Appliquez plusieurs modèles au même problème à la fois

Quand des modèles issus de domaines différents pointent vers la même réponse, la confiance augmente ; quand ils divergent, vous apprenez quelque chose d'important.

Why it works

Un modèle unique prédit bien les résultats dans son propre domaine, mais génère une fausse confiance quand il est appliqué en dehors. Exécuter plusieurs modèles structurellement différents sur le même problème crée un ensemble naturel : là où ils convergent, le signal est plus fort ; là où ils divergent, la divergence révèle un aspect du problème qu'aucun modèle unique ne capture seul.

How to do it

1. Choisissez une décision ou un problème sur lequel vous travaillez.
2. Appliquez au moins trois modèles issus de disciplines différentes : un basé sur les incitations, un psychologique, un systémique.
3. Notez la prédiction de chaque modèle et le niveau de confiance qu'il lui attribue.
4. Comparez : là où ils s'accordent, avancez avec plus de confiance ; là où ils divergent, examinez le désaccord avant de décider.

Données probantes

Les méthodes d'ensemble en statistiques et en apprentissage automatique surpassent systématiquement les prédictions d'un modèle unique en moyennant leurs schémas d'erreur diversifiés. La même logique appliquée aux modèles mentaux est au cœur du treillis de Munger — mécaniquement solide, établie par la pratique. (mechanistic)

La recherche sur les ensembles statistiques est une discipline formelle ; son analogue dans le raisonnement verbal est plausible mais dépend de la qualité et de la diversité des modèles appliqués, ce qui est difficile à vérifier.

Erreur fréquente

Utiliser les modèles séquentiellement (« appliquons d'abord le modèle A, puis le modèle B ») plutôt que simultanément, manquant les conflits et convergences qui n'apparaissent que lorsqu'on les compare directement.