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.

Why it works

La mise à jour bayésienne est proportionnelle : une preuve forte produit de grandes mises à jour ; une preuve faible en produit de petites. La plupart des gens mettent à jour soit trop peu (ancrage), soit trop dramatiquement (représentativité : traiter un cas vivant unique comme décisif). La mise à jour proportionnelle — multiplier votre préalable par le rapport de vraisemblance que la preuve fournit — est ce que les mathématiques prescrivent réellement, et ce n'est presque jamais aussi important qu'un basculement tout-ou-rien.

How to do it

1. Quand une nouvelle preuve arrive, demandez-vous : « À quel point cette preuve serait-elle plus probable si ma croyance était vraie plutôt que fausse ? »
2. Utilisez ce ratio pour déplacer votre probabilité proportionnellement, pas pour la basculer.
3. Si la preuve est faible ou ambiguë, bougez un peu ; si elle est forte et surprenante, bougez davantage.
4. Suivez deux ou trois croyances importantes dans le temps et enregistrez chaque mise à jour — cela construit l'intuition de calibration.

Données probantes

Le biais de conservatisme — mettre à jour trop peu par rapport aux normes bayésiennes — est documenté dans de multiples études de jugement. Son contraire, la surréaction à un cas vivant unique, est tout aussi bien documenté. Les deux sont des écarts par rapport à la mise à jour proportionnelle. Les expériences incitées de Grether ont montré que la surréaction a un moteur spécifique — l'heuristique de représentativité déforme systématiquement la façon dont les gens pondèrent le terme de vraisemblance par rapport au préalable. (observational)

Les études expérimentales utilisent des problèmes de probabilité simples et contrôlés ; les croyances du monde réel impliquent davantage d'ambiguïté sur ce que la preuve établit réellement.

Sources

• Edwards (1968), conservatism in human information processing, in Formal Representation of Human Judgment
• Grether, D. M. (1980). Bayes rule as a descriptive model: The representativeness heuristic. The Quarterly Journal of Economics, 95(3), 537-557.

Erreur fréquente

Traiter toute preuve confirmante comme une preuve définitive et toute preuve infirmante comme une exception — ce qui est le biais de confirmation exprimé sous forme de mise à jour sélective.