コーチングプラクティス： 予測が外れた原因から学ぶ
取り組んでいることをほぼ何でも入力すると、IX Coach が現実に最も合うプラクティスを見つけます。「予測が外れた原因から学ぶ」については、現在のプラクティスライブラリからの最適な一致をご覧ください。
役立つかもしれないプラクティス
- 予測の精度を、練習で向上するスキルとして扱う
予測の誤りをパフォーマンスのフィードバックとして受け止め、予測が無意味だという証拠としては受け止めない。
スーパーフォーキャスティング - 新しい証拠が入るたびに予測を段階的に更新する
予測を、矛盾する証拠にも生き残るコミットメントとしてではなく、新しい証拠ごとに変わるべき確率として扱う。
リファレンスクラス予測 - 自分の見積もりを追跡し較正する
可能なときは自分のフェルミ推定と実際の数値を比較し、そのギャップを使って今後の見積もりを改善する。
フェルミ推定 - 信念を頻繁に、小刻みに更新する
新しい証拠が来たら、その変化が小さくても確率の見積もりを調整する。
スーパーフォーキャスティング - テストの試みの後、速やかに修正フィードバックを受け取る
誤りに基づく学習が機能するには、フィードバックが誤りに続かなければならない — 遅延はその効果を弱め、誤った答えを植え付けるリスクを高める。
エラーフル・ラーニング:間違いが記憶を強める理由 - 認知的な楽観バイアスと戦略的な虚偽表示を区別する
予測の水増しには純粋なバイアスによるものと意図的な操作によるものがあることを認識する——それぞれ異なる対処が必要だ。
リファレンスクラス予測 - リファレンスクラス予測
リファレンスクラス予測は、ダニエル・カーネマンとエイモス・トベルスキーが提唱し、ベント・フリウビヤが体系化した手法で、目の前の案件の細部ではなく、類似した過去のプロジェクト群の結果の統計的分布に予測の起点を置くことで精度を高める。計画時にコスト・期間・便益の見積もりを膨らませる楽観バイアスを確実に修正する手法であり、その根拠は具体的で実証されている。 - 期待値の推定を評価するための決断日記をつける
自分の確率推定と結果予測を記録し、後で実際に何が起きたかと比較する。
期待値思考:不確実性の中で決断する - 予測を追跡することで確率の較正を練習する
自分の予測に明示的な確率の見積もりを割り当て、それが正しい率で実現するかどうかを追跡する。
基準率の無視:なぜ私たちは確率を無視するのか - すべてのタスクについて実際対見積もりの時間をログする
将来の予測を較正できるよう、自分自身の見積もり誤差の個人的なデータベースを構築する。
計画の誤謬——なぜあなたの見積もりはいつも外れるのか
関連する悩み
- 予測を修正するタイミング
予測を、矛盾する証拠にも生き残るコミットメントとしてではなく、新しい証拠ごとに変わるべき確率として扱う。
新しい証拠が入るたびに予測を段階的に更新する
- 予測を見直す練習法
予測を、矛盾する証拠にも生き残るコミットメントとしてではなく、新しい証拠ごとに変わるべき確率として扱う。
- 感情予測が習慣づくりに与える影響
ダニエル・ギルバートと同僚たちは、人が将来の感情反応の強さと持続時間の両方を確実に見誤ることを示した——悪い出来事がどれほど悪く感じられるか、良い出来事がどれほど良く感じられるかを過大評価する。そのメカニズムは「インパクト・バイアス」だ——私たちは出来事そのものに焦点を当て、それを和らげる適応プロセスを無視する。この研究は十分に再現されており、決断の仕方、習慣の築き方、期待の管理の仕方に直接的な含意を持つ。
感情予測:なぜ自分の気持ちを見誤るのか
- 予測における見せかけの精密さに注意する
精密な確率や定量的予測には、そのモデルが領域に適合しているかどうかについて明確な疑いを持って接する。
予測やモデルにおける偽りの精密さに注意する
- 予測の的中率を記録する方法
予測ログをつけて採点する——どこで過信または過小評価していたかについてのフィードバックなしに較正は改善できない。
過去の自分の予測を採点してアウトサイド・ビューの使い方を較正する
- 自分の予測精度を測る方法
予測ログをつけて採点する——どこで過信または過小評価していたかについてのフィードバックなしに較正は改善できない。
自分の言葉で状況を説明する でプラクティスライブラリ全体を検索できます。