Epistemic Humility

Epistemic Humility

Saya hari ini baru belajar suatu konsep baru yang cukup menarik, namanya epistemic humility. Konsep ini, yang selanjutnya akan saya tulis dengan EH, secara heuristik merupakan bentuk pengakuan bahwa seseorang selalu punya kesadaran aktif untuk memperbaharui sesuatu yang ia ketahui. Konsep ini saya temukan setelah melakukan diskusi menyenangkan dengan AI tentang keterbukaan sekaligus keketatan dalam menerima kritik yang ditujukan pada seseorang.

Merefleksikan kembali EH, saya teringat kutipan Newton bahwa ilmu pengetahuan berdiri di bahu raksasa; akan selalu ada kebaruan dalam pengetahuan dan penting untuk tidak menganggap gelas sudah terisi penuh dengan pengetahuan yang sudah ada. Ada contoh menarik soal EH ini, Harari dalam bukunya yang berjudul Sapiens mencatat sesuatu yang menarik soal perbedaan tradisi kartografi. Peta-peta lama, termasuk banyak peta dari tradisi Islam dan Eropa abad pertengahan, cenderung digambar sebagai gambaran dunia yang sudah lengkap dan final. Tidak ada ruang kosong seolah seluruh dunia sudah diketahui dan tidak ada yang tersisa untuk dijelajahi. Sebaliknya, peta-peta eksplorasi Eropa modern mulai secara eksplisit meninggalkan wilayah bertanda terra incognita, tanah yang tidak diketahui. Ruang kosong itu sengaja dibuat sebagai pengakuan jujur atas keterbatasan pengetahuan, dan justru pengakuan itulah yang mendorong ekspedisi untuk mengisi kekosongan tersebut. Pada masa modern ini, kita ketahui bersama kemasyhuran benua biru tersebut. EH sedikit banyak memengaruhi bagaimana hal ini dapat terjadi.

Analogi peta ini menggambarkan dengan tepat apa yang dilakukan EH dalam kehidupan intelektual seseorang. EH sebagai mental model menyediakan ruang bagi pertumbuhan, sedangkan kritik menentukan arah dan energinya. Apa yang dibutuhkan oleh EH bukan keterbukaan penuh terhadap kritik, tapi pertimbangan atas semua kritik yang masuk. 

Hubungan dengan Bayesian Thinking

Ini cukup menarik. Saya rasa EH adalah filosofi yang mendasari Bayesian Thinking. Jika Bayesian Thinking secara heuristik akan memperbaharui prior menjadi posterior dengan likelihood pengetahuan baru, maka EH adalah mental model untuk melaksanakan pembaharuan tersebut. Untuk lebih jelasnya, Bayesian Thinking itu terdiri dari 3 komponen:

• Prior => keyakinan awal sebelum ada bukti baru
• Likelihood => seberapa kuat bukti baru itu relevan
• Posterior => keyakinan yang sudah diperbarui setelah melihat bukti

Dalam Bayesian Thinking, jika seseorang memasang prior terlalu tinggi, keyakinannya akan sulit diperbaharui, kenapa? akan sangat sulit menemukan likelihood yang cukup supaya keyakinan tersebut bisa diperbaharui. Kalau dalam paradgima EH, orang yang memasang prior terlalu tinggi terhadap keyakinan mereka sendiri, kritik terhadap mereka, sebelum batas threshold likelihood, tidak akan cukup untuk menggeser posterior mereka.

Di samping itu, EH tidak hanya bekerja di level pembaruan keyakinan, tapi juga di level pembentukan keyakinan awal itu sendiri. Dalam Bayesian Thinking, prior yang dipasang terlalu tinggi akan membuat posterior sulit bergerak meski dikritik berkali-kali. Namun, pertanyaan yang lebih mendasar adalah dari mana prior yang terlalu tinggi itu berasal? Seringkali bukan dari bukti, melainkan dari ego. Nah, seseorang dikatakan keliru jika memulai pembentukan model mentalnya dengan keyakinan yang sudah tercemar oleh keinginan untuk benar, bukan oleh kualitas argumen yang mendasarinya. 

Di sinilah EH bekerja paling dalam. EH bukan hanya tentang kesediaan untuk memperbarui posterior ketika ada bukti baru, tapi tentang penekanan objektivitas dalam menetapkan prior sedari awal. Dengan kata lain, jika Bayesian Thinking adalah mesinnya, EH adalah kesadaran diri seeorang dalam memasukkan angka awalnya (prior). Tanpa EH, seseorang bisa tetap menjalankan proses Bayesian dengan sangat canggih, tetapi hasilnya tetap bias karena inputnya sudah tidak proporsional sejak awal.

Keberuntungan Tidak Sepenuhnya Acak

Lu mungkin sering denger orang bilang keberuntungan itu murni statistik atau takdir yang nggak bisa diapa-apain. Tapi kalau kita bedah pake lensa teori jaringan, keberuntungan sebentar lagi bakal kelihatan kayak fungsi matematika yang bisa dioptimasi.

