Sildiarhiiv: statistika

Nõuandja, kel endal palju probleeme

Teise silmas pindu näed, enda silmas palki ei näe.” „Need, kes oskavad, teevad, need kes ei oska, õpetavad ja need, kes õpetada ka ei oska, töötavad välja õpetamismetoodika.” Sellised ütlused võivad psühholoogiliselt ja poliitökonoomiliselt vahel õiged olla, aga vahel on need valed.

Inimene, kel on endal palju lahendamata probleeme, võib ometi teisele tema probleemi kohta kasulikku nõu anda, isegi kui teisel on vähem probleeme. Näiteks nõuandjal tekivad probleemid nr 1-10, millest ta lahendab pooled: nr 1,3,5,7,9. Teisel tekivad probleemid 9-12, seega vähem kui esimesel isegi peale lahendamist. Nõuandja võib probleemi nr 9 lahendust teisele seletada. Teine võib vastutasuks leida ja seletada nr 10 lahendust.

Paljude probleemidega inimene võib olla parem nõuandja kui vähestega, eriti juhul kui ta on palju lahendanud ja tema probleemide arvukust põhjustab nende kiire juurde tekkimine, mitte aeglane lahendamine. Seevastu kui inimesel kuhjub palju probleeme, kuna ta pole hea lahendaja, siis ei pruugi ta eriti hea nõuandja olla.

Kui inimene ise probleemi lahendanud ei ole, vaid ainult teoretiseerib nagu mina siin kirjutades, siis kuidas võiks nõu saaja hinnata nõuandja kompetentsi ja pakutud lahenduse headust? Eeldame, et nõu saaja tahab nõu headust hinnata enne selle proovimist ja pole valdkonnas asjatundja. Saaja võib lugeda teaduskirjandust, selle lihtsamaid ülevaateartikleid või veel lihtsamaid õpikuid, aga see on aeganõudev ja mõnele üle jõu käiv. Kiirem, aga ebatäpsem hindamisviis on nõuandja tarkuse ja hariduse põhjal, eriti antud valdkonnas. Kui nõuandja CV on kättesaadav, võib sealt lugeda signaali tema kompetentsi kohta. Teine ebatäpne, kuid pisut informatiivne hindamisviis on vaadata nõuandja probleemide hulka – muude tegurite samaks jäädes on paremal probleemilahendajal vähem probleeme. Selles mõttes on „Mis sa teisi õpetad, vaata parem ennast!” statistiliselt õigesuunaline, kuigi üsna mürarikas otsustuskriteerium.

Looduse muutumise ülehindamine vihmase ilma tagajärjel

Inimesed arvavad, põhjusega või ilma, et vihmaga sulab lumi kiiremini, lilled ja seened tärkavad rutem ja ilm muutub vihma tagajärjel. Osa sellest arvamusest võib olla seletatav valikulise mäluga. Vihmaga käiakse vähem õues, seega isiklikke loodusvaatlusi lahutavad pikemad vaheajad. See annab loodusele rohkem aega muutumiseks. Kontrast eelmise ja praeguse vaatluse vahel suureneb, uudsus aga teeb igasugused muutused silmatorkavamaks ja meeldejäävamaks. Suurenenud tajutav kontrast looduses kirjutatakse vihma arvele, kuigi muutuse põhjuseks on lihtsalt aja möödumine. Loodus võib tõesti vihmaga kiiremini muutuda, aga tajutav kontrast on suurem kui tegelik.

Prokuratuuri mõjuvõimu mõõtmisest

Rein Lang ja Leon Glikman on korduvalt väitnud, et Eestis on prokuratuuril suur mõjuvõim, mida too ära kasutab alusetute süüdistuste esitamiseks ja et ajakirjandus on prokuratuuri suhtes kriitikavaba, lugedes kahtlustuse kohe süüdimõistmiseks. Prokuratuur eitab sellist käitumist. Mõlemad pooled on osavad sõnaseadjad. Sõna sõna vastu olukorras pole kodanikul selge, kummal on õigus.

