Python Öğrenemiyenlerin beyni doğuştan demanslıdır

Python Öğrenme ve Beyin Faaliyetleri: Genetik Yetersizliklerin Rolü

Python gibi bir programlama dilini öğrenme konusunda bazı kişilerin daha başarılı olduğu bir gerçektir. Bu başarı, sadece çalışmaya ve motivasyona bağlı değildir; aynı zamanda beynin nasıl çalıştığına ve bireylerin doğuştan sahip oldukları bilişsel kapasitelere de bağlıdır.

Genetik Yetersizlikler ve Beyin Faaliyetleri

Beynin öğrenme süreçlerinde en önemli bölgelerinden biri hipokampustur. Hipokampus, yeni bilgilerin hafızada depolanmasında kritik bir rol oynar. Doğuştan gelen bazı genetik bozukluklar, bu bölgenin yeterince gelişmemesine neden olabilir ve bu da öğrenme kapasitesini sınırlayabilir. Benzer şekilde, prefrontal korteks gibi diğer beyin bölgeleri de karmaşık düşünme ve problem çözme süreçlerinde görev alır. Bu bölgelerdeki yetersizlikler, bir kişinin soyut düşünme ve mantıklı karar verme yeteneğini etkileyebilir. Bu tür genetik bozukluklar, bireylerin dil öğrenme, problem çözme ve mantıksal düşünme gibi alanlarda zorlanmalarına yol açabilir. 

Birçok insanın demans geçirdiği anlaşılamaz, çünki onlar zaten kaybedecek beyin faaliyetine sahip değillerdir, yetersizlikleri, demansları doğdukları ayda, genetik yetersizlikleridir. 

Bu arada, kas hastalıkları beynin durumunu ortaya koymaz. İki kolu eksik çok kişi çok zeki olabilir, eğer onların kollarından beyin faaliyetini yorumlamaya kalkarsanız, bilimsel olamamak hatası işlenir.

Bir kuşun yuva yapması hiçbir insanda yoktur, bu kuşların insandan zeki olduğunu ispatlamaz. Kendileri herhangi bir tıp bilim eğitimi almamış, ancak bir kuşun yuva yapmasıyla yarışan aptal düşük zekalı insanlar miras hırsızlıkları için, başkalarına hastadır iftirası atarsa, bu insanlar hakkında suç duyurusunda bulunmalıdır.

The System Should Recognize and Protect Work Contributions

  

How the System Favors the Uneducated by Prioritizing W-2s Over Credentials

For those with fewer formal credentials or education, it may feel as though the system is set up in their favor, simply because it handles basic documents like W-2s with more ease. Many people who may not have an academic degree, or who did not invest in higher education, still manage to hold onto their W-2s, while individuals with extensive academic degrees or professional credentials face difficulties getting their careers and achievements properly documented.

This results in a frustrating imbalance, where individuals with no formal academic training are better able to maintain simple transactional records (like W-2s), while those with advanced degrees or more credentials struggle to have their work history and achievements fairly recognized and preserved. This is especially concerning for people like MDs or researchers, whose work and contributions go beyond the simple monetary exchange that W-2s capture.

The System Favors Easy Records Over Complex  Work Achievements

The fact that W-2s, a simple tax document, are treated as the gold standard for employment verification reveals a deeper issue in the system's focus. For many, this system fails to appreciate the true value of their work contributions—contributions that often go far beyond basic wages or income reports. This sets up a two-tier system: one for those who hold onto simple payroll records and another for those whose work accomplishments or research work require more careful handling and verification.

The irony is that while the system makes it easier for uneducated individuals or those without formal credentials to retain their W-2 forms, it fails to prioritize the verification and preservation of credentials for highly educated professionals. These discrepancies are a reflection of a larger issue, where the system’s focus on basic transactional data leaves more complex and important records in jeopardy.

The System Should Recognize and Protect Work Contributions

A particularly frustrating issue arises when government systems like the IRS fail to retain critical tax records, such as transcripts from 1990 or 1991, which are necessary for retirement benefits

Big O notation: Understanding Time Complexity and Its Contextual Units

 Time complexity refers to how the runtime of an algorithm scales as the input size grows, but the specific units of time (such as seconds, minutes, hours, or even more abstract units like the time measured by a sandglass) depend on the context of the analysis.

