Vorig jaar stelde Aaron Hertzberg een handleiding voor idioten samen over hoe je de massa ervan kunt overtuigen dat er een dodelijke pandemie is, terwijl dat niet zo is, en hoe je kunt doen alsof er geen verwondingen zijn veroorzaakt door het vaccin, terwijl dat wel zo is.
Hij schreef de tekst voor aspirant-propagandisten die de kunst willen leren: "Voor beginners kan [de kunst van propaganda] erg moeilijk te beheersen zijn. Zelfs de ervaren propagandist trapt soms in de valkuil dat het bedenken en verspreiden van propaganda een eenvoudige onderneming is – wat een goede manier is om een permanente, volledig betaalde vakantie in Siberië te winnen," zei hij.
“De volgende korte handleiding zal de aspirant-propagandist, WEF-lakei, communistische apparatsjik, woke-marxist en doorgewinterde overheidsambtenaar voorzien van de hulpmiddelen en kennis die nodig zijn om hun veelbelovende talent te ontwikkelen tot een volwaardige meesterschap in de kunst van propaganda.”
Zoals je je kunt voorstellen, is Herzbergs gids per se lang. We publiceren één sectie tegelijk, zodat ambitieuze propagandisten zich niet overweldigd voelen en hun droom van een carrière in de propaganda niet al na de eerste horde opgeven.
Laten we het contact niet verliezen... Uw regering en Big Tech proberen actief de informatie die door The blootgesteld om in hun eigen behoeften te voorzien. Abonneer u nu op onze e-mails om ervoor te zorgen dat u het laatste ongecensureerde nieuws ontvangt. in je inbox…
By Aäron Hertzberg zoals gepubliceerd door de Brownstone Instituut op 20 december 2024. Het artikel werd oorspronkelijk gepubliceerd op de Substack-pagina van Hertzberg op 15 juni 2023. Voor de inleiding, die links naar alle secties bevat, en 'Sectie I – Definities', lees HIER.
De andere belangrijke bron van wetenschap, naast studies, zijn de datasets en andere informatiebronnen die worden gebruikt om wetenschappelijke uitspraken te doen. Data, met name officiële staatsgegevens, zijn bruikbaar zonder dat een formele studie de goedkeuring ervan verleent. U moet er dus voor zorgen dat de beschikbare data, en met name de datasets die de basis vormen voor conventionele meetmethoden die in de maatschappij door zowel academici als leken worden gebruikt, binnen uw controle vallen en naar eigen inzicht bewerkt, gewijzigd en aangepast kunnen worden.
Hieronder staan de tactieken die u kunt gebruiken om de controle en het nut van beschikbare datasets te maximaliseren.
Inhoudsopgave
V-1. Statistische “Vissen”
Het is bij statistisch vissen gemakkelijker om alleen een illustratie te geven dan het abstract uit te leggen.
Stel dat een groot farmaceutisch bedrijf een nieuw medicijn op de markt brengt dat (zo beweren ze) kinderen slimmer maakt en hun leerprestaties verbetert. Helaas, hoewel het is goedgekeurd door de FDA, weten ze dat het niet werkt, en beginnen mensen te vermoeden dat er iets vreemds aan de hand is (en ze hebben miljarden dollars op het spel staan). Dus komen ze naar je toe en bieden je een fors salaris van zeven cijfers om te 'bewijzen' dat hun nieuwe medicijn werkt. Jij, een gedurfde wetenschapper zonder scrupules (behalve loyaliteit aan het regime natuurlijk), accepteert hun aanbod.
Hoe 'bewijs' je dat hun medicijn werkt? Simpel. Je krijgt de gegevens van alle schooldistricten in het land, met de academische scores en het percentage kinderen dat het nieuwe farmaceutische medicijn heeft gebruikt. Hier komt het 'vissen'-gedeelte om de hoek kijken: je moet elk district doorzoeken tot je er een of twee vindt waar de academische scores bovengemiddeld zijn en waar meer kinderen in dat district het nieuwe medicijn gebruikten dan gemiddeld (net als vissen, waarbij je doorgaat tot je een vis aan de haak hebt).
Dan publiceert u uw 'onderzoek': 'We vonden een correlatie in district 'X', waar een hoger percentage kinderen dat het nieuwe medicijn slikte, leidde tot hogere schoolresultaten.'
Dit is onzin, want in alle andere districten bleek het medicijn helemaal geen effect te hebben op de schoolresultaten. Jij omzeilt dat echter handig door juist dat ene district te benadrukken waar er door toeval wel een correlatie is. (Met een voldoende grote steekproefomvang is het vrijwel zeker dat je willekeurig een district vindt waar toevallig veel kinderen het medicijn gebruikten en de schoolresultaten omhooggingen.)
