Aggiorna le credenze frequentemente e in piccoli incrementi

Quando arriva nuova evidenza, regola la tua stima di probabilità — anche se il cambiamento è piccolo.

Why it works

I superforecaster aggiornano più spesso e in incrementi più piccoli dei previsori medi. Il meccanismo è bayesiano: ogni nuova evidenza ha un peso diagnostico, e aggiornare in proporzione a quel peso produce calibrazione. I due modi di fallire sono il sotto-aggiornamento (ancoraggio alla stima originale) e il sovra-aggiornamento (dare troppo peso a eventi recenti salienti). Aggiornamenti piccoli e frequenti resistono a entrambi mantenendo la stima vicina all'evidenza attuale.

How to do it

1. Fissa una cadenza regolare di revisione per le previsioni attive: settimanale per orizzonti brevi, mensile per quelli lunghi.
2. A ogni revisione, chiediti: "Quale evidenza è arrivata dall'ultima volta, e in che direzione spinge la mia stima?"
3. Fai un aggiornamento numerico — anche solo ±3 punti percentuali — per registrare la decisione.
4. Se l'evidenza è coerente con la stima precedente, registralo esplicitamente invece di lasciare il numero invariato.

Prove scientifiche

Nel Good Judgment Project, i superforecaster aggiornavano le loro previsioni più del doppio delle volte rispetto al partecipante medio e mantenevano di conseguenza una calibrazione migliore. L'aggiornamento bayesiano sequenziale è il quadro formale; i dati del torneo lo confermano nella pratica. (observational)

La frequenza di aggiornamento che ha migliorato l'accuratezza nei tornei di previsione potrebbe non applicarsi identicamente a contesti decisionali personali con densità di segnale inferiore.

Fonti

• Tetlock & Gardner (2015), Superforecasting

Errore comune

Aspettare di essere "sicuri" di un cambiamento prima di aggiornare — aspettare la certezza significa aggiornare troppo tardi e troppo, il che è proprio il fallimento da ancoraggio.