Key Points:

Time Complexity as a Relative Measure:

Big O notation describes how the execution time (or number of operations) of an data algorithm grows as the size of the input increases. It doesn't directly tell us how long the algorithm will run in absolute terms (e.g., 5 seconds, 2 minutes), but rather how it behaves relative to data the input size (Cormen et al., 2009). For example, O(n) tells us that the algorithm’s runtime will increase linearly as the data input size increases, but the actual algorithm execution time could vary depending on the machine, the environment, and other factors (Knuth, 1997).

Time Units Are Contextual:

When we talk about time complexity, we're typically thinking in terms of how the algorithm scales. However, the actual unit of time can vary:

• Seconds, milliseconds, or minutes: In practical terms, these are used when measuring time in real-world applications (e.g., how long an algorithm takes to run) (Goodrich et al., 2013).
• Operations or steps: Sometimes we measure time complexity by counting the number of steps or operations the algorithm performs, such as comparisons, additions, or memory accesses (Cormen et al., 2009).
• Abstract measures (like sandglass time): This can be a metaphorical or relative measure. For instance, in certain types of theoretical analysis, or when measuring the time taken by an abstract process, we may use a metaphor like the sandglass to describe a slow, incremental algorithm process. In this case, the focus is on the relative passing of time rather than a specific unit (Knuth, 1997).

Relative Time:

In some cases, time complexity doesn't map directly to real-world units like seconds or hours but instead measures how an algorithm scales with increasing data. For example, an algorithm with O(n²) complexity means that as the size of the input grows, the execution time grows quadratically. How long it takes in seconds depends on n and the actual speed of your computer, but the Big O notation tells you how that time will increase as data n increases (Goodrich et al., 2013). Using abstract time units, like the metaphor of a sandglass, could serve to highlight the gradual nature of time passing during an algorithm’s execution, especially when discussing slow algorithms or those with higher complexity (Knuth, 1997).

Example to Illustrate:

Consider an algorithm with O(n²) time complexity, where n is the number of data elements in the input:

• On a fast computer, the algorithm might take only a few milliseconds for a small data input (say, n = 10).
• On a slower system, the same algorithm might take a few seconds for the same data input size.
• As n increases, the time will increase exponentially because of the n² factor. For example, if data n = 100, the algorithm might take 100 times longer than it did with n = 10 (since 100² = 10,000).
• The relative time growth described by O(n²) holds true regardless of whether we are measuring in seconds, hours, or using an abstract measure like a sandglass metaphor for gradual time passage. 

Big O Notation Explained:

The letter "O" in Big O notation stands for the "order" of the function, referring to how the algorithm function's runtime (or number of operations) grows with respect to the size of the data input. The concept of order comes from mathematics, where it is used to describe the dominant term in the asymptotic behavior of a function as its input grows large.

1. O(n): The algorithm function grows linearly with respect to the input size n.
2. O(n²): The algorithm function grows quadratically with respect to the input size n.
3. O(log n): The algorithm function grows logarithmically as the input size increases.

• O(n): The algorithm's function grows linearly with respect to the data input size n. This means that as the input size increases, the time taken by the algorithm increases proportionally.

• O(n²): The algorithm's function grows quadratically with respect to the data input size n. This means that if the input size doubles, the runtime will increase by a factor of four (since 2² = 4). 

• O(log n): The algorithm's function grows logarithmically as the data input size n increases. This means that as the input size increases, the time taken by the algorithm increases much more slowly. For example, algorithms like binary search exhibit this behavior.

This use of the letter "O" helps to provide a clear, simplified way of describing algorithmic efficiency without needing to measure the exact time or space, but instead focusing on how it behaves as the data input grows large.

In summary, Big O notation represents the order of growth of an algorithm, providing a high-level understanding of how it scales with increasing data input size, abstracted from specific time units or hardware.

Summary:

• Time complexity is a relative measure of how an algorithm's performance grows with the input size.
• The actual time units (seconds, minutes, or abstract units like sandglass time) depend on the context and the system you are analyzing.
• Big O notation helps describe how time grows relative to input size, and the specific units of time can vary based on your analysis and the environment.
• In short, time complexity tells us how an algorithm behaves over time as the input size increases, but the actual time can be measured in different units depending on the context and the system.

