Actualiser fréquemment les croyances, par petits incréments

Quand de nouvelles preuves arrivent, ajustez votre estimation de probabilité — même si le changement est faible.

Why it works

Les superprévisionnistes actualisent plus souvent et par plus petits incréments que les prévisionnistes moyens. Le mécanisme est bayésien : chaque nouvelle preuve a un poids diagnostique, et actualiser proportionnellement à ce poids produit le calibrage. Les deux modes d'échec sont la sous-actualisation (ancrage sur l'estimation initiale) et la sur-actualisation (surpondération des événements récents saillants). Des ajustements petits et fréquents résistent aux deux en gardant l'estimation proche des preuves actuelles.

How to do it

1. Fixez un rythme de révision régulier pour les prévisions actives : hebdomadaire pour l'horizon court, mensuel pour le long.
2. À chaque révision, demandez : « Quelles preuves sont arrivées depuis la dernière fois, et dans quelle direction poussent-elles mon estimation ? »
3. Effectuez un ajustement numérique — même de ±3 points de pourcentage — pour consigner la décision.
4. Si les preuves sont cohérentes avec l'a priori, notez-le explicitement plutôt que de laisser le chiffre inchangé.

Données probantes

Dans le Good Judgment Project, les superprévisionnistes ont actualisé leurs prédictions plus de deux fois plus fréquemment que le participant moyen et ont maintenu un meilleur calibrage en conséquence. L'actualisation bayésienne séquentielle est le cadre formel ; les données du tournoi le confirment en pratique. (observational)

La fréquence d'actualisation qui a amélioré la précision dans les tournois de prévision ne s'applique peut-être pas de façon identique aux contextes de décision personnelle avec une densité de signal plus faible.

Sources

• Tetlock & Gardner (2015), Superforecasting

Erreur fréquente

Attendre d'être « sûr » d'un changement avant d'actualiser — attendre la certitude signifie actualiser trop tard et de trop, ce qui n'est autre que l'échec d'ancrage.