Prokuratuuri tegeliku mõjuvõimu mõõtmiseks ja alusetute süüdistuste osakaalu hindamiseks peaks prokuratuuri tegevust võrdlema teiste riikide vastavate asutustega. Loomulikult on võrdlemiseks vaja eeldusi – kui uskuda vandenõuteooriat, et kogu riik on prokuratuuri kontrolli all ja iga süüdistus viib süüdimõistmisele, siis ei saa hinnata alusetute süüdistuste osakaalu. Eeldan, et kohtud ega kurjategijad ei tegutse prokuratuuriga kooskõlastatult erinevates riikides erineval määral. Kui nad igal pool sama palju kooskõlastavad, saame ikkagi eri riikide prokuratuuride keskmist mõjukust ja süüdistuste tõesust võrrelda.

Naiivne oleks ka lugeda süüdimõistmiste protsent süüdistuste hulgas prokuratuuri efektiivsuse mõõduks. Kui ühes riigis teatavad inimesed ainult ilmselgetest kuritegudest ja teises igasugusest kahtlasest tegevusest, siis on süüdimõistmise protsent esimeses suurem ka prokuratuuri pisut väiksema võimekuse korral, sest selget kuriteokoosseisu on lihtne kohtus tõestada. Kui ühes riigis on kohtud süüdistaja poole kaldu, teises kaitsja, siis on süüdimõistmise protsent esimeses kõrgem, isegi kui sealne prokuratuur on nõrgemal tasemel.

Kohtute kallutatust prokuratuuri suhtes või kriminaalasjades on raske eristada prokuratuuri tugevusest. Kui eeldada, et kohtute kallutatus süüdistaja poole on sama nii tsiviil- kui kriminaalasjades, siis saab seda kallutatust mõõta hageja kasuks lahendatud tsiviilasjade protsendiga, mida tuleb korrigeerida hagide arvuga elaniku kohta, sest kui ühes riigis esitatakse palju alusetuid hagisid, teises ainult põhjendatud hagid…

Kuriteost teatamise tõenäosust saab eraldi mõõta, seega eristada prokuratuuri tugevusest, kui on olemas õigussüsteemiväline mõõdik kuritegude hulga kohta ja kuriteoteadete arv. Väline mõõdik on näiteks esindusliku valimiga küsitlus „Kas olete isiklikult olnud kuriteoliigi x ohver?”, „Kas keegi teie tuttavatest on ja kui palju on teil tuttavaid?” Teatamise tõenäosuse erinevus kuriteoliikide lõikes on samuti kasulik teave. Vähe teatatud kuritegusid saab mõõta kaudselt, näiteks koduvägivalda kahtlaste vigastustega arstiabi saavate inimeste arvu järgi, kes väidavad, et kukkusid.

Praktiliselt võib prokuratuuri võimsuse mõõtmiseks jooksutada riikide lõikes regressiooni, kus sõltuv muutuja on süüdimõistmiste protsent, sõltumatud muutujad kuriteost teatamise tõenäosus ja kohtu süüdistaja poole kallutatuse määr. Lisada võib ka muid muutujaid nagu kuriteo liik, SKP inimese kohta, prokuratuuri suurus protsendina rahvastikust, prokuratuuri keskmine palk. Prokuratuuri tugevuse mõõt igas riigis on see osa süüdimõistmiste protsendist, mida sõltumatud muutujad ei seleta, ehk regressiooni jääk (inglise keeles residual).