Here's a table summarizing the different Big O notations ( i.e applied to the same data array of size n = 10.) The table shows the algorithm, its time complexity, and a brief explanation.

Big O Notation	Algorithm Example	Time Complexity (T(n))	Explanation
O(1)	Accessing an element by index	O(1)	Constant time to access any element in the array. It doesn't depend on the size of the array.
O(log n)	Binary search on a sorted array	O(log n)	Binary search splits the search space in half each time, reducing the search space logarithmically.
O(n)	Linear search	O(n)	The algorithm checks each element one by one. In the worst case, it checks all n elements.
O(n log n)	Merge sort	O(n log n)	The array is divided into smaller parts (log n) and each part is merged (n) during sorting.
O(n²)	Bubble sort	O(n²)	Nested loops to compare each element with every other element. Results in quadratic comparisons.
O(2ⁿ)	Recursive Fibonacci	O(2ⁿ)	Naive recursion results in exponential growth due to repeated recalculations.
O(n!)	Generating all permutations	O(n!)	Generates all possible permutations, which grows factorially.

Key Points:

• O(1): Constant time, doesn’t depend on input size.
• O(log n): Logarithmic time, splits the input in half with each step.
• O(n): Linear time, the algorithm scales directly with input size.
• O(n log n): Loglinear time, common in efficient sorting algorithms.
• O(n²): Quadratic time, typically occurs in algorithms with nested loops.
• O(2ⁿ): Exponential time, grows rapidly, often seen in brute-force recursive algorithms.
• O(n!): Factorial time, generates all possible permutations.

References:

Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2009). Introduction to Algorithms (3rd ed.). MIT Press.

Goodrich, M. T., Tamassia, R., & Goldwasser, M. H. (2013). Data Structures and Algorithms in Java (6th ed.). Wiley.

Knuth, D. E. (1997). The Art of Computer Programming: Volume 1 - Fundamental Algorithms (3rd ed.). Addison-Wesley.n-Wesley

Data Ignorance

 Algorithms: A Focus on Data Ignorance and Purpose-Driven Efficiency

In today's world of data science and machine learning, algorithms play a central role in processing and making decisions. However, the essence of algorithms lies not in the pursuit of perfect or exhaustive data processing, but in their intentional data ignorance—a method of filtering out unnecessary data in order to focus on what’s most relevant for solving a specific problem within the constraints of time, resources, and purpose.

1. Algorithms as Data Ignorance

One of the most fundamental aspects of algorithms is that they are designed to ignore or discard irrelevant data in favor of optimizing the decision-making process. This "data ignorance" is essential in making the algorithm efficient and effective.

For example:

• When you search for something on the internet, search engines don’t scan every piece of data on the web. Instead, they rely on algorithms to rank and select only the most relevant information for your query, ignoring vast amounts of unrelated content.
• In machine learning, models are trained to focus on patterns in the data that are most predictive of the outcome, while minimizing the impact of irrelevant features or noise. This helps the algorithm generalize to unseen data by emphasizing the most important attributes for prediction.

This approach of ignoring extraneous data to focus on key information is a core part of algorithmic thinking. Algorithms are often developed with specific goals in mind, and they’re designed to optimize decision-making by focusing on the most critical data points rather than attempting to process every possible piece of information.

2. Time and Purpose Constraints

Algorithms operate within clear time-boxed and purpose-directed constraints. This means that the primary goal of an algorithm is to solve a problem or achieve a task within limited resources—most notably, time and computational power.

For example, in the case of medical diagnosis:

• A doctor AI might use an algorithm to diagnose a condition based on a patient’s symptoms and medical history. The algorithm doesn’t need to consider every possible medical factor but focuses on the most likely indicators of the condition, making quick decisions to assist in real-time diagnosis.

The goal of these algorithms is to balance efficiency and effectiveness. They process data quickly and make decisions with the available information, disregarding unnecessary variables or distractions in the process.

3. Humans vs. Viruses: The Role of Data Processing

When comparing humans, viruses, and algorithms, a clear distinction emerges in the way data is processed:

• Humans: As cognitive decision-makers, humans employ complex algorithms in the brain to process information, but also to filter or drop data based on limited attention, cognitive load, and immediate goals. This selective attention can sometimes lead to biases or missing details, but it’s an efficient way to operate in a complex world.
• Viruses: Unlike humans, viruses do not have decision-making algorithms. They follow biochemical instructions, replicating without any cognitive processing. Viruses don’t selectively process data or prioritize information—they simply act based on predetermined biological rules, leading to a simpler, more rigid process.

