साथ उनके सभी जुड़ावों को समाप्त करना मुश्किल या अव्यावहारिक हो सकता है। इसलिए एक अयोग्यता की आवश्यकता है जो इन दोनों में से किसी पर निर्भर न हो। उसे मुख्यधारा से बाहर घोषित करना ऐसे विशेषज्ञ को उसके अधिकार से वंचित करने का एक काफी शक्तिशाली तरीका है।

VII-4. वैज्ञानिक सहमति लागू करें

वैज्ञानिक अधिकार का प्रयोग करने वालों को नियंत्रित करने का एक और शक्तिशाली तरीका है मनगढ़ंत "सर्वसम्मति" के अनुपालन को लागू करना, जो कोई भी उक्त सर्वसम्मति से विचलित होता है उसे सबसे अधिक विचलित किस्म का अप्रतिबंधित, असुधार्य विधर्मी करार देना। यह एक बाहरी उपकरण है जो भटके हुए साख वाले वैज्ञानिकों को पदच्युत करने के लिए बेहद उपयोगी हो सकता है। "सर्वसम्मति" आम लोगों के कानों और दिलों में शक्तिशाली रूप से गूंजती है, और उन्हें सवाल न उठाने का आसान औचित्य प्रदान करती है यदि शासन अचानक किसी पूर्व-सम्मानित वैज्ञानिक को पदच्युत करने का निर्णय लेता है।

अंतभाषण

प्रचार की कला एक व्यापक विषय है जिसमें कई अनुशासन शामिल हैं। यह उम्मीद न करें कि आप रातों-रात इसमें महारत हासिल कर लेंगे। उम्मीद करें कि आप गलतियाँ करेंगे - इसी तरह आप सीखते हैं कि क्या काम करता है (और इसलिए यह भी सुनिश्चित करें कि हमेशा कोई और हो जिस पर आप अपनी गलतियों के लिए दोष लगा सकें)।

सौभाग्य से, आपके लिए, अधिकांश नागरिक बौद्धिक भेड़ हैं। इस सिद्धांत को ओबामाकेयर के मुख्य वास्तुकार प्रोफेसर जोनाथन ग्रुबर ने शानदार ढंग से प्रदर्शित किया।

हालाँकि, प्रोफेसर ग्रुबर को रिकॉर्ड किए गए भाषणों में बहुत अधिक और बहुत स्पष्ट रूप से समझाने का शौक था। बेशक, युवा शासन छात्रों को स्पष्ट भाषा में विवादास्पद मामलों को समझाने में कुछ भी गलत नहीं है जो यह समझने के लिए महत्वपूर्ण है कि शासन की राजनीति कैसे काम करती है, क्योंकि अगर उन्हें उत्पादक शासन कार्यकर्ता बनना है तो उन्हें इन चीजों की दृढ़ समझ होनी चाहिए। हालाँकि यह तब एक मुद्दा बन जाता है जब ये भाषण वीडियो पर रिकॉर्ड किए जाते हैं जो आम जनता के लिए सुलभ होते हैं जिन्हें आप धोखा देने वाले होते हैं:

आप सोचेंगे कि जिस व्यक्ति ने (उस समय) एक अत्यंत अलोकप्रिय कानून लिखा था, वह अनेक वीडियो में यह दावा करते हुए पकड़ा गया कि यह "अमेरिकी मतदाता की आर्थिक समझ की कमी का चतुराईपूर्ण दोहन" था और "अमेरिकी मतदाता की मूर्खता" कर वृद्धि को कर वृद्धि न मानने के लिए महत्वपूर्ण थी (जो कि पहले बताए गए अनुसार 100% सत्य हैं), तो राजनेता कानून को वापस लेने और कुछ वर्षों बाद जब हो-हल्ला शांत हो जाएगा, तब पुनः प्रयास करने के लिए बाध्य होंगे।

