Conduza pré-mortens sobre suas falhas passadas de reconhecimento

Revise casos em que o reconhecimento de padrões o enganou para encontrar o traço estrutural comum que o confunde.

Why it works

Erros de reconhecimento raramente são aleatórios — eles se concentram em tipos de situação ambíguos que compartilham características superficiais com protótipos familiares, mas diferem na dimensão mecanicamente relevante. Identificar esses pares gatilho-erro expõe o ponto fraco específico na biblioteca de padrões. Essa é a etapa diagnóstica que distingue o aprendizado corretivo do mero acúmulo de experiência.

How to do it

1. Reúna três a cinco casos em que seu reconhecimento inicial se revelou errado.
2. Para cada um, identifique qual característica o fez parecer o padrão que não era, e qual característica realmente o distinguia.
3. Escreva uma regra do tipo "não confunda X com Y" para cada par.
4. Adicione isso à sua lista de indícios de decisão como exemplos negativos ao lado dos protótipos positivos.

Evidência

O método de decisão crítica e as técnicas de análise pós-incidente em organizações de alta confiabilidade (aviação, energia nuclear, medicina de emergência) usam essa estrutura para evitar recorrências. A prática é aprendizado clínico/profissional institucionalizado, e não uma técnica com evidência independente de ensaios controlados. Dillon e Tinsley mostram por que a revisão precisa ser deliberada: quase-acidentes são sistematicamente reinterpretados como sucessos, então a característica estrutural que quase causou a falha não é aprendida a menos que seja explicitamente trazida à tona. (clinical)

Revisar falhas passadas exige acesso a relatos precisos do que aconteceu, o que é comprometido pelo viés de retrospecto e distorção de memória. A revisão estruturada de incidentes reduz, mas não elimina, isso.

Fontes

• Dillon, R. L., & Tinsley, C. H. (2008). How near-misses influence decision making under risk: A missed opportunity for learning. Management Science, 54(8), 1425–1440.

Erro comum

Atribuir uma falha de reconhecimento a "azar" em vez de a uma classificação estrutural equivocada — o enquadramento de azar impede a atualização de padrão que evitaria a recorrência.