7 · วันเกิดกับนักประดิษฐ์
ถ้าเปิดรายชื่อผู้เล่นฮอกกี้น้ำแข็งเยาวชนระดับสูงของแคนาดาในยุค 1980 จะเห็นเรื่องแปลกอยู่เรื่องหนึ่ง วันเกิดของผู้เล่นไม่ได้กระจายเท่าๆ กันตลอดปี แต่กองอยู่ในช่วงมกราคมถึงมีนาคม
ปี 1985 Roger Barnsley กับทีมพบว่าจำนวนผู้เล่นลดลงเป็นเส้นตรงตามเดือนเกิด ยิ่งเกิดใกล้ปลายปียิ่งมีน้อย ทั้งในลีกเยาวชนระดับสูงและใน NHL พวกเขาตั้งชื่อปรากฏการณ์นี้ว่า relative age effect
คำอธิบายไม่มีอะไรลึกลับ ลีกเยาวชนแบ่งรุ่นตามปีเกิดโดยตัดที่ 1 มกราคม เด็กที่เกิดเดือนมกราคมจึงแก่กว่าเด็กที่เกิดเดือนธันวาคมในรุ่นเดียวกันเกือบหนึ่งปี ตอนอายุแปดเก้าขวบ หนึ่งปีคือความต่างของส่วนสูง น้ำหนัก และการประสานงานของร่างกาย โค้ชเลือกเด็กที่ดูเก่งกว่าเข้าทีมที่ดีกว่า เด็กกลุ่มนี้ได้ฝึกมากกว่า ได้เจอคู่แข่งที่เก่งกว่า แล้วความได้เปรียบที่เริ่มจากปฏิทินก็กลายเป็นฝีมือจริง
นี่คือ Matthew effect จากบทที่ 1 ที่เห็นเป็นรูปธรรม
ตำแหน่งที่คุณยืนกำหนดโอกาสของคุณก่อนที่จะมีใครวัดพรสวรรค์ และตำแหน่งที่สำคัญที่สุดมีสองอย่าง คือคุณได้เห็นอะไร กับคุณรู้จักใคร
ไอน์สไตน์ที่หายไป
ปี 2019 นักเศรษฐศาสตร์ห้าคน นำโดย Alex Bell กับ Raj Chetty เชื่อมข้อมูลสิทธิบัตรของนักประดิษฐ์ในสหรัฐ 1.2 ล้านคนเข้ากับข้อมูลภาษีของพ่อแม่ แล้วถามว่าใครได้เป็นนักประดิษฐ์
เด็กจากครอบครัวที่มีรายได้อยู่ใน 1% บนสุด มีโอกาสเป็นนักประดิษฐ์ มากกว่าเด็กจากครอบครัวที่รายได้ต่ำกว่าค่ากลางราวสิบเท่า ส่วนหนึ่งของช่องว่างนี้อธิบายได้ด้วยคะแนนคณิตศาสตร์ตอนเด็ก แต่ไม่ใช่ทั้งหมด เด็กยากจนที่คะแนนคณิตศาสตร์สูงมากก็ยังได้เป็นนักประดิษฐ์น้อยกว่าเด็กรวยที่คะแนนพอกัน
ส่วนที่คะแนนอธิบายไม่ได้ พวกเขาพบว่าเป็นเรื่องของการได้เห็น เด็กที่โตในพื้นที่ที่มีนักประดิษฐ์ในสาขาหนึ่งอยู่มาก มีแนวโน้มจะไปประดิษฐ์ในสาขานั้นเอง ไม่ใช่สาขาอื่น และผลนี้แรงขึ้นเมื่อนักประดิษฐ์เหล่านั้นเป็นเพศเดียวกับเด็ก เด็กผู้หญิงที่โตมาท่ามกลางนักประดิษฐ์หญิงในสาขาใด มีโอกาสประดิษฐ์ในสาขานั้นมากขึ้น
ผู้วิจัยเรียกเด็กที่มีความสามารถแต่ไม่เคยได้เห็นเส้นทางนี้ว่า Lost Einsteins คนที่อาจเป็นไอน์สไตน์ได้ แต่ไม่เคยรู้ว่ามีประตูบานนั้นอยู่
คนรู้จักที่ไม่สนิทนัก
