Espere que resultados extremos regridam à média
Desempenho incomumente bom ou ruim prevê um desempenho mais mediano na próxima vez — leve isso em conta antes de elogiar ou culpar.
Why it works
A regressão à média é uma inevitabilidade matemática sempre que o desempenho envolve tanto habilidade quanto acaso. A heurística da representatividade faz as pessoas ignorá-la: elas explicam resultados extremos como se refletissem totalmente a realidade subjacente ("essa pessoa virou a chave" / "essa pessoa é um caso perdido"), em vez de refletirem parcialmente a flutuação do acaso. Isso produz a famosa ilusão de intervenção: feedback duro depois de um desempenho ruim "funciona" e elogio depois de um bom desempenho "prejudica" — simplesmente porque resultados extremos regridem, independentemente da intervenção.
How to do it
- Depois de observar um resultado incomumente alto ou baixo, pergunte: "quanto disso pode ser devido a flutuação aleatória em torno da verdadeira média?"
- Preveja que o próximo resultado provavelmente estará mais próximo da média de longo prazo da pessoa ou do processo, não tão extremo.
- Antes de atribuir uma mudança a uma intervenção, verifique com mais de uma ou duas observações de acompanhamento.
- Separe o feedback sobre o que você pode observar das conclusões sobre talento ou estado subjacente.
Evidência
A regressão à média é uma propriedade matemática de variáveis correlacionadas (Francis Galton a identificou em 1886). O exemplo de ilusão de intervenção de Kahneman (instrutores de voo elogiando vs. criticando) ilustra como ignorar a regressão causa atribuições causais falsas; este é um exemplo de ensino, não um estudo formal. (mechanistic)
O quanto qualquer resultado regride depende de quão fortemente habilidade vs. sorte o determina; a regressão importa mais em domínios de alta variância, influenciados pela sorte, do que em domínios altamente determinados por habilidade.
Fontes
- Galton (1886), Regression towards mediocrity in hereditary stature, Journal of the Anthropological Institute of Great Britain and Ireland
Erro comum
Tratar a regressão como razão para ignorar feedback — melhorias reais de habilidade acontecem, mas devem ser confirmadas ao longo de várias observações, não inferidas a partir de um único resultado extremo.
Pratique isso com IX Coach
More practices for A Heurística da Representatividade — Julgar pela Semelhança
- Verifique as taxas basais antes de formar um julgamento de semelhança
Antes de decidir "isso se parece com X", pergunte quão comum X realmente é na população relevante.
- Identifique quais características são realmente diagnósticas
Separe características que genuinamente diferenciam categorias das que apenas completam o quadro.
- Reconheça que sequências aleatórias não "devem" equilíbrio
Processos aleatórios não têm memória — uma sequência de caras não torna coroa mais provável.
- Trate amostras pequenas com ceticismo explícito
Uma sequência curta pode parecer representativa sem ser estatisticamente confiável — ajuste a confiança para o tamanho da amostra.
- Audite julgamentos sobre pessoas quanto à substituição de protótipo
Verifique se um julgamento sobre uma pessoa se baseia em seu comportamento real ou na semelhança com um tipo.
- Nomeie o protótipo com o qual você está comparando antes de decidir
Torne explícito o protótipo que você está usando como referência — modelos ocultos enviesam decisões sem escrutínio.
Conceitos relacionados
- A Falácia da Conjunção — Quando "Mais Detalhes" Parece Mais Provável
How narrative coherence tricks probability judgment — and how to think past it
- A Falácia do Planejamento — Por que suas Estimativas São Sempre Erradas
The cognitive bias behind missed deadlines — and six evidence-grounded corrections