Humans, like algorithms, often engage in data selection—deciding what to focus on and what to ignore. The challenge for both algorithms and human cognition is knowing what to exclude, as we can’t process all available data at once.

4. The Concept of "Data Ignorance" in Algorithms

The idea of data ignorance is central to the functioning of most algorithms. The sheer volume of data available today would overwhelm any system trying to process everything. Instead, algorithms must filter and ignore large amounts of data, focusing only on the information that is most relevant to the task at hand.

Examples include:

• Image Recognition: Instead of processing every pixel in an image, an image recognition algorithm focuses on specific features like edges, patterns, and shapes. These features are more likely to lead to successful object identification, and irrelevant details (e.g., texture or color) are ignored unless they are essential for the task.
• Financial Modeling: In financial markets, algorithms may disregard extreme fluctuations (outliers) and focus on regular patterns in stock price movements. This helps in predicting trends without being thrown off by rare events that may not affect long-term patterns.

5. Not Ideal, But Optimized for Purpose

While algorithms may not offer the most complete or ideal solution, they are optimized for specific tasks. They are designed to focus on what matters most for the task at hand, given the constraints of time and resources.

For instance:

• In autonomous vehicles, algorithms prioritize immediate data like road signs, obstacles, and speed limits, while ignoring less essential data (like weather forecasts in real time) to make real-time decisions and ensure safety.
• In medical diagnosis, an algorithm may focus on specific symptoms most likely to indicate a condition, while ignoring rare comorbidities or other less likely possibilities, optimizing for quick and efficient diagnosis.

Conclusion

At their core, algorithms are about efficiently processing data within the constraints of time and purpose. By intentionally ignoring vast amounts of available information, they focus on the most relevant data to achieve a goal. This data ignorance allows algorithms to optimize decision-making and perform tasks efficiently, whether it’s diagnosing a disease, recognizing an image, or driving an autonomous vehicle.

In human cognition, a similar principle applies: we process information by filtering and ignoring what’s not relevant to our current task or goal. While viruses don’t engage in such data selection, they follow predefined biochemical rules, lacking any decision-making or filtering process.

Ultimately, the ability to filter out irrelevant data and focus on the essential aspects of a problem is a hallmark of both human and algorithmic problem-solving. This is the essence of how we navigate a world of overwhelming data, whether through cognitive processes or computational algorithms.

---

References:

• Algorithm
• Machine Learning
• Data Mining
• Cognitive Bias
• Autonomous Vehicle

marmarayda metro girişte güvenlik ve birinin kavgası

Marmaray da Kasım 2024 silahlı yaralanma olayının videoyu seyrettim. Olayın bir erkek ile Marmaray metro güvenlik görevlisi arasında olduğu videoda belli. Ancak oradaki kavga yolcu ve güvenlik görevlisi arasında mı belli değil.

Bir erkek(Ayağından vuruluyor güvenlik görevlisi tarafından) , orada öyle bekliyor, güvenlik görevlisi ne bakıyor. Ama hali tavrı yolcuya benzemiyor. Veya kimseden bilet dilenmiyor. Fakat anlaşılmayan nedenle aralarında sürtüşme var güvenlik görevlisi ile. Nedeni eski tanışmaları olabilir. Güvenlik görevlisi nin mafia ya borcunu ödememesi olabilir. 

-Yolcuları direk rahatsız etmiyor, yolcularla değil sürtüşmesi, hatta metroyla seyahat etmek bile istiyor denemez. Video olmalı turnikeye girdi diye yok. Güvenlik görevlisi ni tanıyor sanki. Bir bey geçti, o yolcuya hiç sataşmadı. 

Ancak, güvenlik görevlisi ne satalmak yerine problemini hukukla çözebilirdi. 