ปี 1973 นักสังคมวิทยา Mark Granovetter เสนอว่าข่าวงานใหม่มักมาจากคนรู้จักห่างๆ มากกว่าเพื่อนสนิท เพราะเพื่อนสนิทรู้เรื่องเดียวกับที่คุณรู้อยู่แล้ว เขาเรียกมันว่า strength of weak ties แนวคิดนี้อยู่ในตำรามาเกือบห้าสิบปี แต่ทดสอบเชิงสาเหตุไม่ได้ เพราะไม่มีใครสุ่มกำหนดได้ว่าใครจะรู้จักใคร
ปี 2022 มีคนทำได้ Karthik Rajkumar กับทีมวิเคราะห์การทดลองที่ LinkedIn สุ่มปรับอัลกอริทึมแนะนำคนที่คุณอาจรู้จักให้ผู้ใช้กว่า 20 ล้านคนในเวลาห้าปี ระหว่างนั้นเกิดการเชื่อมต่อใหม่สองพันล้านครั้ง และมีการเปลี่ยนงานที่ติดตามได้ 600,000 ครั้ง
ผลที่ได้ไม่ใช่ยิ่งห่างยิ่งดี แต่เป็นเส้นโค้งรูประฆังคว่ำ คนรู้จักที่ห่างระดับกลางๆ ช่วยเรื่องการเปลี่ยนงานมากที่สุด คนที่สนิทมากรู้เรื่องเดียวกับคุณ ส่วนคนที่ห่างมากก็ไม่ได้นึกถึงคุณตอนมีตำแหน่งว่าง
การทดลองนี้มีข้อวิจารณ์ด้านจริยธรรมตามมา เพราะผู้ใช้หลายล้านคนไม่รู้ว่าตัวเองอยู่ในการทดลองที่อาจกระทบโอกาสหางาน ข้อวิจารณ์นั้นชอบธรรม และมันไม่ได้ทำให้ผลที่วัดได้เปลี่ยนไป
ปลายทางมองไม่เห็นพื้น
เรื่องเล่าความสำเร็จเล่าจากปลายทางเสมอ และจากปลายทาง คนเล่าไม่เห็นว่าตัวเองยืนอยู่บนอะไร เขาไม่เห็นปฏิทินที่ทำให้ตัวเองโตกว่าเพื่อนในรุ่น ไม่เห็นเพื่อนบ้านที่เป็นวิศวกร และไม่เห็นคนรู้จักห่างๆ ที่ส่งข่าวงานมาในวันที่เหมาะพอดี
สิ่งเหล่านี้ไม่ได้ลบความพยายามของเขาทิ้ง มันแค่บอกว่าความพยายามไม่ได้เริ่มจากศูนย์ บทถัดไปจะตามเรื่องนี้ต่อไปไกลกว่าชีวิตของคนคนเดียว
จะพลิกคำตัดสินนี้ได้เมื่อ: มีข้อมูลที่พบว่าเมื่อควบคุมความสามารถที่วัดตอนเด็กได้อย่างครบถ้วนแล้ว ช่องว่างตามรายได้ครอบครัวและการได้เห็นแบบอย่างหายไป หรือพบว่าการแบ่งรุ่นตามปีเกิดไม่ได้ส่งผลต่อการได้รับคัดเลือกในกีฬาเยาวชน
แหล่ง: Barnsley, Thompson & Barnsley, Hockey success and birthdate: The relative age effect, CAHPER Journal 1985 — ฉบับที่เผยแพร่ · Bell, Chetty, Jaravel, Petkova & Van Reenen, Who Becomes an Inventor in America? The Importance of Exposure to Innovation, Quarterly Journal of Economics 2019 — หน้าสรุปของทีมวิจัย · Granovetter, The Strength of Weak Ties, American Journal of Sociology 1973 · Rajkumar และคณะ, A causal test of the strength of weak ties, Science 2022 — หน้าวารสาร
บทถัดไป · 9 / 138 · ไม่มีใครเริ่มจากศูนย์