သဘာဝ သိပ္ပံနဲ့ လူမှု သိပ္ပံ ဘယ်လို ကွာခြားသလဲ

“သဘာဝ” နဲ့ “လူ့အဖွဲ့အစည်း” ကို လေ့လာခြင်းနဲ့ ပတ်သက်လို့ caricature တခုက ဘယ်လို ပြောသလဲ ဆိုတော့ သဘာဝ သိပ္ပံကို ဓမ္မဓိဋ္ဌာန်ကျတဲ့ နည်းတွေ (objective means) နဲ့ လေ့လာနိုင်တယ်။ ဒါပေမဲ့ လူမှုသိပ္ပံကျ အဲလို မဟုတ်ဘူး။ လေ့လာသူ သွတ်သွင်းထားတဲ့ subjective element တွေကြောင့် ဘက်လိုက်မှုတွေ အများကြီး ရှိနေတယ်လို့ ဆိုကြတယ်။ သဘာဝ သိပ္ပံပညာရှင် positivist တွေကပဲ ဒီလို ပြောတာ မဟုတ်ဘူး။

လူမှု သိပ္ပံပညာရှင်တွေကလဲ ဒီအမြင်ကို ခဏခဏ ​ဖြန့်ဖြူးလေ့ရှိတယ်၊ ဒိုင်ယာလက်တစ်က သဘာဝ သိပ္ပံနဲ့ လူမှု သိပ္ပံမှာ မတူဘူး၊​ အခြေခံကျကျ ကွာခြားချက် ရှိတယ်လို့ ပြောတတ်ကြတယ်။ လူ့အဖွဲ့အစည်းမှာ လူသားတွေရဲ့ ပါဝင် လှုပ်ရှားမှု ရှိတယ်၊ အထူးသဖြင့် subjectivity ရဲ့ တမူ ထူးခြားတဲ့ အခန်းကဏ္ဍ ရှိတယ်၊ ဒါ့ကြောင့် အဲသလို ခြားနားချက် ရှိနေတာလို့ ဆိုတတ်ကြတယ်။

သဘာဝ နဲ့ လူ့အဖွဲ့အစည်းဟာ တူညီမှုတွေ ရှိပေမဲ့ ခြားနားနေသလား (သို့မဟုတ်) ခြားနားမှုတွေ ရှိပေမဲ့ တူညီနေသလား ဆိုပြီး ငြင်းနေရင် ဘယ်မှ ရောက်မှာ မဟုတ်ဘူး။ ဒီအငြင်းပွားမှုရဲ့ အဓိက ပြဿနာက ‘level of analysis’ အပေါ် အများကြီး မူတည်နေတယ်။ လေ့လာမှု နယ်ပယ် တခုချင်းအလိုက် ကွာခြားချက် ရှိတာတော့ အမှန်ပဲ၊ ဒါ အလွန် ထင်ရှားတဲ့ အချက်။ ဥပမာ၊ quantum mechanical randomness က ပါတီကယ်(လ်) ရူပဗေဒရဲ့ အဓိက ဝိသေသပဲ။ ဒါပေမဲ့ အက်တမ် အမျိုးအစား နည်းနည်း၊ အရေအတွက် အမြောက်အမြားနဲ့ အလုပ်လုပ်နေတဲ့ သာမန် ဓာတုဗေဒမှာဆိုရင် statistical averaging လုပ်လို့ရပြီး အနုမြူအဆင့် randomness က ငုပ်သွားတယ်။

DNA လို အကြီးစား မော်လီကျူးတွေက ဆဲလ် တလုံးမှာ တကြိမ် (သို့မဟုတ်) အကြိမ် အနည်းငယ်ပဲ ကိုယ်စားပြု ဖော်ပြတယ်၊ နောက်ပြီး DNA အဆင့်မှာ ပြုမူပုံတွေက mechanically ဖြစ်တယ်။ organism တခုချင်းရဲ့ ဇီဝကမ္မဗေဒကို “တစိတ်တဒေသအားဖြင့်” goal directed အဖြစ် နားလည်နိုင်တယ်၊​ ဒါပေမဲ့ ဂေဟဗေဒ ကွန်မြူနတီကို လေ့လာရာမှာတော့ အဲဒီလို goal directed အဖြစ် မြင်လို့ မရတော့ဘူး။

လူ့အဖွဲ့အစည်းမှာလဲ ထူးခြားတဲ့ ဂုဏ်သတ္တိတွေ ရှိတယ်။ လေဘာ၊ ယဉ်ကျေးမှု၊ အတွေးအမြင်စနစ်နဲ့ subjectivity တို့ ထွက်ပေါ်လာခြင်းကြောင့် ဒီလို ထူးခြားတဲ့ ဝိသေသတွေ ရှိနေတာလို့ ပြောနိုင်တယ်။

ဒါပေမဲ့ တကယ် အရေးကြီးတဲ့ မေးခွန်းက လူ့အဖွဲ့အစည်းရဲ့ ထူးခြားချက်တွေဟာ တခြားသော နယ်ပယ်တွေရဲ့ ထူးခြားချက်တွေနဲ့ အမျိုးအစားအားဖြင့် ကွာခြားမှု ရှိသလား။

သဘာဝ သိပ္ပံ Vs လူမှု သိပ္ပံ ဆိုပြီး ခပ်လွယ်လွယ် ပြောနေသူတွေဟာ အဲလို မေးခွန်းထုတ် ဆန်းစစ်ခြင်း မရှိဘူး။ တကယ်တော့ စောစောက ပြောခဲ့သလိုပဲ သဘာဝ သိပ္ပံ ဆိုတဲ့ နယ်နိမိတ်အတွင်းက မတူညီတဲ့ လေ့လာမှု နယ်ပယ်တွေမှာ ထူးခြားချက် ကိုယ်စီ ရှိနေတာပဲ၊ ရူပဗေဒ ဘာသာရပ် တခုတည်းမှာကို ‘level of analysis’ ကို လိုက်ပြီး ‘randomness’ ကွာခြားမှု ရှိနေတာ သတိပြုပါလေ။

မော်လီကျူး အဆင့်မှာကို မိုက်ခရို အဆင့်နဲ့ မက်ခရို အဆင့်မှာ ပြုမူပုံ မတူတာတွေ ရှိနေတာလဲ သတိပြုမိဖို့ အရေးကြီးတယ်။ ဒါတွေ အကုန် လစ်လျူရှုပြီး သဘာဝ သိပ္ပံလို့ ပြောလိုက်တာနဲ့ ‘predictable’ ဖြစ်တယ်၊​ တိကျရေရာမှု ရှိတယ်၊ လူမှု သိပ္ပံက အဲသလို မဟုတ်ဘူးလို့ မျက်စိမှိတ် ငြင်းနေရင် အတော် လွဲနေပြီ။ ဒါ့ကြောင့် အဲသလို ပြောလေ့ရှိသူတွေ ဖြေရမဲ့ မေးခွန်းက –

“လူ့အဖွဲ့အစည်းရဲ့ ထူးခြားချက်တွေဟာ တခြားသော နယ်ပယ်တွေရဲ့ ထူးခြားချက်တွေနဲ့ အမျိုးအစားအားဖြင့် ကွာခြားမှု ရှိသလား။”