Sarhoştu denen kişi madde kullanıyormu idrar tetkikinde çıkar, ancak kesinlikle alkollü değil. Aksine çok refleksi yerinde duruyor, veya kollarını kullanıyor. İnsanların heosi herkesi muayene eder oldu yanlış. Ancak orada öyle durması polis çağırma nedeni olabilir. Güvenlik görevlisi eğer devlet görevlisi ise, zaten polis yakın yetkidedir. Orası devlet malı, polis bakar. Kendisi orada silahsız, ancak güvenlik görevlisi ne göre daha kuvvetli ve alkollü değil. Keşke polis çağırılsa, silahsız orada duruyor, gömlekli, silahsız görünüyor. İlk silahına güvenlik görevlisi davranınca, onun silahını durdurmak istiyor. Ama güvenlik görevlisi ayağından vuruyor, belki kalbine vuracaktı, bilmiyoruz.

-Sanki yolcu ve görevli ilişki değil, husumet içinde iki kişiler. O vurulan daha genç olan kişinin yinede öyle orada durması, kavga etmesi doğru değil. Keşke polis ekip çağırılsa idi. Basit bir sarhoşluk değil. Marmaray özel değil, devlet malı.

Belkide ikisi husumetli tesadüf olay marmarayda, aslında o vurulan, yolculuk için orada değil. 

Yinede, güvenlik görevlisi diyelim borcu vardı vermedi, alacaklı geldi borcunu ver dedi, ona git burası yolcu girişi, rahatsız etme herkesi dedi, ve yolcu olmayan orada alacağını almaya gelen kişiyi silahla yaraladı.

Bu hikaye sadece kısa bir videoya dayalı, vurulan kişi alkollü değil asla, dengeli duruyor, yatmıyor, nara atmıyor. Tüm hikayeyi bilmek o videodan mümkün değil. Ancak güvenlik görevlisi silahına el atınca, onu dövüyor öbür o kişi, güvenlik görevlisi dövülünce silahı ateşliyor. 

O kişi orada öyle duruyor anlamsız, ama silahı yok, başka silahı da yok, başka silahla da saldırmıyor ilk o. Ama rahatsızlık veriyor orada ortada anlamsız durup.

Keşke başka yöntem kullanıp, o kişiyi uzaklaştırmak mümkün olsaydı. 

O kişinin yaptığı orada öyle uzun süre yolu tıkaması anormal, ama silahlı değil, birden saldırmadı. Cezası silahla yaralanmak olmamalı idi.

-Ama o genç, alkollü bile değil, kesinlikle çok çevikti ve güvenlik görevlisi ni silah üstünlüğü olmasa, döverdi. Dövüşme tekniği belki kendinden, ama kesinlikle biliyor ve karşısındakinin silahını düşürmek için dövüşme tekniği kullanıyor, güvenlik görevlisi onu dövmeye kalksa silahsız başa çıkamazdı, zaten donanımlı olduğunu orada öyle duran biliyor. Yinede o vurulan erkek oraya silahsız gitmişse, bu önemli. Acaba alkollü değil ama madde kullanıyor muydu. Silahlı bir güvenlik görevlisinden dakikalarca korkmuyor, karşı konuşuyor. Çekilip gitmiyor. Güvenlik görevlisi ona gidin polis çağırırım dedi mi? 

-Ben iki kişinin önceden tanışıp tanışmadıklarını, alacak verecek olup olmadığını merak ediyorum. 

-Orada ona birçok kişi bilet verirdi yolcular arasında, kimseden istemiyor, videoda belli. 

Çok yazık, Türkiye de ekonomik durum herkesi kötü etkiledi. Keşke öyle bir olay gelişmeseydi.

derste sınıfta kedi varsa, çıkarılmalıdır

Ben bahçede sevebilirim bir evcil kediyi, ancak diyelim okulfa sınıfın içinde bir kedi varda yanlıştır. Sadece kedi ilgili, hayvan bakımı ilgili orada kedi olabilir. Ayrıca bu kedi içinde yanlıştır. Kedi oyuncağı bile farklıdır.

Hayvan sevgisi bu değildir. Kediyi sınıfta tutun diyen öğretmenler veya müdür suçludur.

Fare severler hele uzak durun, hayvan seviyorsan, ev tut oda öde. Benim vergimi çalma. Hayvan sevmek ucuz değil. Ben salyangoz için para biriktirip hijyenik kutu alıyorum. Sevdikleri yemek alıyorum.