De belangrijkste les is dat je soms alleen een beetje doorzettingsvermogen nodig hebt. Als je bijvoorbeeld een grote dataset van veel landen hebt, bekijk ze dan één voor één totdat je de correlatie vindt die je zoekt. Je kunt ook een geavanceerdere versie van deze tactiek proberen, bekend als "P-hacken. '
Een goed voorbeeld van deze tactiek is de volgende CDC-"studie", waarbij ze alle 50 staten doorzochten op zoek naar een staat waar ze de data konden verfijnen om aan te tonen dat de covid-vaccins het risico op herinfectie verminderden bij mensen die al covid hadden voordat ze het vaccin kregen. En wat denk je, ze vonden er een (uit 50 plus een paar niet-statelijke rechtsgebieden zoals Washington D.C.) waar ze de data konden laten zeggen wat ze wilden dat ze zeiden:
Kijk, als de CDC meer dan één staat had kunnen gebruiken om aan te tonen dat de covid-vaccins het risico op herinfectie verminderden, dan hadden ze dat gedaan (duh). Maar ze probeerden en probeerden het totdat ze een staat vonden waar ze de data konden manipuleren om dit aan te tonen.
Overigens is er nog een belangrijke les voor propagandisten: de waarde van volharding. Geef niet zomaar op als je geen dataset kunt vinden die makkelijk te manipuleren is om een regime-praatpunt te ondersteunen. Soms moet je creatief zijn en doorgaan tot je goud in handen hebt.
V-2. Problematische gegevens aanpassen
Ja, we hebben dit eerder vermeld in het gedeelte over riggingstudies [zie HIER].
Als de ruwe data niet voldoen aan je voorkeursverhaal, pas ze dan gewoon aan tot ze wel kloppen, net zoals je dat zou doen met de interne data van een onderzoek. Het aanpassen van data is een routinematig onderdeel van de wetenschap, en aangezien maar weinig mensen echt begrijpen hoe het werkt, kun je hier misbruik van maken.
Iemand heeft zelfs een wetenschappelijk artikel over het onderwerp gepubliceerd (het is interessante lectuur als je een nerd bent):
Een briljante toepassing van dit concept heeft betrekking op de consensus van de Global Warming Scientific-establishment, die vroeger de Global Cooling Scientific-consensus heette. Hoe denk je dat dezelfde gegevens die in 1974 aantoonden dat de wereld afstevende op een onomkeerbare ijstijd die het voortbestaan van de mensheid bedreigde, nu aantonen dat er daadwerkelijk een *opwarming was?* trend gebaseerd op exact dezelfde gegevens die de overleving van de mensheid bedreigt??
Ze hebben de gegevens simpelweg "aangepast" om de eerdere decennia kouder en de latere decennia warmer te maken, en voilà, probleem opgelost! Het is duivels sluw en uiterst effectief – zie in de onderstaande grafiek (van een bekende dissidente ketter van het regime) de twee lijnen die de gemiddelde jaartemperatuur weergeven: de blauwe lijn = de ruwe data en de oranje lijn = de data nadat de wetenschappers van het regime deze hadden "aangepast".
Als je naar de blauwe lijn kijkt, is er geen algehele opwarming in de afgelopen 100 jaar – wat heel slecht is voor het officiële verhaal van CATASTROPHISCHE OPWARMING VAN DE AARDE!!! De oranje lijn laat echter een duidelijke opwarmingstrend zien in de afgelopen 100 jaar – wat precies het verhaal is.
Mocht het in de toekomst om welke reden dan ook pragmatisch blijken om terug te keren naar wereldwijde afkoeling, dan zullen de regimewetenschappers van NOAA de gegevens eenvoudigweg 'aanpassen' om de afgelopen 100 jaar te laten lijken op een aanhoudende afkoelingstrend.
Het punt is dat het allemaal om de aanpassingen gaat.
(Opmerking: Het is nuttig om een paar willekeurige, onopvallende wetenschappelijke ketters van het regime te laten rondhangen, omdat ze gegevens en analyses produceren die feitelijk heel nuttig zijn voor intern gebruik door het regime, zolang je er maar voor zorgt dat ze niet te veel aandacht krijgen. Dan voer je ze zonder uitstel af naar Guantanamo Bay.)
V-3. Sluit alles uit van officiële analyses van officiële gegevens dat niet past bij uw gewenste resultaten
Zorgvuldig controleren wat je in je analyse opneemt, is letterlijk 101. Als informatie of feitelijke resultaten je gewenste resultaten dreigen te ondermijnen, sluit ze dan gewoon uit van officiële analyses van de officiële data. Dus, als er een overheidsdatabase is die aantoont dat na het Glorious Vaccine de incidentie van een heleboel medische aandoeningen enorm is toegenomen, negeer die dan gewoon.
Neem bijvoorbeeld de VAERS-database (Vaccine Adverse Event Reporting System), die gezamenlijk wordt beheerd door de CDC en FDA.
De CDC (doet alsof) moedigt aan om medische aandoeningen die zich openbaren nadat iemand is gevaccineerd, te melden aan VAERS, "zelfs als u er niet zeker van bent dat het vaccin de ziekte heeft veroorzaakt."
Nadat de COVID-vaccins medio december 2020 waren uitgerold, zagen de VAERS-gegevens voor sterfgevallen er als volgt uit (de grafiek toont het totale aantal gemelde sterfgevallen voor alle vaccins per jaar):
Deze grafiek toont statistieken over verwondingen of sterfgevallen als gevolg van de COVID-vaccins, zoals gerapporteerd door VAERS:
Maar wanneer hoorde u voor het laatst iets over VAERS van de CDC in een verklaring of analyse over de kostbare covidvaccins? Precies! De CDC (en iedereen) negeert VAERS simpelweg (behalve wanneer ze af en toe "factchecking"-artikelen publiceren om VAERS te ontkrachten).