အဲသလို ငြင်းလေ့ရှိသူတွေက လူ့အဖွဲ့အစည်း ဖြစ်စဉ်တွေမှာ လေ့လာခံတွေရဲ့ subjectivity ပါဝင်နေတယ်လို့ ပြောတတ်ကြတယ်၊ “human factor” ဆိုတဲ့ ဝေါဟာရကိုလဲ သူတို့ သုံးတတ်ကြသေးတယ်။ သဘောက အဲဒီ အကြောင်းအချက်တွေ ရှိနေလို့ မတိကျ မသေချာခြင်း (uncertainty) သေချာပေါက် ရှိမယ်၊ လေ့လာချက် ရလဒ် တခုခုကို (duplication) ထပ်ကျော့ ပွားယူဖို့ မဖြစ်နိုင်ဘူးလို့ ပြောလေ့ရှိတယ်။

ဒါ့အပြင် သဘာဝ သိပ္ပံမှာဆိုရင် ‘experiment’ တွေ ပြင်ဆင်ပြီး အကြိမ်ကြိမ် ကြည့်ရှု စစ်ဆေးနိုင်တယ်လို့ ထပ်လောင်း ပြောတတ်ကြသေးတယ်။ ဒါ့ကြောင့် သဘာဝ သိပ္ပံက ဓမ္မဓိဋ္ဌာန်ကျသလို လူမှု သိပ္ပံက ဓမ္မဓိဋ္ဌာန် လိုက်မကျနိုင်ဘူးလို့ သူတို့ဘက်က ဆိုပါတယ်။

ကမ္ဘာမြေ လေထုရဲ့ ရှုပ်ထွေးလှတဲ့ ‘pattern’ တွေကိုတောင် အတိအကျ ဖော်ထုတ်မထားရသေးတဲ့ ညီမျှခြင်း (equation) အမြောက်အမြား ရေးဆွဲ ပြဋ္ဌာန်းနိုင်ပေမဲ့ လူ့အဖွဲ့အစည်းအတွက် ကြိုတင်ခန့်မှန်းချက် ညီမျှခြင်းတွေ ရေးဆွဲပေးဖို့ မဖြစ်နိုင်ဘူးလို့ ဆိုလိုက်သေးတယ်။ ၂၀ ရာစုမှာ ပို့စ်မော်ဒန်ဝါဒ ထွက်ပေါ်လာလိမ့်မယ်လို့ ခန့်မှန်းထားတဲ့ ညီမျှခြင်းမျိုး ရေးဖို့ ဘယ်သူ စိတ်ကူးရခဲ့မှာလဲ။

ဒီငြင်းချက်ဟာ လုံးဝ မှားတယ်၊ မှားရတဲ့ အကြောင်း များစွာ ရှိတယ်။ ပထမ တချက်ကတော့ သဘာဝ သိပ္ပံ ပညာရှင်တွေရဲ့ ‘self-description’ ကို အယုံ လွန်တာပဲ။ ညီမျှခြင်းတွေ ချရေးခြင်း၊​ အဲဒီကနေ ခန့်မှန်းချက် ထုတ်ယူခြင်း ဆိုတာ သိပ္ပံပညာရပ်ရဲ့ လုပ်ဆောင်ချက် ‘တခုသာ’ ဖြစ်တယ်။

• ပြဿနာတရပ်ကို ဖော်ထုတ်ခြင်း၊
• ဆီလျော်တဲ့ variable အမျိုးမျိုးကို အဓိပ္ပါယ် သတ်မှတ်ခြင်း၊
• ဘယ်ဟာကတော့ လက်ခံနိုင်ဖွယ် အဖြေ အမျိုးအစား ဖြစ်တယ်လို့ ဆုံးဖြတ်ခြင်း၊
• လေ့လာရရှိချက်တွေကို အနက်ဖွင့်ဆိုခြင်း၊
• validation လုပ်ရတဲ့ စည်းမျဉ်းတွေ၊
• လေ့လာချက် အမျိုးမျိုးက ထွက်ပေါ်လာတဲ့ ကောက်ချက်တွေကို သီအိုရီ ဘောင်တခုအတွင်း ချိတ်ယူခြင်း၊

အစရှိတဲ့ လုပ်ဆောင်ချက်တွေဟာ လူ့အဖွဲ့အစည်းဆိုင်ရာ ဖြစ်စဉ်များရဲ့ ရလဒ်တွေပဲ။ တချို့ ဖြစ်စဉ်တွေဆိုရင် လေ့လာတဲ့ ပညာရှင် ပုဂ္ဂိုလ်တဦးချင်းရဲ့ ထူးခြားချက်အပေါ် အတော်လေး မူတည်နေသေးတယ်။

မှန်ပါတယ်၊ သိပ္ပံပညာရပ်ဟာ လေ့လာတဲ့ ပညာရှင် တဦးချင်းအလိုက် ထူးခြားတဲ့ အတ္တဘာဝ အကြောင်းအချက်တွေကြောင့် ဖြစ်ပေါ်လာနိုင်တဲ့ အမှားတွေ နည်းနိုင်သမျှ အနည်းဆုံး ဖြစ်အောင် လျှော့ချနိုင်ခဲ့ပြီ။ ဒါပေမဲ့ သိပ္ပံပညာရှင် အသိုင်းအဝိုင်း တခုလုံးမှာ ရှိနေတဲ့ ‘shared bias’ တွေကိုတော့ ဖယ်ရှားပစ်ဖို့ရာ မစွမ်းနိုင်သေးဘူး။ ဘယ်လိုမျိုး shared bias တွေလဲလို့ စောဒကတက်နိုင်ပါတယ်။

ဥပမာ၊ အီဗလူးရှင်းလို့ ပြောလိုက်တာနဲ့ ဖြေးဖြေးချင်း ဆင့်ကဲ ပြောင်းလဲသွားခြင်း (gradualism) အဖြစ် သိပ္ပံပညာရှင် အသိုင်းအဝိုင်းကြားမှာ ပုံသေ လက်ခံထားတာမျိုး။ တကယ်တော့ အီဗလူးရှင်း သမိုင်း ဖြစ်စဉ်မှာ ပြောင်းလဲမှု ကြီးကြီးမားမား ဘာမှ မတွေ့ရတဲ့ ‘prolonged period’ ဖြတ်သန်းပြီးမှ ရုတ်တရက် ဆိုသလို အပြင်းအထန် ပေါက်ကွဲ ပြောင်းလဲသွားတာမျိုး ရှိတယ်။ ဒီဖြစ်စဉ်ကို Stephen J Gould နဲ့ Nile Eldredge တို့က ‘punctuated equilibrium’ သဘောတရားနဲ့ ရှင်းပြခဲ့တယ်။

ဒါပေမဲ့ ဒီအယူအဆဟာ ဒါဝင်နီးယန်း အီဗလူးရှင်း သီအိုရီကို ကိုင်စွဲပါတယ် ဆိုတဲ့ သဘာဝ သိပ္ပံ ပညာရှင် အသိုင်းအဝိုင်း တခုလုံးမှာ ရှိနေတဲ့ ‘shared bias’ ကို ဒဲ့စိန်ခေါ်လိုက်သလို ဖြစ်သွားခဲ့တယ်။ ဒါ့ကြောင့် သိပ္ပံ ပညာရှင် အသိုင်းအဝိုင်းကြား အုတ်အော်သောင်းနင်း ဖြစ်သွားခဲ့တယ်။ ဒါပေမဲ့ တကယ့် အီဗလူးရှင်း ဖြစ်စဉ်တွေက punctuated equilibrium အယူအဆကို ထောက်ခံနေတယ်။