Teksti ja kõne automaatse teisendamise treeningandmed

Masinõppeks on vaja suurt andmehulka. Vähese kõnelejate arvuga keele puhul on kallis palgata inimesi arvutile tekste ette lugema, et arvuti õpiks teksti kõneks teisendama. Samuti on kallis kõne kirjapanijaid palgata, et arvuti õpiks kõnet tekstiks tõlkima. Peaks leidma juba nii kõnes kui kirjas olemas olevaid tekste, mida masinõppele sööta. Üks näide on raadiointervjuud, mis ka ajalehes avaldatakse (Kuku Raadio saade Restart Postimehe majanduslehekülgedel, Toomas Sildami intervjuud). Probleemiks on suulise intervjuu toimetamine enne kirjalikku avaldamist, mis tähendab, et kõne ja tekst ei ole üksüheses vastavuses. Natuke kasu sellest siiski arvutile on, sest osad laused korduvad kõnes ja kirjas. Kõnenäidiseid ilma kirjaliku vasteta saab audiovisuaalsest ajakirjandusest hulganisti, samuti kirjalikku teksti helilise vasteta trükiajakirjandusest.

Kui koolides on tehtud etteütlusi arvutisse trükituna ja nende suuline salvestis on ka saadaval, siis saab neid arvuti treenimiseks kasutada.

Näidendite ja filmide tekstid ja helisalvestised on samuti vastavuses kõne ja kiri. Samuti laulusõnad ja laulud, aga laulu hääldus ja rütm on tavakõnest erinev, nii et see ei pruugi arvutit aidata muus kui laulude tõlkimisel heli ja kirja vahel.

Audioraamatud, mille puhul ettelugemine vastab kirjapandule, on head pikad sama häälega loetud tekstid arvuti treenimiseks.

Maailma suuremate keelte edukamad masintõlkefirmad on ilmselt leidnud palju teisi treeningandmete hulki, mida oma programmide arendamiseks kasutada.

Sõidueksami ajad kiirkorras suurema riigilõivu eest

Transpordiamet võiks pakkuda sõidueksami aega ka kiirkorras suurema riigilõivu eest nagu PPA pakub passi kättesaamist (https://www.politsei.ee/et/juhend/eesti-passi-taotlemine-taeiskasvanule/taotlemine-iseteeninduses: passi riigilõiv on iseteeninduses taotlemisel 35 €. …kiirkorras on riigilõiv 58 €.). Praegu ostavad-müüvad eksamitegijad omavahel varasemaid aegu, näiteks https://www.facebook.com/groups/arkeksamiteajaduleeesti ja maksavad isegi vabade eksamiaegade teavituste eest 10-25 (https://eksamiajad.ee/).

Aegade eraviisiline kauplemine tekitab motiivi hangeldamiseks: panna aeg kinni, et seda kellelegi edasi müüa. Kui ei õnnestu müüa, siis lükata aeg edasi hilisemaks enne kui tühistamise eest uuesti lõivu peab maksma. Hangeldamise tagajärjel jääb see aeg suurema tõenäosusega kasutamata, sest teised, kes seda aega vajaksid, aga osta ei taha või ostuvõimalusest õigel ajal ei tea, ei registreeru sellele edasilükkamisel vabanenud ajale. Transpordiametil jääb see aeg tühjaks, järjekorrad pikenevad, hilised edasilükkamised raskendavad graafiku planeerimist nii Transpordiametile kui eksamitegijatele.

Kui Transpordiamet ise ei saa kõrgema lõivu eest kiirkorras aega pakkuda, võiks selleks ministeeriumist luba küsida. Vajadusel küsida, et ministeerium vastavaid määrusi muudaks.

Kiirkorras aegade pakkumisega Transpordiamet sisuliselt konkureeriks hangeldajatega. Kui hangeldamine tekitab piisavalt suure järjekordade pikenemise, siis teeks Transpordiameti konkurents aegade jaotuse efektiivsemaks.

Transpordiamet saaks oma andmete põhjal teatud täpsusega kontrollida, kes aegadega hangeldab. Kui keegi lükkab sõidueksami aega korduvalt edasi just enne kui tal tekiks uue riigilõivu maksmise kohustus, siis tõenäoliselt üritas ta aega müüa, aga ei leidnud ostjat. Kui inimene lükkab lihtsalt aega mitu korda edasi ja sama aja paneb iga kord kiiresti peale selle vabanemist kinni keegi teine, siis tõenäoliselt müüs inimene aja iga kord kellelegi teisele.

