Pratiques de coaching pour quand représentativité heuristique petit sample skepticism
Décrivez presque n'importe quoi sur lequel vous travaillez et IX Coach trouve les pratiques dont l'adéquation avec la réalité est la plus proche. Pour quand représentativité heuristique petit sample skepticism, voici les correspondances les plus solides dans la bibliothèque de pratiques actuelle.
Pratiques qui peuvent aider
- Traiter les petits échantillons avec un scepticisme explicite
Une courte séquence peut sembler représentative sans être statistiquement fiable — ajustez la confiance selon la taille de l'échantillon.
L'heuristique de représentativité — juger par ressemblance - Reconnaître que les séquences aléatoires ne « doivent » pas d'équilibre
Les processus aléatoires n'ont pas de mémoire — une série de piles ne rend pas face plus probable.
L'heuristique de représentativité — juger par ressemblance - S'attendre à ce que les résultats extrêmes régressent vers la moyenne
Une performance inhabituellement bonne ou mauvaise prédit une performance plus moyenne la prochaine fois — tenez-en compte avant de louer ou blâmer.
L'heuristique de représentativité — juger par ressemblance - Remarquer quelles données vous avez sélectionnées — et lesquelles vous avez ignorées
Vos conclusions reposent sur un échantillon des données disponibles — demandez-vous ce que cet échantillon a exclu.
L'échelle d'inférence - Appliquer la même exigence de preuve, que la conclusion vous plaise ou non
Évaluez la preuve avant de savoir quelle conclusion elle soutient.
Le Raisonnement motivé - Chercher délibérément le cygne noir
Cherchez l'unique exemple qui renverserait votre généralisation.
La pensée par falsification - Tester les conclusions avant d'agir
Traitez votre conclusion comme une hypothèse et trouvez une preuve qui la confirmerait ou l'infirmerait.
L'échelle d'inférence - Énoncez votre probabilité préalable avant de voir la preuve
Avant de regarder toute donnée, engagez-vous sur une estimation numérique de la probabilité de quelque chose.
La pensée bayésienne : comment mettre à jour ses croyances rationnellement - Demander le taux d'échec avant de célébrer le taux de réussite
Avant de tirer des leçons de toute histoire à succès, demandez : sur combien de tentatives cela a-t-il réussi ?
Le biais du survivant : apprendre de ce qu'on ne voit pas - Évaluez la preuve par son rapport de vraisemblance, pas par ce qu'elle vous fait ressentir
Demandez-vous à quel point cette preuve serait plus probable si vous avez raison plutôt que si vous avez tort.
La pensée bayésienne : comment mettre à jour ses croyances rationnellement
Préoccupations connexes
- éviter representativeness
L'heuristique de représentativité, identifiée par Daniel Kahneman et Amos Tversky, est le raccourci mental consistant à juger la probabilité de quelque chose selon sa ressemblance avec un prototype ou un stéréotype — substituant la question facile « à quel point ceci est-il similaire ? » à la question difficile « à quelle fréquence cela se produit-il réellement ? ». Elle est rapide et souvent utile, car la ressemblance et la fréquence corrèlent réellement la plupart du temps. Mais elle s'égare de façons reconnaissables : elle prime sur les taux de base (deviner qu'un inconnu discret et studieux est bibliothécaire plutôt que commercial, alors que les commerciaux sont bien plus nombreux que les bibliothécaires) ; elle produit le sophisme de conjonction, où une description détaillée et narrative est jugée plus probable que la catégorie plus large qui la contient ; elle traite les petits échantillons comme s'ils portaient la fiabilité des grands ; et elle fait paraître les séquences aléatoires non aléatoires, ce qui est le moteur du sophisme du joueur. La correction n'est pas de se méfier de l'intuition dans son ensemble mais de remarquer la substitution au moment où elle se produit et de demander délibérément le taux de base.
L'heuristique de représentativité — juger par ressemblance
- bayesian preuves force
Demandez-vous à quel point cette preuve serait plus probable si vous avez raison plutôt que si vous avez tort.
Évaluez la preuve par son rapport de vraisemblance, pas par ce qu'elle vous fait ressentir
- hot main fallacy
Les processus aléatoires n'ont pas de mémoire — une série de piles ne rend pas face plus probable.
Reconnaître que les séquences aléatoires ne « doivent » pas d'équilibre
- inference vs observation
L'échelle d'inférence de Chris Argyris décrit le trajet mental rapide et largement invisible qui va des données observables brutes à une croyance fermement ancrée puis à l'action — sélectionner des données, les interpréter, formuler des hypothèses, tirer des conclusions et agir, souvent en quelques secondes. La pratique consiste à ralentir cette montée et à vérifier chaque échelon, surtout dans les situations à fort enjeu où les conclusions semblent certaines mais reposent parfois sur des sélections et des hypothèses fragiles.
L'échelle d'inférence
- law de petit numbers
Une courte séquence peut sembler représentative sans être statistiquement fiable — ajustez la confiance selon la taille de l'échantillon.
Traiter les petits échantillons avec un scepticisme explicite
- counterexample poids
Un seul contre-exemple solide l'emporte sur de nombreux exemples confirmatoires pour une affirmation universelle.
Peser les preuves réfutatrices plus lourdement que les preuves confirmatoires
Décrivez votre situation avec vos propres mots pour rechercher dans la bibliothèque complète de pratiques.