နောက်ထပ် အထင်ကရ ဥပမာ တခုကတော့ သိပ္ပံ ပညာရှင် အသိုင်းအဝိုင်းကြား ရာစုနှစ်ချီ လွှမ်းမိုးထားခဲ့တဲ့ ‘cerebral primacy’ အယူအဆပဲ။ လူတွေထက် ကာယစွမ်းအား ပိုကြီးမားတဲ့ သတ္တဝါတွေ အမြောက်အမြား ရှိတယ်၊ ဒါပေမဲ့ လူက တခြား သတ္တဝါတွေကို ကြီးစိုးမင်းမူထားနိုင်တာ ဦးနှောက်စွမ်းအားကြောင့် ဖြစ်တယ်၊ တနည်းအားဖြင့် လူ့ဦးနှောက်က တခြား သတ္တဝါတွေရဲ့ ဦးနှောက်ထက် ပိုကြီးနေတဲ့အတွက် ဖြစ်တယ်၊ ဒါ့ကြောင့် ကြီးမားတဲ့ ဦးနှောက်က လူသား အီဗလူးရှင်း ဖြစ်စဉ်ကို မောင်းနှင်အား ဖြစ်ခဲ့တယ်လို့ cerebral primacy အယူအဆ ကိုင်စွဲသူ သိပ္ပံ ပညာရှင် အသိုင်းအဝိုင်းက လက်ခံထားခဲ့တယ်။ ဒါပေမဲ့ ဒီအယူအဆကို တိုက်ရိုက် ကျားကန်ပေးထားတဲ့ သက်သေ အထောက်အထား ဘာမှ မရှိခဲ့ဘူး။ ၁၉ ရာစု ကုန်ခါနီးမှ လူသား ကျောက်ဖြစ်ရုပ်ကြွင်းကို ရှာတွေ့ခဲ့တာပါ။ ဒါပေမဲ့ cerebral primacy အယူအဆက အဲဒီ မတိုင်ခင်ကတည်းက သိပ္ပံ ပညာရှင် အသိုင်းအဝိုင်းကြား အခိုင်အမာ အမြစ်တွယ်နေပြီ။

ဒါနဲ့ ဆန့်ကျင်ဘက် အယူအဆကို အခိုင်အမာ ဖော်ထုတ် တင်ပြခဲ့သူကတော့ သိပ္ပံနည်းကျ ဆိုရှယ်လစ်ဝါဒရဲ့ ဖခင်ကြီး ဖရက်ဒရစ် အန်းဂယ်(လ်စ်)ပဲ။ ၁၈၇၆ ခုနှစ်မှာ အန်းဂယ်(လ်စ်) ရေးခဲ့တဲ့ “The Part Played by Labor in the Transition from Ape to Man” အက်ဆေးမှာ ဦးနှောက် ကြီးထွားမှုက မူလ မဟုတ်ဘဲ ခြေနှစ်ဖက်ပေါ် မတ်တပ်ရပ် သွားလာခြင်း (upright posture) ၊ ဒီအခါ လွတ်လပ်သွားတဲ့ ရှေ့လက်တွေကြောင့် ကာယ လုပ်အားကို အသုံးချလာခြင်း၊ ကာယ အလုပ်နဲ့ tool making တို့ရဲ့ အကျိုးဆက်အနေနဲ့ လူ့ဦးနှောက် ကြီးထွားဖွံ့ဖြိုးလာခြင်း ဖြစ်ကြောင်း ရှင်းပြထားတယ်။ (အကြမ်းဖျင်း ရေးပြတာပါ၊ ဒီဖြစ်စဉ်မှာလဲ တလမ်းသွား မဟုတ်ဘဲ ဒိုင်ယာလက်တစ် ဆက်နွှယ်ချက်တွေ ရှိတယ်၊ ဒါကို အန်းဂယ်လ်စ်က သေချာ ရှင်းထားပါတယ်၊ ဒီအက်ဆေး မြန်မာပြန်ကိုလဲ အန်းဂယ်(လ်စ်) နှစ် ၂၀၀ ပြည့်ကတည်းက ကျနော်တို့ Revolutionary Marxism စာမျက်နှာနဲ့ In Defence of Marxism ဝက်ဘ်ဆိုက်ထ်မှာ ဖော်ပြထားပြီး ဖြစ်ပါတယ်)။

အန်းဂယ်(လ်စ်)ရဲ့ ဒီအက်ဆေးကိုသာ သိပ္ပံပညာရှင် အသိုင်းအဝိုင်းက အလေးထားခဲ့ကြမယ်ဆိုရင် ရာစုနှစ် တခုစာလောက် ရေလိုက်လွဲနေခဲ့မှာ မဟုတ်ဘူးလို့ ဟားဗတ်(ဒ်) ပါမောက္ခ Paleontologist Stephen J Gould က မှတ်ချက်ပြုခဲ့ဖူးတယ်။ ၂၀ ရာစု ရောက်လာတဲ့အခါ Australopithecus ရုပ်ကြွင်းတွေကို ရှာဖွေတွေ့ရှိခဲ့တယ်။ ဒါပေမဲ့ သိပ္ပံ ပညာရှင်တွေ မျှော်လင့်ထားသလို ဦးနှောက် အရွယ်အစား ကြီးကြီးမားမား မရှိသေးဘဲ ape တွေရဲ့ ဦးနှောက် အရွယ်အစားနဲ့ မတိမ်းမယိမ်းသာ ရှိသေးကြောင်း တွေ့ခဲ့ရတယ်။ သို့သော် ဒီဦးနှောက် အရွယ်အစား မကြီးသေးတဲ့ Australopithecus တွေဟာ မတ်မတ်သွားလာပြီး ကိရိယာတွေ ဖန်တီး ပြုလုပ်နေပြီဆိုတာ သိလိုက်ရတယ်။ လူ့ ဦးနှောက် အရွယ်အစားဟာ australopithecine အဆင့် နောက်ပိုင်းကျမှ သိသိသာသာ ကြီးထွားလာခြင်း ဖြစ်တယ်။

အန်းဂယ်(လ်စ်)ရဲ့ ကောက်ချက်တွေ မှန်ကန်ကြောင်း နောက်ပိုင်း သိပ္ပံ လေ့လာမှုတွေက သက်သေ အကြိမ်ကြိမ် ထူခဲ့ပြီးပြီ။ ဒါပေမဲ့ Gould ကတော့ အခုလို ပြောခဲ့သေးတယ်။

“The importance of Engels’s essay lies not in its substantive conclusions, but in its trenchant political analysis of why Western science was so hung up on the a priori assertion of cerebral primacy”

ဒီနေရာမှာ Gould ဆိုလိုရင်းကို နားလည်မှု မလွဲဖို့ အရေးကြီးတယ်။ ဒီတကြောင်းထဲ ကွက်ဖတ်ပြီး အန်းဂယ်(လ်စ်)ရဲ့ ကောက်ချက်တွေ အရေးမကြီးဘူးလို့ ဆိုလိုရင်း မဟုတ်ဘူး။ အဲဒီ ကောက်ချက်တွေ အရေးကြီးလို့ပဲ Gould ကိုယ်တိုင် အန်းဂယ်(လ်စ်) အက်ဆေးထဲက main argument တွေကို ကောက်နှုတ် ကိုးကားပြီး သူ့အက်ဆေး တပုဒ်လုံးကို အဲဒီအတိုင်း ရပ်တည် ရေးသားထားတယ်။