Transpordiameti vastus

Teie ettepanek on huvitav, paraku juba läbi arutatud ja kõlbmatuks tunnistatud. Põhjusi on mitu:

  • Eetiline. Selline süsteem looks eelise neile, kes on nõus rohkem maksma. Transpordiamet on teinud mitmeid arendusi ja protseduurireeglite muutusi, et esimesele katsele tulev juhikandidaat oleks eelistatud järeleksamite ees. Lisaks asjaolu, et kiirpassi taotlustest rahuldatakse valdav enamus, riiklike sõidueksamite sooritus on kuskil 50% peal. See tekitaks küsitavusi protsessi läbipaistvuse osas. Üheks korruptsiooni tajumise parameetriks on just nimelt see, et protsessid on läbipaistvad ja võimalikult ühetaolised kõigile klientidele.

  • Majanduspoliitiline. Transpordiamet on täidesaatva võimu asutus, mitte tulu teeniv organisatsioon. Riigilõivu mõte on katta tehtud kulutusi, mitte teenida kasumit. Suurem riigilõiv eeldaks Transpordiametilt ka täiendavaid kulutusi, näiteks kallimat eksamisõidukit. Nn kiirpassi puhul võib pealiskaudsel mõtisklemisel leida teatavaid täiendavaid kulutusi – trükikoja koormuse kasv, menetleva ametniku koormuise kasv, täiendavad kulleriteenused trükikoja ja PPA teenindusbüroo vahel.
    Lõpetuseks sooviks Teid ikkagi tänada huvitava mõttearenduse eest.
    Parimate soovidega
    [nimi eemaldatud]

Minu vastuväited 26.01.2021

Transpordiameti kumbki põhjendus ei ole veenev.

1) Eks igaühel on erinev maitse eetika osas. Praegune süsteem, kus eksamiaegadega kaubeldakse, loob veel suurema eelise neile, kes on nõus rohkem maksma, kui kiirema pääsu eest kõrgema riigilõivu küsimine. Lühemad järjekorrad vähendaksid rohkem maksjate eelist. Üks viis järjekordi lühendada on kui Transpordiamet konkureerib aegadega kauplejatega.

Sama läbipaistev kui kiirpassi süsteem oleks, et kes maksab suurema riigilõivu, saab kiiremini eksamile, aga kindlasti mitte lihtsama eksami, nagu ka passile õigust mitteomav isik ei saa suurema lõivu eest passi. Seega eksami läbimise protsent ei puutu asjasse. Mingeid küsitavusi läbipaistvuse osas ma ei näe.

2) Kui Transpordiamet ei soovi suurema riigilõivuga tulu teenida, võib ta selle annetada riigituludesse või heategevuseks. Võib ka selle arvelt alandada tavajärjekorras eksamilepääsejate riigilõivu, mis oleks praegune süsteem (kiirem pääseja maksab aeglasemale aja eest) Transpordiameti kaudu, aga ametlikult ja efektiivsemalt.

Transpordiametil pole põhjust suuremaid kulutusi teha.

Kiirpassil tunduvad olevat täiendavad kulutused ainult pealiskaudsel mõtisklemisel. Lõpuks antakse välja ikka sama arv passe ja nende tootmise ja menetlemise kulu on sama. Võibolla kullerteenus lisab pisut hinda, aga kindlasti mitte riigilõivude vahe jagu. Korraga saadetakse ju PPA büroosse palju passe, nii et saatmiskulu jaguneb nende vahel. Suurema riigilõivu maksjad pannakse lihtsalt järjekorra etteotsa.

Transpordiamet võib isegi lühemate järjekordadega kulutusi kokku hoida. Kui ooteaeg on lühem, siis on eksamieelset unustamist vähem, läbikukkumisi sama eksamiraskusega vähem. Keskmine eksamitegija teeb siis väiksema arvu eksameid, mis vähendab Transpordiameti kulu.

Lõpuks soovin tänada Transpordiametit kiire vastuse eest.