Zorg er ook voor dat je iedereen die het waagt om zulke data te gebruiken om de geloofwaardigheid van je regime-analyses en -proclamaties te ondermijnen, meedogenloos de vergetelheid in jaagt. Dit is vaak een probleem, omdat er onvermijdelijk een hoop mensen zullen zijn die toegang hebben tot de ruwe data zodra deze bestaat.
V-4. Meeliften op eerder gevestigde relaties en verschillen
Een makkelijke manier om een onderzoek te manipuleren, is door twee entiteiten te vergelijken waarvan je al weet dat ze een bepaald verschil of correlatie hebben. Je kunt dan doen alsof je dit verschil of deze correlatie "ontdekt", maar dan toeschrijven aan een nieuwe factor.
Dus, als bijvoorbeeld arme staten in vergelijking met rijke staten over het algemeen slechtere gezondheidsresultaten hebben, en de arme staten zich minder houden aan de richtlijnen van het regime, kun je wijzen op hun slechtere gezondheidsresultaten en de schuld geven aan het feit dat ze het Glorious Vaccine niet hebben genomen. De media zijn er echt goed in om deze boodschap te versterken, omdat ze niets liever doen dan slechte resultaten toeschrijven aan politieke voorkeur voor de "slechte" politieke partij of partijen.
V-5. Beheer kritische datasets die worden gebruikt voor wetenschappelijk onderzoek
Wie de data beheerst, beheerst de wetenschap.
Zorg voor ijzersterke controle over de meest prominente en meest gebruikte datasets en bespaar uzelf veel stress en hoofdpijn. Zo beheert het leger zijn interne datasets en kan deze naar believen manipuleren. Net als DMED – ze hebben deze dataset zo gemanipuleerd dat hij helemaal onbruikbaar is geworden. Bekijk hieronder de volgende twee grafieken die de * laten zien.dezelfde* DMED-gegevens voor "percentages poliklinische doktersbezoeken" voor de jaren 2015-2018. De linker grafiek toont de versie uit 2019 en de rechter grafiek de versie uit 2021 – en op de een of andere manier zijn ze niet hetzelfde (rood omcirkelde gebieden).
Zie je de verandering in de cijfers van 2016-2018 (die je kunt zien aan de vorm van de trendlijn)? Hoe is het aantal doktersbezoeken in 2016 gestegen tussen 2019 en 2021? Omdat het regime de data simpelweg heeft herschreven. Dat is wat je kunt doen als je volledige controle hebt over de dataset.
Het spreekt voor zich dat u onder geen beding heidense wetenschappers toegang moet verlenen tot de heilige teksten of data van de wetenschap die onder uw controle staan – vergeet niet dat u altijd waakzaam moet zijn, opdat een schurkachtige ketterse onderzoeker geen analyse uitvoert die de wetenschap ongeldig zou kunnen maken of tegenspreken. De CDC geeft hier het goede voorbeeld:
Als je die vervelende onafhankelijke wetenschappers geen toegang geeft tot de data, hoef je je ook geen zorgen te maken dat ze dingen in de data ontdekken die het regime-narratief op grote schaal ondermijnen.
Over de auteur
Aäron Hertzberg is een schrijver over alle aspecten van de pandemierespons. Je kunt meer van zijn werk vinden op zijn Substack: 'Het verzet tegen de intellectuele analfabeten.
De hoofdafbeelding is afkomstig van de voorkant van 'The Complete Idiot's Guide to Cooking Data voor aspirant-propagandisten.
The Expose heeft dringend uw hulp nodig…
Kunt u ons helpen om de eerlijke, betrouwbare, krachtige en waarheidsgetrouwe journalistiek van The Expose draaiende te houden?
Uw overheids- en Big Tech-organisaties
proberen The Expose het zwijgen op te leggen en uit te schakelen.
Daarom hebben we uw hulp nodig om ervoor te zorgen
wij kunnen u blijven voorzien van de
feiten die de mainstream weigert te delen.
De overheid financiert ons niet
om leugens en propaganda op hun site te publiceren
namens de Mainstream Media.
In plaats daarvan vertrouwen we uitsluitend op uw steun. Dus
steun ons alstublieft in onze inspanningen om
jij eerlijke, betrouwbare onderzoeksjournalistiek
vandaag nog. Het is veilig, snel en gemakkelijk.
Selecteer hieronder de methode die u het prettigst vindt om uw steun te betuigen.
Categorieën: Breaking News, Wereldnieuws
https://nationalcitizensinquiry.ca/national-citizens-inquiry-issues-commissioners-final-report/ bewijs van ernstige propaganda
https://ncio.ca/briefings/no-statute-of-limitations-for-justin-trudeaus-sexual-exploitation-of-a-17-year-old-wpga-student/
Neem contact met mij op over mijn maandelijkse betaling