Paradoks podstawy w przesiewie (twierdzenie Bayesa)
Powiązane artykuły: Nadzór masowy, big data i AI oraz Listy obserwacyjne, tiering i prawo do korekty.
Narzędzie metodologiczne: pokazuje, dlaczego masowe typowanie i nadzór przy bardzo niskiej częstości bazowej realnych zagrożeń dają lawinę fałszywie dodatnich wskazań — nawet gdy test/algorytm wydaje się „dokładny". Podaj częstość bazową oraz czułość i swoistość, a kalkulator policzy wartość predykcyjną dodatnią (PPV) i liczbę fałszywych alarmów przypadających na jedno trafne wskazanie. To argument za ostrożnością i ochroną praw jednostki przy projektowaniu systemów przesiewowych.