Arvulise väljenduse poolt

Polariseerumise, manipulatsiooni ja isiklike tülide vähendamiseks, teaduse laialdasemaks kasutamiseks ja täpsemaks teavitamiseks tuleks kasutada arvulisi väljendeid. Selle asemel, et öelda „tihti juhtub x”, mainida kui mitu korda päevas (kuus, aastas) x juhtub. Selmet hirmutada „väga halbade tagajärgedega”, tuleks selgitada kui mitu inimest ennustatavalt sureb või haigestub või kui suur on varaline kahju eurodes. „Ülikiire internetilubaduse asemel peaks ütlema, kui mitu megabitti sekundis kui suure protsendi ajast ja milline on trahv lubajale kui ta lubatud kiirust lubatud osa ajast ei paku.

Ebamääraseid väljendeid kasutavad poliitikud ja muud manipulaatorid selleks, et hiljem oleks neil võimalik lubadustest välja vingerdada neid teisiti tõlgendades. Samuti ajavad ümmargust juttu ekspertideks tituleeritud arvajad ajakirjanduses, et nende ennustustäpsust tagantjärgi kontrollida ei saaks. Mida teavad nad enda ennustusoskuse ja lubadusepidamise kohta, et kardavad selle mõõtmist? Arvulised väljendid oleksid selged, täpsed, lühidad ja hiljem tegelikkusega võrreldavad.

Suhteterapeudid soovitavad samuti rääkida konkreetsest käitumisest, mitte süüdistada käituja üldisi omadusi. Keskendu probleemile, mitte inimesele. Arvuline väljendusviis aitab üldsõnalist lahmimist vältida ja tundepuhanguid vähendada. Öeldes mitte „sa teed kogu aeg nii” või „sa alati” või „sa pole kunagi”, vaid kui mitu korda päevas kui mitme päeva jooksul ebameeldiv käitumine toimus, täpsustab probleemi ulatust ja on tõsiseltvõetavam. Kui inimene on juba mitme päeva jooksul arvet pidanud, siis järelikult mõjutab käitumine teda oluliselt ja tal on olnud aega selle üle rahulikult järele mõelda.

Vastandumise tekitajad esitavad radikaalseid väiteid nagu „kindlasti hävitab kultuuri” ja „alati tekitab kuritegevust”. Nad kas ise ei usu neid sõnu või peavad tõepoolest rumalad olema. Selle paljastamiseks sobib arvuliste andmete ja tõenäosushinnangute nõudmine. Kui suure summa peale ja kui ebavõrdset kihlvedu oled nõus sõlmima, et kuritegude arv järgmisel aastal on suurem kui n? Millised kultuuri mõõdikud ja kui palju sinu arvates vähenevad ja kui palju peale kihla veame? Rumal vastanduja veab kihla ja kaotab raha. Kui kihlvedu on avalik, võib tulemuse üldsusele teadaandmine ka vähendada radikaalsete väidete uskumist. Kaval valetaja keeldub kihlveost, leides mingi vabanduse. Ka keeldumise avalikustamine aitab kõigutada usku lõhestajate väidetesse.

Manipulatsioonis ja lobitöös on kindla kõneviisiga ebamäärased ja tundelised väited tavalised: „ilma riigi abita ei suuda ellu jääda”, „väga perspektiivikas majandusharu, vaja vaid riigi tuge”, „ei suuda toetuseta toitu lauale panna”, „tahavad kägistada tervet tegevusala”. Nõudes andmeid, kui mitu inimest on aastas surnud selle toetuse, subsiidiumi, laenu mittesaamise otsesel tagajärjel, paljastame väitja valelikkuse. Pakkudes kihlvedu, et ulatuslikum reguleerimine, toetuse kaotamine või muu antud majandusharule ebasoodne otsus ei vii kõigi selle valdkonna ettevõtete sulgumiseni, teenime kas raha või avalikustame, et lobistaja ise ei usu oma äärmuslikku juttu.

