Pratiquez la calibration en suivant vos prédictions de confiance
Vos croyances à « 80 % de confiance » devraient se réaliser environ 80 % du temps — vérifiez que c'est le cas.
Why it works
La calibration est la correspondance entre la confiance affichée et l'exactitude réelle. La plupart des gens sont surconfiants : ils attribuent des probabilités élevées à des croyances qui sont vraies bien moins souvent qu'affirmé. La pratique délibérée de calibration — prédire, puis suivre les résultats — a montré qu'elle améliore significativement l'exactitude des estimations de confiance dans le temps, car elle fournit la boucle de rétroaction que l'intuition manque normalement.
How to do it
- Chaque semaine, écrivez cinq à dix prédictions avec des niveaux de confiance explicites (par ex. « 75 % confiant que le projet sera livré à temps »).
- Une fois le résultat connu, enregistrez si vous aviez raison ou tort.
- Chaque mois, calculez votre calibration pour chaque tranche de confiance : quelle fraction de vos prédictions à 70 % s'est réalisée ?
- Ajustez vos niveaux de confiance selon le motif — si vos 80 % se réalisent 60 % du temps, vous êtes surconfiant.
Données probantes
L'entraînement à la calibration est l'une des rares interventions documentées qui améliorent de manière fiable l'exactitude des prédictions probabilistes. Les travaux de Phil Tetlock et de ses collègues sur les superprévisionnistes ont montré que la pratique explicite de calibration comptait parmi les traits distinctifs des prévisionnistes les plus précis. Lichtenstein et Fischhoff ont démontré directement le lien causal — un bref régime d'entraînement avec rétroaction sur les résultats a mesurablement amélioré la calibration, établissant que c'est la boucle de rétroaction, pas une compétence innée, qui comble l'écart confiance-exactitude. (observational)
La recherche sur les superprévisionnistes se concentre sur les prédictions géopolitiques et macroéconomiques ; la généralisation aux décisions personnelles et professionnelles est plausible mais moins directement étudiée.
Sources
- Tetlock & Gardner (2015), Superforecasting, Crown Publishers
- Lichtenstein, S., & Fischhoff, B. (1980). Training for calibration. Organizational Behavior and Human Performance, 26(2), 149-171.
- Mellers, B., Ungar, L., Baron, J., Ramos, J., Gurcay, B., Fincher, K., Scott, S. E., Moore, D., Atanasov, P., Swift, S. A., Murray, T., Stone, E., & Tetlock, P. E. (2014). Psychological strategies for winning a geopolitical forecasting tournament. Psychological Science, 25(5), 1106-1115.
Erreur fréquente
Utiliser un langage vague (« probablement », « vraisemblablement ») au lieu de chiffres, rendant impossible toute vérification de l'amélioration de votre calibration.
Pratiquez cela avec IX Coach
More practices for La pensée bayésienne : comment mettre à jour ses croyances rationnellement
- 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.
- Mettez à jour vos croyances progressivement, pas d'un coup
Une nouvelle preuve devrait déplacer votre probabilité quelque peu — rarement de 5 % à 95 % en une étape.
- 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.
- Cherchez activement une preuve qui infirmerait votre croyance
Demandez-vous : « Qu'est-ce qui me ferait changer d'avis ? » puis cherchez exactement cela.
- Utilisez des classes de référence pour ancrer les estimations personnelles dans des taux de base
Avant d'estimer comment votre situation va se dérouler, trouvez des situations passées similaires et vérifiez ce qui s'est passé.
- Traduisez vos croyances en paris pour révéler votre véritable confiance
Parieriez-vous 100 $ sur cette croyance à cote égale ? La réponse révèle souvent l'écart entre confiance affirmée et confiance réelle.
Concepts associés
- Système 1, Système 2, rendus utilisables
Two systems, the biases they create, and when to slow down
- Modèles mentaux : l'approche du treillis de Charlie Munger
Building the multi-disciplinary toolkit that lets you see what single-discipline thinkers miss
- Le biais de confirmation : voir ce que l'on s'attend à voir
The most pervasive cognitive bias and the practices that actually chip away at it
- La pensée en valeur attendue : décider dans l'incertitude
The math of rational choice under uncertainty, its real limits, and how to use it anyway