Identifier quelles caractéristiques sont réellement diagnostiques
Séparez les caractéristiques qui différencient réellement les catégories de celles qui complètent seulement le tableau.
Why it works
Quand une description inclut de nombreuses caractéristiques cohérentes avec un prototype, les gens traitent la cohérence du tableau comme une preuve d'appartenance — même quand la plupart des caractéristiques ne portent aucune information discriminante. Une caractéristique n'est diagnostique que si elle est plus commune dans la catégorie cible que dans les alternatives. Distinguer les caractéristiques décoratives (elles s'accordent avec l'histoire mais ne discriminent pas) des diagnostiques active un raisonnement bayésien plus prudent.
How to do it
- Listez les caractéristiques du cas que vous évaluez.
- Pour chaque caractéristique, demandez : « ceci est-il plus commun dans la catégorie que j'envisage que dans les autres ? »
- Marquez les caractéristiques comme « décoratives » si elles s'accordent avec le prototype mais ne discriminent pas.
- Fondez votre jugement de probabilité uniquement sur le sous-ensemble diagnostique.
Données probantes
La recherche sur l'effet de dilution (Nisbett et al., 1981) montre que l'ajout d'information non pertinente (non diagnostique) affaiblit en réalité la précision du jugement — les gens la moyennent au lieu de l'ignorer. Ceci soutient directement la séparation des caractéristiques diagnostiques des décoratives. (observational)
L'effet de dilution lui-même dépend du contexte ; la discipline pratique d'identifier les caractéristiques diagnostiques est une heuristique corrective plutôt qu'une procédure de débiaisage garantie.
Sources
- Nisbett, Zukier & Lemley (1981), The dilution effect: Nondiagnostic information weakens the implications of diagnostic information, Cognitive Psychology
Erreur fréquente
Traiter une longue description cohérente comme une preuve solide — le nombre de caractéristiques cohérentes ne s'accumule pas en probabilité plus élevée ; seules les caractéristiques discriminantes le font.
Pratiquez cela avec IX Coach
More practices for L'heuristique de représentativité — juger par ressemblance
- Vérifier les taux de base avant de former un jugement de ressemblance
Avant de décider « ceci ressemble à X », demandez à quel point X est réellement commun dans la population concernée.
- 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.
- 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.
- Auditer les jugements sur les personnes pour la substitution de prototype
Vérifiez si un jugement sur une personne est fondé sur son comportement réel ou sur sa ressemblance à un type.
- 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.
- Nommer le prototype auquel vous comparez avant de décider
Rendez explicite le prototype que vous utilisez comme référence — les modèles cachés biaisent les décisions sans examen.
Concepts associés
- Le sophisme de la conjonction — Quand « plus de détails » semble plus probable
How narrative coherence tricks probability judgment — and how to think past it
- Le biais de planification — Pourquoi vos estimations sont toujours fausses
The cognitive bias behind missed deadlines — and six evidence-grounded corrections