Hukum Metcalfe dan Kenapa Lu Butuh Node Baru

Dalam teori jaringan, ada yang namanya Hukum Metcalfe. Robert Metcalfe awalnya pake ini buat jelasin nilai perangkat telekomunikasi, tapi aplikasinya ke manusia itu nyata banget. Logikanya gini: nilai sebuah jaringan (V) itu sebanding sama kuadrat dari jumlah penggunanya ().

Kalau lu cuma punya dua koneksi, lu cuma punya satu jalur komunikasi. Tapi kalau lu punya seratus koneksi, jalur yang mungkin terbentuk itu hampir lima ribu. Masalahnya, banyak dari kita terjebak dalam closed loop (lingkaran tertutup). Isinya orang yang itu-itu aja, perspektif yang sama, dan data yang redundan. Dalam statistik, ini namanya autocorrelation yang tinggi. Nggak ada informasi baru yang masuk.

Pas lu nambah satu orang baru ke jaringan lu, lu nggak cuma nambah satu node. Lu nambah pintu masuk ke seluruh jaringan milik orang itu. Itulah kenapa peluang dalam hidup itu sifatnya nonlinear. Keberuntungan lu meledak bukan pas lu kerja lebih keras di dalam gua, tapi pas lu buka pintu buat node baru masuk.

Belajar dari Richard Wiseman: Luck as a Behavioral Signal

Richard Wiseman dari University of Hertfordshire pernah ngelakuin riset yang menarik banget selama sepuluh tahun. Dia ngumpulin 400 orang yang ngerasa "selalu beruntung" dan "selalu sial". Hasilnya bukan soal jimat atau garis tangan, tapi soal perilaku sistemik.

Orang "beruntung" dalam studi Wiseman punya karakteristik yang mirip sama high-performance network:

1. Mereka maksimalkan peluang lewat variasi rutinitas. Mereka nggak mau sistem mereka "stuck" di satu pola yang sama terus.

2. Mereka dengerin intuisi. Secara kognitif, ini sebenernya pattern recognition bawah sadar. Otak mereka udah terlatih liat pola dari tumpukan data pengalaman yang luas.

3. Mereka punya ekspektasi positif. Ini bukan sekadar optimisme buta, tapi cara mereka buat tetep waspada (alert) terhadap sinyal peluang yang seringnya dianggap noise sama orang lain.

4. Mereka pinter mitigasi nasib buruk. Kegagalan nggak dianggap sebagai titik henti, tapi sebagai titik data buat iterasi berikutnya.

Phase Transition: Kapan Hidup Lu Berubah Total

Safi Bahcall dalam bukunya Loonshots jelasin konsep phase transition atau transisi fase. Bayangin air yang berubah jadi es. Perubahannya nggak gradual, tapi mendadak pas nyampe titik kritis tertentu.

Hidup lu juga sama. Perubahan kecil di variabel struktural (siapa yang lu ajak ngopi, komunitas apa yang lu ikutin, buku apa yang lu baca) bisa memicu pergeseran besar yang mendadak. Lu mungkin ngerasa stagnan selama bertahun-tahun (fase cair), tapi sebenernya lu lagi nabung variabel buat nyampe ke titik transisi itu. Sekali titik kritisnya lewat, sistem hidup lu bakal berubah total ke mode operasi yang baru.

Biaya Eksplorasi: Kerentanan itu Fitur, Bukan Bug

Ada satu hal yang sering dilupain: nambah node baru itu butuh keberanian buat kelihatan bego. Ini yang disebut fase kerentanan. Sama kayak lobster yang harus ngelepas cangkang lamanya buat tumbuh, lu juga harus ngelepas "cangkang" kenyamanan lu.

Di dunia data, ini mirip sama exploration vs exploitation tradeoff. Kalau lu cuma eksploitasi apa yang lu tau sekarang, lu bakal aman tapi stagnan. Kalau lu mau dapet insight baru, lu harus berani eksplorasi ke area yang nggak dikenal, meskipun itu artinya lu bakal ngerasa nggak nyaman karena nggak punya peta di sana.

Kesimpulan Buat Kita

Keberuntungan itu bukan gacha yang hasilnya random total. Sebagian besar keberuntungan itu adalah fungsi dari seberapa aktif lu memperluas n dalam jaringan lu.

Kalau jaringan lu luas dan beragam, nilai  bakal kerja buat lu. Peluang bakal dateng dari arah yang nggak terduga karena jalur komunikasinya udah lu bangun duluan. Jadi, stop nyalahin nasib kalau lu masih main di kolam yang itu-itu aja. Perbesar n lu, dan biarkan matematika sisanya yang beresin.

Referensi dan Sitasi

Metcalfe, R. (2013). Metcalfe's Law after 40 Years. IEEE Computer, 46(12), 26:31. (Dasar logika pertumbuhan nonlinear jaringan).

Wiseman, R. (2003). The Luck Factor: The Four Essential Principles. London: Century. (Riset psikologi perilaku terhadap kelompok "beruntung" dan "sial").

Bahcall, S. (2019). Loonshots: How to Nurture the Crazy Ideas That Win Wars, Cure Diseases, and Transform Industries. New York: St. Martin's Press. (Konsep transisi fase dalam sistem kompleks dan organisasi).