ဒီနေရာမှာ အရေးကြီးတဲ့ အချက်က အနောက်တိုင်း သိပ္ပံပညာရှင် အသိုင်းအဝိုင်းဟာ ဘာအထောက်အထားမှ မရှိဘဲ ‘ဦးနှောက်က မူလ ဖြစ်တယ်’ ဆိုတဲ့ အယူအဆကို ‘a priori assertion’ အဖြစ် အသေ ဖက်တွယ်ထားခဲ့ကြတယ်။ အဲဒါ ဘာ့ကြောင့်လဲ။ ဒါဟာ အပေါ်မှာ ပြောခဲ့သလို ‘သိပ္ပံ ပညာရပ်က လူတဦးချင်းရဲ့ အဂတိတွေကြောင့် ဖြစ်ပေါ်လာနိုင်တဲ့ အမှားတွေကို အနည်းဆုံးအထိ လျှော့ချထားနိုင်ပြီ ဆိုပေမဲ့ သိပ္ပံ ပညာရှင် ကွန်မြူနတီ တခုလုံးရဲ့ shared bias ကိုတော့ ဖယ်ရှားမပစ်နိုင်သေးဘူး’ ဆိုတာ အထင်ရှားဆုံး သက်သေပြလိုက်တာပဲ။

ဒါ့အပြင် သဘာဝ သိပ္ပံ ပညာရပ်ဟာ လူမှု သိပ္ပံ ပညာရပ်လို မဟုတ်ဘူး၊ objective means တွေ သုံးပြီး လေ့လာခြင်း ဖြစ်တယ်၊ လူမှု သိပ္ပံ ပညာရပ်တွေလို subjectivity မရှိတဲ့အတွက် ဓမ္မဓိဋ္ဌာန် ပိုကျတယ်လို့ ပြောတတ်ကြတယ်။ အခု ပြောခဲ့တဲ့ နမူနာမှာဆိုရင် လေ့လာခံ အကြောင်းအရာဟာ လူ့အဖွဲ့အစည်းလို subjective လူသားတွေနဲ့ ဖွဲ့စည်းထားတဲ့ အရာ မဟုတ်ဘူး၊ ကျောက်ဖြစ်ရုပ်ကြွင်းတွေနဲ့ လေ့လာရတာ ဖြစ်တယ်။ ဒါပေမဲ့ လေ့လာတဲ့ သိပ္ပံ ပညာရှင်တွေမှာ အသေဆုပ်ကိုင်ထားတဲ့ a priori assertion တွေ ရှိနေပြီးသား။

ဒါ့ကြောင့် သဘာဝ သိပ္ပံ ပညာရပ် ဖြစ်နေလို့ အဲဒီ နယ်ပယ်က သိပ္ပံ ပညာရှင်တွေမှာ တဦးချင်းအလိုက်၊ သို့မဟုတ် အသိုင်းအဝိုင်း တခုလုံးအဆင့် ကိုင်စွဲထားတဲ့ အယူအဆတွေ၊ အစွဲအလမ်းတွေ၊ သူတို့အပေါ် လွှမ်းမိုးထားတဲ့ ဒဿနတွေ၊ လူတန်းစား အကျိုးစီးပွားတွေ မရှိဘူးလို့ မပြောနိုင်ဘူး။ လူ့အဖွဲ့အစည်းအတွင်းက general tendency တွေဟာ ဘယ်နယ်ပယ်က သိပ္ပံ ပညာရှင်အပေါ်မဆို လွှမ်းမိုး သက်ရောက်မှု သေချာပေါက် ရှိတယ်။

သိပ္ပံ ပညာရှင် အသိုင်းအဝိုင်းမှာ အမြစ်တွယ်နေတတ်တဲ့ ‘subtle social prejudice’ တွေအကြောင်း ရှင်းပြရင်း နည်းနည်း ဘေးရောက်သွားတယ်။ မူလ ရေးနေတဲ့ အကြောင်းအရာကို ပြန်ကောက်ရရင် –

ဒုတိယ အချက်က သိပ္ပံ ပညာရပ်ဆိုတာ quantification လဲ မဟုတ်သလို experiment လဲ မဟုတ်ဘူး။ သီအိုရီရေးရာ ဆုံးဖြတ်ချက်တွေ ပြုလုပ်ရာမှာ ကိန်းဂဏန်း အခြေပြု ရလဒ်တွေက အခရာကျတဲ့ အခြေအနေတွေ ရှိတာ မှန်ပါတယ်။ ဥပမာအားဖြင့် relativity theory ကို စမ်းသပ် စစ်ဆေးတဲ့ နေရာ၊ မျိုးဗီဇ ပညာရပ်မှာ မန်ဒဲလီယန်း ၃:၁ အချိုးကို သက်သေပြတဲ့ နေရာ၊ Neptune ဂြိုဟ် တည်ရှိကြောင်း ခန့်မှန်းတဲ့ နေရာ၊​ အစရှိတဲ့ အခြေအနေတွေမှာ အတိအကျ တိုင်းတာမှုတွေ မရှိမဖြစ် လိုအပ်ခဲ့တယ်။ ဒါပေမဲ့ ဒီနေရာမှာတောင် အရေးကြီးတဲ့ ကောက်ချက်တွေက quantitative သဘော မဟုတ်ဘူး၊ qualitative သို့မဟုတ် semi-quantitative သဘောသာ ဖြစ်တယ်။

ဒါပေမဲ့ တချို့သော လေ့လာ တွေ့ရှိချက်တွေမှာ ကိန်းဂဏန်း အခြေပြု ရလဒ်တွေက ကြီးကြီးမားမား အရေးမပါလှဘူး။ ဥပမာ၊ Australopithecus ကျောက်ဖြစ်ရုပ်ကြွင်း Lucy ကို လူရဲ့ ရှေးဦး မျိုးနွယ်အဖြစ် အသိအမှတ်ပြုတဲ့ နေရာ၊ DNA ဖွဲ့စည်းတည်ဆောက်ပုံကို ဖော်ထုတ်တဲ့ နေရာ၊ ခြင်တွေက ရောဂါပိုး ကူးစက်စေတယ်လို့ အတည်ပြုတဲ့ နေရာ၊ coronary နှလုံး ရောဂါမှာ plaque ဖြစ်ပေါ်မှုရဲ့ အခန်းကဏ္ဍ၊ continental drift ဖြစ်ပေါ်တဲ့ ပုံစံ၊ အစရှိတဲ့ အခြေအနေတွေမှာ ကိန်းဂဏန်း အခြေပြု ရလဒ်တွေက အခရာမကျတော့ဘူး။ ဒါ့ကြောင့် အတိအကျ တိုင်းတာမှုဟာ သဘာဝ သိပ္ပံနဲ့ လူမှု သိပ္ပံတို့ကို တခုနဲ့ တခု ခြားနားစေတဲ့ အရာ မဟုတ်ဘူး၊ သဘာဝ သိပ္ပံနဲ့ လူမှု သိပ္ပံရဲ့ မတူညီတဲ့ branch အသီးသီးမှာ ကဏ္ဍ အမျိုးမျိုးနဲ့  ပါဝင်နေခြင်းသာ ဖြစ်တယ်။

