בתחום של data science, בבואנו לבנות מודל הבא לזהות/לנבא תופעה, לעתים נצטרך להחליט על התיוג המתאים (supervised learning). כלומר, אם ברצוני לאמן מודל שיזהה הונאות בכרטיסי אשראי, אצטרך ״לאמן״ את המודל על מקרים בהם היו הונאות ומקרים בהם לא היו הונאות, כך המודל ילמד כיצד נראות התופעות השונות ויוכל להפריד ביניהן. לשם כך, אצטרך לקחת אירועי עבר ולתייג אותם - בעצם להגיד, פה היו הונאות ופה לא היו הונאות. לעתים התיוג הוא ברור, ולעתים הוא מסובך יותר. לדוגמה, אם ארצה לאמן מודל לזהות אנשים בעלי כושר גופני - אוכל לחשוב על אפשרויות שונות לתיוג: אחוזי שומן, מספר שעות פעילות גופנית ביום או אולי פשוט האם מתאמן (כן/לא). בחירה בכל אחד מהתיוגים הללו תיצור מודל קצת שונה, שנעזר בפריטי מידע שונים על מנת להגיע לניבוי.
ואיך זה קשור להצלחה בחיים? בבואנו ״לאמן״ את המודל הפנימי שלו, זה שיעזור לנו להחליט כיצד כדאי לנו לנהוג, אפשר לדמיין שאנחנו משתמשים באיזשהו תיוג שיעזור לנו להמשיג מהי הצלחה מבחינתנו. באופן פשטני, אנחנו יכולים לדמיין שיש אנשים שמאמנים את המודל הפנימי שלהם לפי המשכורת שהם מרוויחים, ויש כאלו לפי כמות הילדים שהם הביאו לעולם. הבחירה שלנו בתיוג מסויים מכווננת את המודל הפנימי שלנו לשים לב לדברים מסוימים יותר ולאחרים פחות. לדוגמה: אם אני מאמנת את המודל הפנימי שלי כך שהצלחה = טייטל בכיר, אני אתייג אירועים בחיי לפי כאלו שהובילו אותי לטייטל בכיר (ואנסה לפעול באופן דומה לכך בעתיד) וכאלו שלא (ואנסה לפעול ההפך מכך בעתיד).
אז באיזה תיוג הכי כדאי לבחור? מן הסתם, אין תשובה אחת שמתאימה לכולם. אבל בעולם הפסיכולוגיה יש נטייה להאמין במורכבות ובאיזון. כלומר, אפשר לשער שכדי שהמודל לא ייצא מוטה מדי, על התיוג להיות מורכב מכמה אספקטים שנמצאים באיזון שמתאים לאדם הספציפי.