Atualize crenças em graus, não por completo

Trate a nova informação como evidência que desloca probabilidades, não como prova que muda tudo.

Why it works

Quando as pessoas atualizam crenças em resposta a nova informação, elas tendem a ignorá-la (viés de conservadorismo) ou a supercorrigir para quase certeza (representatividade). A atualização bayesiana — a abordagem matematicamente correta — exige multiplicar a probabilidade prévia pela razão de verossimilhança da nova evidência. Mesmo uma versão informal disso (quão mais provável essa evidência seria se minha hipótese for verdadeira, versus falsa?) produz crenças mais calibradas.

How to do it

1. Declare sua estimativa de probabilidade atual antes de olhar para a nova evidência.
2. Pergunte: "Quão mais (ou menos) provável é essa evidência se minha hipótese estiver correta versus incorreta?"
3. Desloque sua probabilidade proporcionalmente a essa razão — não para 0% ou 100%, a menos que a evidência seja verdadeiramente definitiva.

Evidência

O raciocínio bayesiano é o padrão normativo na teoria da probabilidade. As pessoas se desviam sistematicamente dele em ambas as direções (atualizando demais ou de menos), dependendo de a evidência ser vívida ou abstrata. O treinamento em raciocínio bayesiano melhora a calibração. (observational)

O cálculo bayesiano formal não é prático para decisões cotidianas; o objetivo é o hábito da atualização proporcional, não o cálculo preciso.

Fontes

• 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.

Erro comum

Tratar um único ponto de dado confirmador como quase prova — que é exatamente a heurística da representatividade: uma história que combina com sua hipótese parece provar a hipótese.