အလွန်ကြီးမားတဲ့ ကွန်ပြူတာ ပရိုဂရမ်တွေဟာ ဖြစ်စဉ်တခုရဲ့ အရေးကြီး မျက်နှာစာတွေကို တုပနိုင်တယ် ဆိုတာတော့ မှန်ပါရဲ့။ ဒါပေမဲ့ အဆုံးမှာတော့ ကျနော်တို့မှာ ကိန်းဂဏန်းတွေ ပိုများလာတာပဲ အဖတ်တင် ကျန်ခဲ့တယ်။ အရေအတွက်သဘော တိကျမှု ရှိဖို့ မဖြစ်မနေ လိုအပ်တဲ့ ဒီဇိုင်းတွေမှာ အဲဒီ ကွန်ပြူတာ ပရိုဂရမ်တွေက သိပ်ကို အရေးပါတယ်။ ဒါပေမဲ့ (qualitative understanding) အရည်အချင်းသဘော နားလည်မှုကိုတော့ အစားမထိုးနိုင်ဘူး။

Experimentation လုပ်နိုင်မှ သိပ္ပံမည်သလား

Experimentation လုပ်နိုင်မှ သိပ္ပံ ပညာရပ် စစ်စစ် ဖြစ်တယ် ဆိုတာလဲ မမှန်ပါဘူး။ အလွန် သေးငယ်တဲ့ ဖြစ်စဉ်တွေကိုသာ ဓာတ်ခွဲခန်းထဲမှာ အကြိမ်ကြိမ် စမ်းသပ်လေ့လာနိုင်တယ် (duplicated) ၊ သေချာတာကတော့ ကပ်ရောဂါ သို့မဟုတ် supernovae သို့မဟုတ် သက်ရှိမျိုးစိတ်တွေ ဖြစ်ပေါ်လာခြင်း သို့မဟုတ် continental drift လို ဖြစ်စဉ်တွေကို ဘယ်ဓာတ်ခွဲခန်းမှာမှ ထပ်ကျော့ ဖန်တီးပြီး လေ့လာဖို့ မဖြစ်နိုင်ဘူး။

ဒီလို ဖြစ်စဉ်တွေကို လေ့လာတဲ့ နေရာမှာ experimentation နည်း မဟုတ်တဲ့ တခြားသော verification နည်းတွေကို လိုအပ်လာတယ်။

လူ့အဖွဲ့အစည်းဆိုင်ရာ ဖြစ်စဉ်တွေကို လေ့လာမှု ပညာရပ်ဟာ ဂေဟဗေဒ၊ အီဗလူးရှင်း၊ epidemiology, biogeography တို့နဲ့ တူညီတဲ့ ဝိသေသ ရှိတယ်။ အဲဒီ ပညာရပ်တွေက လေ့လာတဲ့ အကြောင်းအရာတွေဟာ လေ့လာဖို့အတွက် available ဖြစ်တဲ့ အရေအတွက်က နှိုင်းယှဉ်ချက်အားဖြင့် နည်းလွန်းနေတာပဲ။ နှိုင်းယှဉ်ချက်အားဖြင့် ဆိုတာ ဒီလို။ လူအများနဲ့ ရင်းနှီးပြီးသား epidemiology နမူနာ တခုကို စဉ်းစားကြည့်ရအောင်။

၂၀၁၉ မတိုင်ခင်က ကိုဗစ်နဲ့ အမျိုးအစားတူ ကပ်ရောဂါ ဖြစ်စဉ်မျိုး လေ့လာချင်ရင် လေ့လာစရာ ဘယ်နှခု ရှိခဲ့လဲ။ SARS ရှိခဲ့တယ်လို့ ပြောချင် ပြောနိုင်တယ်။ ဒါတောင် ကိုဗစ် ကပ်နဲ့ ထပ်တူ မဟုတ်ဘူး။ ဒါပေမဲ့ ကိုဗစ် ရောဂါလို ကပ်မျိုးက တခါပဲ ဖြစ်နိုင်တာ မဟုတ်ဘူး၊ တနေရာတည်း ဖြစ်နိုင်တာ မဟုတ်ဘူး။ အမှန်တကယ် ဖြစ်သွားတဲ့ epidemics အရေအတွက်၊ နောင် အနာဂတ်မှာ ဖြစ်လာနိုင်တဲ့ epidemics အရေအတွက်က များတယ်၊ ဒါပေမဲ့ လေ့လာဖို့ available ဖြစ်တဲ့ အလားတူ ရောဂါကပ် အရေအတွက်ကျ သိပ်များများစားစား မရှိလှဘူး။ epidemics ကို ဓာတ်ခွဲခန်းထဲ ပွားပြီး လေ့လာဖို့ ဆိုတာ အဝေးကြီး။

ဒါဆိုရင် “experimentation နည်းနဲ့ လေ့လာဖို့ မဖြစ်နိုင်သောကြောင့်” ဆိုတဲ့ အကြောင်းပြချက်နဲ့ epidemiology ကို သိပ္ပံ ပညာရပ် စစ်စစ် မဟုတ်ဘူးလို့ ပြောနိုင်သလား။ ဘယ်သူမှ မပြောနိုင်ဘူး။

အဲလိုပဲ sexism အတိုင်းအဆ မတူတဲ့ လူ့အဖွဲ့အစည်း တရာမှာ ဖြစ်ခဲ့တဲ့ ဆိုရှယ်လစ် တော်လှန်ရေး တရာကို နှိုင်းယှဉ် ဆန်းစစ် လေ့လာဖို့ ဆိုတာ မဖြစ်နိုင်ဘူး။ ဆိုရှယ်လစ် တော်လှန်ရေးကို ဓာတ်ခွဲခန်းထဲ ပွားပြီး လေ့လာဖို့ မဖြစ်နိုင်မှန်း လူတိုင်း သိတယ်။ ဒီတော့ “experimentation နည်းနဲ့ လေ့လာဖို့ မဖြစ်နိုင်သောကြောင့်” ဆိုတဲ့ အကြောင်းပြချက်နဲ့ ဆိုရှယ်လစ် တော်လှန်ရေး လေ့လာတဲ့ ပညာရပ်ကို သိပ္ပံ ပညာရပ် မဟုတ်ဘူးလို့ ပြောနိုင်သလား။ ဘယ်သူမှ မပြောနိုင်ဘူး။

ဆန့်ကျင်ဖက် တဖက်မှာတော့ အက်တမ် သို့မဟုတ် fundamental particles သို့မဟုတ် ကြယ်တွေဟာ အမျိုးအစားအားဖြင့် အရေအတွက် သိပ်မများလှဘူး။ သို့သော် အမျိုးအစား တခုစီအလိုက် ရှိနေတဲ့ အရေအတွက်ကျ အလွန် အင်မတန် ပေါများတယ်။ လူမှု သိပ္ပံနယ်ပယ်မှာလဲ နှိုင်းယှဉ်လေ့လာဖို့ အတန်အသင့် လုံလောက်တဲ့ အကြောင်းအရာတွေ ရှိပါတယ်။ ဥပမာ၊ အသေးစား လုပ်ငန်းလေးတွေအကြောင်း လေ့လာမှုမျိုး။

