when probability models fail

Beware false precision in forecasts and models — Treat any precise probability or quantitative forecast with explicit suspicion about whether the model fits the domain. Check whether the rules of your domain are actually stable — Before applying any probability model, ask whether the rules governing outcomes could change mid-game. Stress test plans against outcomes beyond the historical range — Ask how your plan holds up if the worst outcome is twice as bad as any historically observed case. Actively seek disconfirming cases — When researching base rates, specifically look for cases where things went badly — failure cases are underrepresented in natural memory. Trim model complexity — Prefer the simplest model of a situation that still fits all the evidence. Practice probabilistic calibration by tracking your predictions — Assign explicit probability estimates to your predictions and track whether they come true at the right rate. Use maximin reasoning for high-stakes, irreversible decisions under ambiguity — Choose the option whose worst plausible outcome is most survivable — when you can’t compute expected value, optimize the floor. Recognize that random sequences don’t "owe" balance — Random processes have no memory — a run of heads doesn’t make tails more likely. Explicitly distinguish coherence from probability — A story can be internally consistent and still be rare — learn to separate "makes sense" from "likely." Diagnose which element — motivation, ability, or prompt — is the bottleneck — When a behavior isn’t happening, ask: Is the person motivated enough? Can they do it? Are they being prompted?

コーチングプラクティス：確率モデルが当てにならなくなったとき

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。「確率モデルが当てにならなくなったとき」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

予測やモデルにおける偽り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。
ルーディック・ファラシー：現実をゲームと勘違いするとき
自分の領域のルールが本当に安定しているか確かめる
確率モデルを適用する前に、結果を左右するルールがゲームの途中で変わりうるかを問う。
ルーディック・ファラシー：現実をゲームと勘違いするとき
過去の範囲を超えた結果に対して計画をストレステストする
最悪の結果が過去に観測されたどんなケースよりも2倍悪かったら、自分の計画がどう持ちこたえるかを問う。
ルーディック・ファラシー：現実をゲームと勘違いするとき
積極的に反証事例を探す
基準率を調べる際は、特にうまくいかなかった事例を探す——失敗事例は自然な記憶の中で過小に表れる。
アウトサイド・ビュー
モデルの複雑さを削る
証拠に合う最もシンプルなモデルを、状況の中で優先する。
オッカムの剃刀:よりシンプルな説明を選ぶ
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
曖昧さを伴う高リスクで不可逆的な決断にはマキシミン推論を使う
最悪の起こりうる結果が最も生き延びられる選択肢を選ぶ——期待値を計算できないときには、下限を最適化する。
曖昧さ回避——なぜ未知のオッズは悪いオッズよりも悪く感じられるのか
ランダムな連続は「バランスを負っていない」と認識する
ランダムなプロセスには記憶がない——表が続いても裏が出やすくなるわけではない。
代表性ヒューリスティック——類似性による判断
一貫性と確率を明示的に区別する
物語は内的に整合していても稀であり得る ― 「筋が通る」と「ありそうだ」を切り分けることを学ぶ。
連言錯誤 ― 「詳細が多いほど本当らしく」感じる理由
動機・能力・きっかけのどれがボトルネックかを診断する
行動が起きていないとき、問う:十分に動機づけられているか?それをできるか?きっかけを与えられているか?
フォッグ行動モデルを、実践的に使う

IX Coach でこれを実践する

このプラクティスを試す

コーチングプラクティス： 確率モデルが当てにならなくなったとき

役立つかもしれないプラクティス

関連する悩み

IX Coach でこれを実践する

コーチングプラクティス：確率モデルが当てにならなくなったとき