सिवाय इसके कि, जैसा कि पता चलता है, आप आम तौर पर न केवल औसत मतदाता की अप्रतिबंधित मूर्खता पर भरोसा कर सकते हैं, बल्कि उनकी अल्पकालिक स्मृति की कमी, आत्म-संरक्षण की भावना की कमी और सबसे बढ़कर राजनीतिक विचारधारा के प्रति उनकी प्रतिबद्धता पर भी भरोसा कर सकते हैं। क्या ओबामाकेयर को रद्द कर दिया गया, या इसमें देरी भी हुई? नहीं। इसलिए भले ही आप बहुत बड़ी सजा भुगतें, आप शायद ठीक रहेंगे। (खासकर यदि आपने एक आज्ञाकारी मुख्यधारा मीडिया विकसित किया है जो शासन की वफ़ादारी से सेवा करता है।)

आप इस बात से भी राहत महसूस कर सकते हैं कि प्रचार स्वाभाविक रूप से एक आत्म-सुधार करने वाला उद्यम है - जब गलतियाँ की जाती हैं, तो आप उन गलतियों को छिपाने या कम करने के लिए बस और अधिक प्रचार और गैसलाइटिंग करते हैं। देखें कि कैसे शासन के अधिकारी प्रोफेसर ग्रुबर की प्रशंसा करने से हटकर यह दावा करने लगे कि वह पूरी तरह से महत्वहीन हैं, बिना पलक झपकाए, और अपने असंगत पदों के नंगे पाखंड पर शर्मिंदगी के ज़रा भी संकेत के बिना:

(हालांकि आपको सावधान रहना चाहिए कि आप गलतियाँ करने में बहुत लापरवाह न हों, अन्यथा आपको अपने आपको सोवियत गुलाग या मोरक्को में सीआईए ब्लैक ऑप्स साइट पर स्थानांतरित करना पड़ सकता है।)

हम सब मिलकर, इस दुनिया को उन लोगों के लिए एक बेहतर स्थान बना सकते हैं जो नव-पुनर्स्थापित मानवता का हिस्सा बनने के लिए किस्मत में हैं।



ए के तहत प्रकाशित क्रिएटिव कॉमन्स एट्रिब्यूशन 4.0 इंटरनेशनल लाइसेंस
पुनर्मुद्रण के लिए, कृपया कैनोनिकल लिंक को मूल पर वापस सेट करें ब्राउनस्टोन संस्थान आलेख एवं लेखक.

Author

  • ब्राउनस्टोन संस्थान

    एरोन हर्ट्ज़बर्ग महामारी प्रतिक्रिया के सभी पहलुओं पर एक लेखक हैं। आप उनके सबस्टैक: रेसिस्टिंग द इंटेलेक्चुअल इलिटरेटी पर उनके लेखन के बारे में अधिक जानकारी पा सकते हैं।

    सभी पोस्ट देखें

आज दान करें

ब्राउनस्टोन इंस्टीट्यूट को आपकी वित्तीय सहायता लेखकों, वकीलों, वैज्ञानिकों, अर्थशास्त्रियों और अन्य साहसी लोगों की सहायता के लिए जाती है, जो हमारे समय की उथल-पुथल के दौरान पेशेवर रूप से शुद्ध और विस्थापित हो गए हैं। आप उनके चल रहे काम के माध्यम से सच्चाई सामने लाने में मदद कर सकते हैं।

निःशुल्क डाउनलोड: 2 ट्रिलियन डॉलर कैसे कम करें

ब्राउनस्टोन जर्नल न्यूज़लेटर के लिए साइन अप करें और डेविड स्टॉकमैन की नई पुस्तक प्राप्त करें।

निःशुल्क डाउनलोड: 2 ट्रिलियन डॉलर कैसे कम करें

ब्राउनस्टोन जर्नल न्यूज़लेटर के लिए साइन अप करें और डेविड स्टॉकमैन की नई पुस्तक प्राप्त करें।