ဒါပေမဲ့ လူမှု သိပ္ပံနယ်ပယ်မှာ prediction ကို ကန့်သတ်ထိန်းချုပ်ထားတဲ့ experiment တွေအပေါ် အခြေခံထားတာ မဟုတ်ဘူး၊ sets of data အပေါ် အခြေခံခြင်း ဖြစ်တယ်။ ဒီခြားနားချက်တွေဟာ သိပ္ပံပညာရပ်တွေရဲ့ လေ့လာနည်း (methodology) နဲ့ သူတို့ ကိုင်တွယ်တဲ့ ပြဿနာ အမျိုးအစားတွေအပေါ် သက်ရောက်မှု ရှိတာ အမှန်ပဲ။ ဒါပေမဲ့ အဲဒီ ခြားနားချက်တွေ ရှိနေလို့ သဘာဝ သိပ္ပံ နဲ့ လူမှု သိပ္ပံတို့ ကွဲပြားသွားတာ မဟုတ်ဘူး။

predictability လုပ်နိုင် မလုပ်နိုင်

ဒါ့ကြောင့် equation တွေနဲ့ ဖော်ထုတ်မရခြင်း သို့မဟုတ် ကန့်သတ်ထိန်းချုပ်ထားတဲ့ experiment တွေ မရှိခြင်းကြောင့် လူမှု သိပ္ပံဟာ သဘာဝ သိပ္ပံနဲ့ အခြေခံကျကျ ခြားနားနေတယ် ဆိုတာ မဟုတ်ဘူး။ သဘာဝ သိပ္ပံက တိတိကျကျ predict လုပ်နိုင်တယ်၊ လူမှု သိပ္ပံက အဲသလို မလုပ်နိုင်ဘူးလို့ လူအတော်များများ မကြာခဏ ပြောလေ့ရှိတယ်။ ဒါပေမဲ့ predictability ကလဲ သဘာဝ သိပ္ပံနဲ့ လူမှု သိပ္ပံတို့ကြားက အခြေခံ ခြားနားချက် မဟုတ်ဘူး။

ရူပ သိပ္ပံနယ်မှာ တိတိကျကျ ခန့်မှန်းနိုင်စွမ်း သက်သေပြထားတဲ့ ဂန္ထဝင်မြောက် ဥပမာတွေ ရှိပေမဲ့ dynamical စနစ်တွေကို လေ့လာတဲ့ မော်ဒန် သီအိုရီတွေကတော့ ရိုးရှင်းတဲ့ အခြေအနေမှာတောင် precise prediction လုပ်ဖို့ မဖြစ်နိုင်တဲ့ အခြေအနေ အမြောက်အမြားကို ဖော်ထုတ်ပြထားတယ်။ (မိုးလေဝသ ခန့်မှန်းချက်တို့၊ “chaos” အကြောင်း လေ့လာမှုတို့၊ စသဖြင့်)။ သို့သော် chaotic စနစ်တွေမှာတောင် random ဖြစ်တဲ့ မျက်နှာစာတွေချည်း ရှိတာတော့ မဟုတ်ဘူး၊ regular မျက်နှာစာတွေလဲ ရှိသေးတယ်။

ဥပမာ၊ လူ့အဖွဲ့အစည်း တခုမှာ လူတွေဟာ အကြောင်း အမျိုးမျိုးနဲ့ အသက်အရွယ် အမျိုးမျိုးမှာ သေနေကြတာပဲ။ individuals ကိုပဲ လိုက်ကြည့်မယ်ဆိုရင် အသက် ဘယ့်လောက်ရှည်မယ်၊ ဘာနဲ့ သေမယ်ဆိုတာ ဘယ်လိုမှ ခန့်မှန်းလို့ မရနိုင်ဘူး၊ randomness ပဲ မြင်ရလိမ့်မယ်။ ဒါပေမဲ့ လူ့အဖွဲ့အစည်း တခုလုံး အတိုင်းအတာနဲ့ ‘the whole’ ကို လေ့လာကြည့်မယ်ဆိုရင် အတော် တိကျတဲ့ ခန့်မှန်းချက်တွေ ထွက်လာတယ်။ မယုံရင် အမြတ်တွေ တနင့်တပိုး ရနေတဲ့ အသက် အာမခံ ကုမ္ပဏီကြီးတွေသာ သွားမေးကြည့်ပေတော့။

Predictability က သဘာဝ သိပ္ပံနဲ့ လူမှု သိပ္ပံကို ခွဲခြားပေးတဲ့ အရာ မဟုတ်ဘူးလို့ အပေါ်မှာ ပြောခဲ့တယ်။ သို့သော် လူမှု သိပ္ပံမှာ တိကျတဲ့ prediction တွေ လုပ်ဖို့ လုံးဝ မဖြစ်နိုင်ဘူးလို့ မဆိုလိုဘူး။

ဆောင်းပါး အဖွင့်မှာ ပြောခဲ့သလို လူမှု သိပ္ပံက လေ့လာတဲ့ အကြောင်းအရာတွေမှာ subjectivity ရှိတယ်၊ ဒီအချက်ကြောင့် သဘာဝ သိပ္ပံ ပညာရပ်တွေလို သိပ္ပံနည်းကျ လေ့လာဖို့ မဖြစ်နိုင်ဘူး ဆိုတာ ဟုတ်ရဲ့လား။ မဟုတ်ပါဘူး။ subjectivity ဆိုတာ လူတဦးချင်းရဲ့ ခံစားမှု အတွေ့အကြုံအနေနဲ့သာ ပုဂ္ဂလဓိဋ္ဌာန် ဖြစ်တာပါ။ ကျနော်တို့ သီအိုရီတွေက လူတဦးချင်းရဲ့ စိတ်ခံစားချက်ကို ဖော်ပြနေတာ မဟုတ်ဘူး။ ဒါပေမဲ့ subjectivity ကိုလဲ ဓမ္မဓိဋ္ဌာန်ကျကျ (objectively) လေ့လာနိုင်တယ်။ ယုံကြည်မှုတွေ၊ စိတ်ခံစားချက်တွေမှာ ဖြစ်ပေါ်ရတဲ့ အကြောင်းရင်းတွေ ရှိတယ်။ အဲဒီ ယုံကြည်မှုတွေ၊ စိတ်ခံစားချက်တွေကိုယ်တိုင်က အကြောင်းတရား ဖြစ်နေတာလဲ ရှိတယ်။

ဥပမာအားဖြင့် epidemic တခုရဲ့ ဖြစ်ပေါ်တိုးတက်မှုကို ကြည့်ရာမှာ ကြောက်စိတ် သို့မဟုတ် မျှော်လင့်ချက် ဆိတ်သုဉ်းခြင်းတို့ကို ကွင်းဆက်တွေအဖြစ် ထည့်သွင်း လေ့လာနိုင်တယ်။ AIDS pandemic အခြေအနေကို မှန်မှန်ကန်ကန် အကဲဖြတ်နိုင်ဖို့ဆိုရင် ပြောင်းလဲနေတဲ့ subjectivities ကို မဖြစ်မနေ ထည့်သွင်း လေ့လာရမယ်။ ဥပမာ၊ ဒေသတခုက လူတွေကြားမှာ AIDS ကို ကုရာနတ္ထိ ဆေးမရှိလို့ မြင်ပြီး ကြောက်ရွံ့နေသလား၊ သို့မဟုတ် ကာကွယ်လို့ ရသလို ထိထိရောက်ရောက် ကုသနိုင်ပြီလို့ လက်ခံထားသလား၊ စသဖြင့်။