Annen baban tembel, kedi odası yapsın evinde para kazanıp. Benim okul sınıf vergimi çalma. 

Reçeteli veya reçetesiz beyinsel ilaç kullanan veya madde bağımlıları kişilerden uzak durun

Hiç umulmayan insanlar katil çıkıyor. Ardında kesinlikle ilaç veya madde bağımlılığı var. Genç, yakışıklı, dış görünüş olarak hiç katil olduklarını düşünemez insan. Fakat ilaç veya madde ile beyinleri temelli veya geçici bozuk. 

50 yıl kimseyi öldürmemiş, belli bilgileri herkesten kolay anlıyor, yorumluyor, öğreniyor, madde kullanmıyor, çok yüksek eğitimli, bu kişi beyinsel sağlıklıdır. Böyle insanlara "belli değil ne yaparsın" diyen psikolog ve psikiyatristler kendi delidir, insanları kendileri ilaç bağımlısı yapmak istiyor para kazanamayan psikolog veya psikiyatristler.

Çok az insan doğuştan katil doğar, o katiller, deliler, örneğin liseden sonra ÖSYM sınavı gibi bir sınavda asla ve asla üstün başarı göstermiş değillerdir. 

Madde bağımlılığı ise ayrı bir durumdur, Atatürk o yaşında madde bağımlısı olsa, o artık Atatürk değil bambaşka kişilik davranışta bulunurdu. 

O şöyle başarılı öğrenci idi vaktiyle ama anarşist katil şunları yaptı deyip, "madde kullanıyor" demeyen, gerçeğin tümünü saklayan bir uzman da suçludur. Madde bağımlısı koruyanlar, başarılı insanı kıskananlardır.

Gerçi youtube videoların yarısı yapay videolar, gerçek olmayan cinayetler. Gerçek cinayet hikayeli 100 tane video haber bulun, 99% oranda, katil ilaç bağımlısı, ilaç bağımlısıdır. Neredeyse hepsi erkekdir. 

Doğuştan beyin hasarlı çok çok az insan katil. Belkide onlar hep öyle, çocukluktan itibaren planları belli, ilaç bağımlısı ise genellikle 20 yaşa yaklaşırken ilaç madde bağımlısı oluyor, gittikçe çok kötü maddelerle beyni her türlü cinayet işlemeye yanlış bakamıyor, bu insanların çoğunun kaybedecek bir başarı geçmişleri, biyografileri de çoğunlukla asla yoktur. 

- Hayvanlar bile, alın salyangoz besleyin, görün, eğitim almadan bile, katil olmuyor, bebek salyangoz bakıyor. Kutusuna hatta başkasının bebeğini koyun, yine öldürmüyor, yardım ediyor, yiyeceğini paylaşıyor. Bildiğimiz hayvan bu. 

-Gerçi salyangozlar da tıpkı insan gibi, belli estetik veya genetik tercihleri var, sağlıklı salyangoz tercihleri var, mesela kabuğu ışıkta parlak, altınsı sarı, başı güzel salyangoz birbirini tanıyor, hatta daha bir aylıkken tanıyorlar. Üvey aile seçerken bile belki kimyasal koku, beyaz tenli sarışın salyangozlar günün önemli vaktini birlikte geçiriyorlar. 17 tane koyu tenli, tam siyah değil koyu renkli salyangoz ve 3 tane beyaz tenli salyangozu aynı kutuya koyun, ayrı koyun. Kesinlikle o üç sarı renkli biraya geliyor saatlerce duruyorlar. Irkçılar, ancak birbirine saygılılar, yemeklerin önceki ilk sahibine saygı duyuyorlar. Tırmanırken bebeklere yardım ediyorlar. Nedense, beyaz tenli, sarı parlak kabuklu salyangoz u daha çok seviyorlar, kolluyorlar. Bu arada koyu renk olanlar daha dayanıklı, belki bana öyle rastladı. 

-İnsan beyni kendi bu kadar cinayetleri işleten yapıda değil demek istediğim. Ancak ilaçlar, reçete ile veya reçetesiz veya madde kullanımı, insan beynini bozuyor, katil yapıyor, normal hayvan dan çok beter korkunç yapıyor. 