Üldsõnalist hämamist tuleks eirata – see pole informatiivne. Nõudke arvulisi väiteid!

Eesti Digiregistratuuri järgi kohaletuleku ennustamine

Raviasutuse broneerimis- ja vastuvõtusüsteem võiks Digiregistratuuri automaatselt kirja panna, kas patsient tuli kokkulepitud ajal kohale ja kas hilines. Nende andmete põhjal saaks ennustada iga inimese kohaletulekut, mis võimaldab raviasutusel aega paremini planeerida. Esialgu kui andmeid vähe, oleks ennustus inimrühmade kohta. Näiteks, et keskmine patsient tuleb tõenäosusega x, pensioniealised tõenäosusega y, naised tõenäosusega z.

Ajaplaneerimise osas võib panna väiksema tõenäosusega saabuvad patsiendid päeva lõppu või lõunaajale, nii et nende mitteilmumise korral saavad meditsiinitöötajad varem koju minna või pikema lõuna. Samuti võib madala tõenäosusega kohale tulevaid patsiente rohkem ühele päevale panna (väiksemate ajavahedega), sest tõenäosus, et vähemalt üks neist ei tule, on kokkuvõttes suur, ja selle arvelt pikeneb teiste jaoks saada olev aeg.

Pidevalt hilinevale patsiendile võib pakkuda tegelikult vaba olevast varasemat aega, et neutraliseerida tema hilinemine. Näiteks kui inimene üldiselt 10 minutit hilineb ja arst on vaba kell 11, siis pakkuda sellele inimesele aega 10:50, muidugi talle teatamata, et arst tegelikult kell 11 vabaneb. See inimene tõenäoliselt hilineb nagu alati ja jõuabki kella 11ks nagu arstile kõige paremini sobib. Arstil on siis vähem tühja ootamist ja hilisemad patsiendid saab loodetavasti õigel ajal vastu võtta, mitte hilinejale kuluva aja võrra hiljem. Kokku säästab broneeringute kohandamine patsientide hilinemiskäitumisega paljude inimeste aega.

Sama efektiivsustõus on võimalik kõigis järjekorra- ja broneerimissüsteemides. Lisaks parandab mitme valdkonna hilinemisandmete ühendamine süsteemi ennustusvõimet, sest inimene, kes hilineb tihti üht tüüpi kokkusaamistele, hilineb tõenäoliselt ka teistele. Kes ei pea kinni arstiaegadest, see ilmselt ka töökoosolekutest ja sõpradega kohtumistest, võib kasutamata jätta üritusepileti jne. Kui ta esimest korda arstiaja kinni paneb, siis pole varasemaid arstivisiite, mille põhjal ta hilinemiskäitumist ennustada, küll aga võib olla palju muid sündmusi, mis on tema kohta informatiivsed.

Pole vaja keskset broneeringusüsteemi ja andmebaasi inimeste hilinemise kohta – piisab sotsiaalvõrgustikust ja telefonide lähedusandmetest, mida kasutab näiteks bluetoothi-põhine Hoia äpp. Sõprade telefonid registreerivad, millal tuttava telefon nende lähedusse saabus, võrdlevad seda kalendriäpis kokku lepitud kohtumisajaga ja salvestavad automaatselt, kas see tuttav tuli kokkulepitud kohtumisele ja millise hilinemisega. Igaüks saab enda sõprade kohta salvestatud andmete põhjal nende saabumise tõenäosust ja aega ennustada. See aitab üritusi planeerida ja inimese üldist usaldusväärsust hinnata. Kes tihti hilineb, võib ka muid lubadusi harvem pidada – ei tasu ehk talle raha laenata.

Eesti Digiloo põhjal haiguste ennustamine

Masinõppega saaks Digiloo põhjal ennustada patsiendi haigusi, vaadates samade demograafiliste näitajatega inimesi, kel varem oli sarnase algusega haiguslugu Digiloos ja kuidas see haiguslugu jätkus. Sellega ei pea tegelema riigiametnikud ega eestlased – kui anda ligipääs, siis rahvusvahelised teadlased hea meelega uuriksid Digiloo andmeid tasuta ja saaksid endale sellega publikatsioone. Tulemuste põhjal võib rahvatervist ennustada, inimestele hoiatusi ja soovitusi jagada, neid uuringutele kutsuda ja ennetavat ravi määrata.