မတူညီတဲ့ subjectivities အမြောက်အမြားကို လေ့လာရာက ‘patterns of subjectivity’ ထွက်ပေါ်လာတယ်။ ဒါ့ကြောင့်ပဲ psychosocial ကုထုံးတွေ ဖော်ထုတ်လာနိုင်ခြင်း ဖြစ်တယ်။

ဒိုင်ယာလက်တစ် ရုပ်ဝါဒကို လိုအပ်ခြင်း

ဒါ့ကြောင့် ဒိုင်ယာလက်တစ် ဆိုတာ predictability နဲ့ lawfulness တွေ အနှံ့အပြား တည်ရှိနေတဲ့ သဘာဝ သိပ္ပံ ပညာရပ်တွေမှာပဲ အသုံးဝင်တယ်၊ အမျိုးမျိုး ပြောင်းလဲနေတဲ့ subjectivities ကြောင့် လူမှု သိပ္ပံ နယ်ပယ်မှာ အသုံးမဝင်ဘူးလို့ ပြောမရဘူး။

ဒါနဲ့ ပြောင်းပြန် နောက်တမျိုး ပြောကြတာလဲ ရှိသေးတယ်၊ ငါတို့ မျက်စိရှေ့မှာတင် ပဋိပက္ခတွေ အတိုင်းသား မြင်တွေ့နေရတဲ့ လူမှု သိပ္ပံ နယ်ပယ်မှာတော့ ဒိုင်ယာလက်တစ်က အလုပ်ဖြစ်တယ်၊ ဒါပေမဲ့ သူ့သဘောသူဆောင်ပြီး ယန္တရားဆန်ဆန် လည်ပတ်နေတဲ့ သို့မဟုတ် statistical ဆန်တဲ့ သဘာဝတရားကို လေ့လာရာမှာတော့ ဒိုင်ယာလက်တစ်က အသုံးမဝင်ဘူး။ ဒီလို ရမ်းသမ်း ပြောဆိုမှုတွေဟာ ဘာမှ အခြေအမြစ် မရှိဘူး။ တကယ်တော့ လူမှု ဖြစ်စဉ်၊ သဘာဝ ဖြစ်စဉ် နှစ်မျိုးလုံးကို နားလည်ဖို့အတွက် ဒိုင်ယာလက်တစ် ရုပ်ဝါဒကို မရှိမဖြစ် လိုအပ်တယ်။

၁၈၄၇ ခုနှစ်က အသက် ၃၀ မပြည့်သေးတဲ့ လူငယ်လေး နှစ်ဦးဟာ ကမ္ဘာကျော် ကြေညာစာတန်းတခုကို ရေးသား ထုတ်ဝေခဲ့ကြဖူးတယ်။ ဒါပေမဲ့ သူတို့ ရေးခဲ့တဲ့ အဲဒီ ကြေညာစာတန်းကိုသာ ဖတ်ကြည့်ရင် ၁၈၄၇ ခေတ်ကို ဖော်ပြတာထက် ဒီကနေ့ ခေတ်ကို ကြည့်ပြီး ရေးထားသလား ထင်ရလိမ့်မယ်။ ၁၈၄၇ မှာ အရင်းရှင် စနစ်က ဂလိုဘယ် စနစ် ဖြစ်မလာသေးဘူး၊ ကမ္ဘာ့ ဈေးကွက်ဆိုတာ မရှိသေးဘူး။ သို့သော် ထိုလူငယ်လေး နှစ်ဦး ရေးခဲ့တဲ့ Communist Manifesto ထဲမှာ အရင်းရှင် စနစ်က ကမ္ဘာ့ စီးပွားရေး စနစ် ဖြစ်လာမဲ့ အကြောင်း၊ ကမ္ဘာ့ ဈေးကွက်ကြီး ပေါ်ထွက်လာမဲ့ အကြောင်း ရှင်းပြထားတာ တွေ့ရလိမ့်မယ်။ ဓာတ်ခွဲခန်းထဲ စမ်းသပ် လေ့လာပြီး ဟောကိန်းထုတ်ထားတာထက် ပိုတိကျတဲ့ prediction ကို သူတို့ ပေးနိုင်ခဲ့တယ်။

မာ့(က်စ်)နဲ့ အန်းဂယ်(လ်စ်) တို့ ဘာ့ကြောင့် အဲသလို predict လုပ်နိုင်ခဲ့သလဲ။ ရှင်းပါတယ်။ ဒိုင်ယာလက်တစ် ရုပ်ဝါဒ နည်းလမ်းကို အသုံးပြုပြီး လူ့အဖွဲ့အစည်းဆိုင်ရာ ဖြစ်စဉ်တွေကို စိတ်ဖြာလေ့လာခဲ့ကြလို့ပဲ။

၁၉၀၅ မတိုင်ခင်က ရုရှားပြည်မှာ လာမဲ့ တော်လှန်ရေးကို ဘူဇွာ ဒီမိုကရေစီ တော်လှန်ရေးအဖြစ် အားလုံးက လက်ခံထားခဲ့ကြတယ်။ သဏ္ဌာန်အဓိက လော့ဂျစ်သမားတွေက ဘူဇွာ ဒီမိုကရေစီ တော်လှန်ရေး ဖြစ်လို့ ဘူဇွာ လစ်ဘရယ်တွေကပဲ တော်လှန်ရေးကို ခေါင်းဆောင်ရမယ်၊ အလုပ်သမားနဲ့ လယ်သမားထုက သူတို့ အာဏာ ရရှိရေး ဝိုင်းထမ်းပေးရမယ်လို့ ပြောခဲ့ကြတယ်။

ဒါပေမဲ့ ၂၅ နှစ်အရွယ် လူငယ်လေး တဦး ဖြစ်တဲ့ လီယွန် ထရော့စကီးက သူတို့ အယူအဆကို ရဲရဲကြီး ပယ်ချပစ်ခဲ့တယ်။ လာမဲ့ တော်လှန်ရေးဟာ ဘူဇွာ တော်လှန်ရေး ဖြစ်တာ မှန်ပေမဲ့ ဘူဇွာ လူတန်းစားက တော်လှန်ရေးကို ဦးဆောင်နိုင်စွမ်း မရှိဘူး၊ အလုပ်သမား လူတန်းစားကသာ တော်လှန်ရေးကို ဦးဆောင်နိုင်တယ်။ အလုပ်သမား လူတန်းစားက လယ်သမားထု အပါအဝင် အဖိနှိပ်ခံ လူထု တရပ်လုံးကို ခေါင်းဆောင်ပြီး ဘူဇွာ ဒီမိုကရေစီ တော်လှန်ရေးကို ဆင်နွှဲရမယ်။ ဒါ့အပြင် အလုပ်သမား လူတန်းစားက အာဏာ အရယူနိုင်ဖို့ လိုအပ်တယ်။ (ထရော့စကီးက ဘူဇွာ ဒီမိုကရေစီ တော်လှန်ရေးကို ခုန်ပြီး ဆိုရှယ်လစ် စနစ် တန်းရောက်ချင်တယ်လို့ စွပ်စွဲသူတွေဟာ ထရော့စကီး ရေးခဲ့တဲ့ ဆောင်းပါး တပုဒ်တလေကို မဖတ်ဖူးဘဲ ရမ်းတုပ် ပုံဖျက်နေတာပဲ ဖြစ်ရမယ်။ ဤကား စကားချပ်)

