信念を全面的にではなく段階的に更新する

新しい情報を、すべてを変える証明としてではなく、確率をシフトさせる証拠として扱う。

Why it works

人は新しい情報に応じて信念を更新するとき、それを無視する(保守バイアス)か、ほぼ確実に過剰修正する(代表性)傾向がある。ベイズ更新——数学的に正しいアプローチ——は、事前確率に新しい証拠の尤度比を掛け合わせることを要求する。この非公式版(この証拠は自分の仮説が正しい場合とそうでない場合とで、どれくらい起こりやすさが違うか)でさえ、より較正された信念を生む。

How to do it

1. 新しい証拠を見る前に、現在の確率の見積もりを述べる。
2. 「この証拠は、私の仮説が正しい場合と間違っている場合とで、どれくらい起こりやすさが違うか」と問う。
3. その比率に比例して確率をシフトさせる——証拠が本当に決定的でない限り、0%や100%にはしない。

エビデンス

ベイズ推論は確率理論における規範的な標準である。人は証拠が鮮明か抽象的かによって、両方向(過剰更新と過小更新)に体系的に逸脱する。ベイズ推論の訓練は較正を改善する。 (observational)

正式なベイズ計算は日常の意思決定には実用的ではない。目標は正確な計算ではなく、比例的な更新の習慣である。

出典

• Kahneman (2011), Thinking, Fast and Slow — review of representativeness and Bayesian deviation research
• Kahneman, D., & Tversky, A. (1973). On the psychology of prediction. Psychological Review, 80(4), 237-251.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.

よくある間違い

単一の確認的なデータポイントをほぼ証明として扱うこと——これはまさに代表性ヒューリスティックである。自分の仮説と一致する話は、その仮説を証明しているように感じられる。