Andmetele endile ei pea isegi ligipääsu andma – teadlastelt saadud statistikaprogrammi võib lihtsalt andmete peal jooksutada ja ainult tulemused teadlastele väljastada. Ise andmeid nägemata saab neid ometi uurida – selle valdkonna nimi on turvaline mitmepoolne arvutus (secure multiparty computation). Uurimise lihtsustamiseks tuleks avaldada andmete struktuur: kui mitu rida ja veergu, mis formaadis igas reas ja veerus olev info on (tekst, number, kuupäev). Piisab, kui laadida andmed tabelarvutusprogrammi ja kustutada tabelite sisu, jättes vaid ridade ja veergude pealkirjad. Programm peab lahtrite formaadi ise meeles, nii et selle tühjade tabelitega faili põhjal saab uurija andmete formaadi teada.

Kasutaja jaoks on Digilugu praegu üsna ebamugav ja allalaadimisvaenulik. Eraldi peab igal epikriisil klõpsama, ootama, kuni see avaneb, avama veel peidetud väljad klõpsates „Vaata kirjeldust” ja alles siis saab leheküljel laiali olevatest tekstidest ehk midagi välja lugeda. Saatekirjad ja nende vastused on eraldi. Pildimaterjali (röntgeni, ultraheli, silmapildistamise tulemusi) enamik asutusi üles ei laadi. Epikriisid ja saatekirjad on ruudustikku paigutatud, mitte ajalises järjestuses.

Enamiku inimeste kohta on Digiloos nii vähe materjali, et selle võiks kõik ühel lehel ajalises järjestuses tekstina esitada. Lisaks võiks selle teha tabelarvutusprogrammi tabelina allalaaditavaks, mis võimaldaks inimestel ühendada terviseandmed näiteks oma toitumis- ja trennipäevikuga ja nende vahel statistilisi seoseid leida.

Kui mingi kategooria, nt „Teatised” all ühtegi dokumenti pole, siis võiks selle halliks muuta, et kasutaja ei peaks teavet otsides asjatult klõpsima, ootama ja alles siis nägema, et „Päringu tingimustele vastavaid dokumente ei leitud ”.

Sisselogimisel võiks Digilugu avalehe asemel näidata viimaseid lisatud andmeid, näiteks uuringu tulemust. Tõenäoliselt logib kasutaja sisse viimaste andmete vaatamiseks, nii et nende näitamine kohe alguses säästab aega.

Sääsetõrjevahendite katse enda peal

Et teada, milline sääsetõrjevahend kõige paremini töötab, tegin järgneva katse. Panin eri kehaosadele erinevaid vahendeid, jätsin mõne ka kaitseta (kontrollpiirkonnaks), kirjutasin piirkonnad ja neile pandud vahendid tabelisse. Püüdsin siis unustada, mis tõrjevahend mis kehaosale sai, et mitte alateadlikult mõõtmistulemusi kallutada. Läksin seejärel võssa kraavi äärde seisma, käed laiali ja kirjutasin telefoni üles kõik sääskede maandumised, mida märkasin. Murphy seadus kehtis jälle – kui mul sääski vaja oli, siis pidin neid tükk aega ootama ja neid lendas vähe kohale. Pikka imemist ma üheltki märgatud sääselt ei kannatanud – lõin ta laiaks või ajasin ära, nii et vähendasin ka ise uuringu valimi suurust.

Sääsed eelistasid selgelt mu kehal võimalikult madalal maanduda. Kõik tõrjevahendid töötasid enamvähem sarnase efektiivsusega ja neist oli kasu – kaitsevahendita nahal maandus palju rohkem sääski kui sümmeetrilise kehapiirkonna kaitstud nahal.