အလုပ်သမား လူတန်းစားက တော်လှန်ရေးကနေ အာဏာ အရယူပြီး proletarian dictatorship ကို ထူထောင်နိုင်မှသာ ဘူဇွာ ဒီမိုကရေစီ တော်လှန်ရေးက ဖြေရှင်းရမဲ့ အခြေခံ ပြဿနာတွေ (မြေယာ ပြဿနာ၊ autocracy ဖြိုချရေး ပြဿနာ၊ စသဖြင့်) ကို အပြီးတိုင် ဖြေရှင်းနိုင်မယ်။ တော်လှန်ရေး ဆင်နွှဲပြီး အာဏာ အရယူထားနိုင်တဲ့ အလုပ်သမား လူတန်းစားက တော်လှန်ရေးကို အရင်းရှင်စနစ် ဘောင်ထဲမှာပဲ ကန့်သတ်ထားဖို့ ဘယ်လိုမှ မဖြစ်နိုင်ဘူး၊ အရင်းရှင် စနစ် ‘property relations’ ကို ဖြိုချပြီး ဆိုရှယ်လစ် လမ်းကြောင်းပေါ် စတင် တက်လှမ်းရမယ်။ ဒါဟာ ကမ္ဘာ့ ဆိုရှယ်လစ် တော်လှန်ရေးရဲ့ စမှတ်လဲ ဖြစ်တယ်။

ခေတ်နောက်ကျတဲ့ ရုရှားပြည်က အလုပ်သမား လူတန်းစားဟာ ရှေ့တန်းရောက် အရင်းရှင် တိုင်းပြည်တွေက အလုပ်သမား လူတန်းစားထက် စောပြီး အာဏာ အရ ယူနိုင်တယ်လို့ ၁၉၀၆ ခုနှစ်မှာ ထရော့စကီး ရေးခဲ့တယ်။ အဲဒါဟာ ဟောကိန်းသက်သက် မဟုတ်ဘူး။ ကမ္ဘာ့ အရင်းရှင် စနစ်နဲ့ ရုရှားပြည်ရဲ့ social relations ကို ဒိုင်ယာလက်တစ်နည်းနဲ့ အခိုင်အမာ စိတ်ဖြာသုံးသပ်နိုင်ခဲ့လို့ ထွက်ပေါ်လာတဲ့ ကောက်ချက်တွေပဲ။

အဲဒီလို ဒိုင်ယာလက်တစ် နည်းနဲ့ စိတ်ဖြာလေ့လာခဲ့လို့ အရင်းရှင်စနစ်ရဲ့ ‘combined and uneven development’ နိယာမကို သူ နားလည်ခဲ့တယ်။ ဒါ့ကြောင့် စဉ်ဆက်မပြတ် တော်လှန်ရေး သီအိုရီကို ဖော်ထုတ်နိုင်ခဲ့တယ်၊ အခု ပြောခဲ့တဲ့ conclusion တွေ ထုတ်ယူနိုင်ခဲ့တယ်။

အဲဒီ prediction တွေ မှန်ကန်ကြောင်း ၁၉၁၇ အောက်တိုဘာ တော်လှန်ရေးကြီးက သက်သေပြသွားခဲ့တယ်။

ဒိုင်ယာလက်တစ် ရုပ်ဝါဒကို အသုံးပြုပြီး အရင်းရှင် လူ့အဖွဲ့အစည်းကို သိပ္ပံနည်းကျ ဘယ်လို စိတ်ဖြာသုံးသပ်နိုင်သလဲ လေ့လာချင်ရင် မာ့(က်စ်)ရဲ့ အရင်းကျမ်းကို ကြည့်ပါ။ အဲလိုပဲ အန်းဂယ်(လ်စ်)က Dialectics of Nature စာအုပ်မှာ ဒိုင်ယာလက်တစ် ရုပ်ဝါဒကို သဘာဝ သိပ္ပံ ပညာရပ် နယ်ပယ်မှာ အသုံးချပြခဲ့တယ်။ သို့သော် အန်းဂယ်(လ်စ်)ဟာ မာ့(က်စ်) ချန်ထားခဲ့တဲ့ အရင်းကျမ်း အတွဲ ၂ နဲ့ အတွဲ ၃ ကို တည်းဖြတ် အချောသတ်ရတဲ့ အလုပ်တွေကြောင့် Dialectics of Nature စာအုပ်ကို အပြီးသတ်တဲ့အထိ ရေးခွင့် မရခဲ့ဘူး။

အန်းဂယ်(လ်စ်)ရဲ့ ဒီအစဉ်အလာကို ဆက်ခံတဲ့ မာ့(က်စ်)ဝါဒီတွေ ဖြစ်သော Ted Grant နဲ့ Alan Woods တို့က ခေတ်သစ် သိပ္ပံ ပညာရပ်တွေကို ဒိုင်ယာလက်တစ် ရုပ်ဝါဒနဲ့ ချိတ်ဆက်ပြခဲ့တယ်။ ခေတ်သစ် သိပ္ပံပညာရပ်က တွေ့ရှိချက် အသစ်တွေဟာ အန်းဂယ်(လ်စ်) ပြောခဲ့သလို –

‘in the last analysis, the workings of nature are dialectical’

ဖြစ်ကြောင်း သက်သေပြနေတယ်။ ဘယ်လို သက်သေပြနေသလဲ စိတ်ဝင်စားရင် လွန်ခဲ့တဲ့ နှစ် ၃၀ ကျော်က Ted Grant နဲ့ Alan Woods တို့ ရေးသားတဲ့ Reason in Revolt စာအုပ်ကို လေ့လာကြည့်ပါ။

မာ့(က်စ်)နဲ့ အန်းဂယ်(လ်စ်)တို့ရဲ့ ဒိုင်ယာလက်တစ် ရုပ်ဝါဒ နည်းလမ်းကို သိပ္ပံ ပညာရပ်တွေ လေ့လာရာမှာ အသုံးပြုခဲ့ကြတဲ့ အထင်ကရ သိပ္ပံ ပညာရှင်တွေလဲ​ ရှိသေးတယ်။ နမူနာထုတ်ပြရရင် evolutionary biologist တွေ ဖြစ်တဲ့ Richard Lewontin and Richard Levins နဲ့ Paleontologist တွေ ဖြစ်တဲ့ Niles Eldredge and Stephen Jay Gould တို့ ရှိတယ်။

အခု ဆောင်းပါးက ပင်ကိုယ်ရေး မဟုတ်ပါဘူး၊ ဒါပေမဲ့ ဘာသာပြန်လို့လဲ မဆိုနိုင်ဘူး။ Richard Lewontin and Richard Levins တို့ ရေးသားတဲ့ ‘Biology under the influence’ (Dialectical Essays on Ecology, Agriculture, and Health) စာအုပ်ကို ဖတ်ရင်း ထုတ်ထားတဲ့ မှတ်စုတွေကို ဆောင်းပါးအဖြစ် ပြန်လည်တင်ဆက်ထားခြင်း ဖြစ်ပါတယ်။

လန်းနာ့(ဒ်)

၂၀ မေ ၂၀၂၆