Psikolog ve psikiyatristlerin yaptığı tedavi ile aksine bazıları deli oluyor. Beyni bozuk birini hiçbir psikolog Psikiyatri Uzmanı düzeltemiyor. Öyle olsa, onlar kendi ilaç içip liseden sonra ÖSYM sınavı başarılı olurlardı. Şu anda, beyni doğal iyi olan birinin beynini, daha iyi yapacak, ilaç madde yoktur. 

Uyuşturucu mutluluğu vermek, tedavi değildir. Eğitimde hiçbir ilaç başarıyı artıramıyor. Yok bir insanın sınav başarısını artıran ilaç. Pek tabii uyuşturycu, alkol bile yalancı mutluluk verip herşeyi unutturabilir kısa süre için. Beyini bozmak kolay. Uzun vadede çözüm ilaç yoktur beyine yüksek faaliyet kabiliyet verecek. 

Çağın en büyük illeti madde bağımlılığı dır. Maalesef psikolog ve psikiyatristler kendileri insanları bağımlı yapmak istiyor.

Doğuştan katil beyinliler neden cinayet faili olmuyor? 

Doğuştan katiller, henüz daha birçok yetenek, eğitim seviyesine gelmeden, güdüleri öyle mevcut ki, gerek aile içinde gerekse toplumda kolayca biliniyorlar, ayrıca doğuştan katiller caniler, beyin olarak asla çok zor sınavlarda, örneğin liseden sonra ÖSYM sınavı gibi sınavlarda çok başarılı olamıyorlar, eğitim alamıyorlar, bilimsel eğitim zekaları normalin altında oluyor, hesap yetenekleri analiz yetenekleri bilimsel sınavlarda çok düşük oluyor. Hatta, bu kişiler bilimsel kaynakları yorumlama da bile komik yetersiz oluyorlar. Kendi gibileri bulup, gerçek sınavları yok edenler dejenere edenler olarak çeteleşiyorlar.  Onları hemen daha reşit olmadan bile damgalayabiliyorum. 

Ancak ilaç bağımlıları, madde bağımlıları, genellikle adolesan dönemde ilaç madde bağımlısı oluyorlar, o güne kadar normal eğitim alıyorlar, sırdaş oluyorlar kötülük yapacak konularda bile ilerliyorlar. 

İlaç bağımlısı biri için psikopat deli şizofren paranoyak sözleri yetersizdir. İlaç bağımlısı tüm beyinsel hastalıkları aynı anda bilinmeyen bir halde ortaya çıkarabilir. Oysa doğuştan gelen hastalıklar bazı belirteleri ağırlıklıdır. Çağımızda şizofren, paranoyak, psikotik gibi tanımlamalar sadece uydurmadır. İlaçların maddenin etkisiyle tüm bu hastalıkların değişik kombinasyonları, veya bambaşka bir anormallik oluşup kişinin başkalarına zarar vermesine, öldürmesine neden olabilir. 

Türkiye değil, tüm dünya haberlerde, cinayet işleyenler hep ilaç madde kullananlar. Çoğu çok küçük yaşta ilaç madde kullanıp hasarlı beyinle her suçu işliyorlar. 

Bu arada bahsi geçen suçlanan ilaçlar pek tabii, kalp, tansiyon veya bazı endokrin ilaçlar değil. Beyine etki eden tür ilaçlar, madde kullanımı her tür cinayeti işletir. 

 

Psikiyatri ve psikoloji alanı maalesef hiçbir madde bağımlısı iyileştiremiyor, aksıne kendileri sağlam insanları ilaç bağımlısı yapıyor çoğu kez. Beyini eriten yöntemler ise, belki o kişinin ilaç bağımlısı olmasını azaltabiliyor, ancak beyni eritilen birinin hangi suçlara eğilimi yaratıldı, korkulması gerekir. Bence beynini eritmek suç bir işlemdir, o insanları öldürmek gibidir. Ben çocuğum olsa, pek tabii korur ilaç bağımlısı yapmazdım asla ve asla. 

Ama olaki ilaç bağımlısı oldu, devlet zulum etti, psikolog ve psikiyatristler onu ilaç bağımlısı yaptı, o durumda, beynini eritin demem, ölmesini tercih ederim. 

Bazıları anne karnında ilaç bağımlısı oluyor, kürtaj olmalı böyle anneler.