Metsavendlus oleks tänapäevase tehnoloogia vastu edutu

Infrapunakaameratega droonid ja luurelennukid avastaksid metsast inimesesuurused soojad objektid, eriti talvel lehtedeta puude vahelt ja lume taustal. Veel lihtsam oleks lõket avastada, kuna temperatuurikontrast ümbrusega on suurem, nii et talvel oleks metsavendadel valik külmunud toidu ja oma asukoha äraandmise vahel. Isegi maa-aluses punkris tuld tehes peab sooja suitsu kusagile välja laskma, mis infrapunakaameraga näha on. Kui suits välisõhu temperatuurile jahutada, siis on selle tihedus ka välisõhuga sama, nii et see ei tõuse enam ülespoole.

Maastikul liikuva inimkeha soojust on raske varjata, sest ennast soojusisolatsioonimaterjali sisse mähkides läheb palavaks. Võibolla kivivillast ja hõbepaberist vihmavari aitaks vältida ülespoole kiirgavat soojust, aga see vihmavari võib mõnel teisel elektromagnetilise spektri osal näha olla.

Masinõppimine suurelt valimilt aero- ja satelliidifotodelt aitaks loodusest inimtegevuse jälgi tuvastada. Seda valimit tehisintellekti treenimiseks saab tekitada, käskides paljudel väikestel sõdurirühmadel Venemaa avarustes varjatud laagreid ja punkreid ehitada, preemiatega parimatele varjajatele. Siis pildistada õhust neid teadaolevatel koordinaatidel laagreid ja negatiivse kontrollgrupina laagrivaba loodust, lasta arvutil klassifitseerida, kumb on kumb ja seeläbi õppida, mis tunnused tegelikku laagrit tavalisest loodusest eristavad.

USA ebaedu Afganistanis tuleb demokraatliku riigi soovimatusest liiga palju tsiviilelanikke tappa – õhust võib küll tuvastada looduses liikuvad inimesed, aga vaenlase võitlejate eristamine neutraalsetest karjustest on keeruline. Mägisel maastikul pole ka õhust kõik punktid vaadeldavad, näiteks rada eenduva kaljuserva all.

Ka Nõukogude Liit ei tahtnud Afganistani liiga inimtühjaks teha, sest soovis jätta muljet, et on seal afgaanide kutsel sõbralikult kommunismi ehitamas. Lenin või Stalin oleks Afganistanis võitnud oma tavalise taktikaga: küüditada liiga palju vastu hakkavate piirkondade inimesed Siberisse. Tänapäeval saaks geriljasid maha suruda ka vähemdrastiliste vahenditega – keelata loata looduses viibimine, ettekäändeks näiteks maastikupõlengute ennetamine või looduskaitse, siis tuvastada õhust looduses viibijad, jälitada drooniga neid koduni või punkrini ja nad kas kodus arreteerida või punkris droonirünnakuga tappa. Afganistani koopad on õhulöökidele üsna vastupidavad, nii et seal peaks maastikul hulkuvad inimesed enne koobast neutraliseerima. Kodus istuv rahvas jääks enamasti puutumata, mis suurendaks motivatsiooni asulas püsida. Seevastu valimatu tapmine või küüditamine paneks inimesed vastu hakkama põhimõttel „surm siin või Siberis”.

Eesti-taolisel tasasel maal on mägede analoogiks linnad: katuseserva all kõndijad on õhust raskestinähtavad, hoonete sisemused on nagu koopad paljude sissepääsudega. Võitlejate eristamine linnaelanikest on keeruline. Selleks oleks vaja tuvastada, kes kannab kaasas tulirelvakujulisi metallobjekte, aga need saaks maskeerida metallkarkudeks, järelveetava kohvri käepidemeks, jalgrattaraamiks jne. Lennujaamastiilis metallidetektorväravad tänavatel oleksid üsna kulukad ja neist saaks läbi majade, aedade ja kanalisatsiooni ümber liikuda.