Klam základní míry

V kostce

1. Rychlé shrnutí

Při posuzování pravděpodobnosti mají lidé tendenci zaměřit se na živé, specifické detaily týkající se konkrétního případu a ignorují širší statistický kontext, ze kterého by mělo vycházet jejich rozhodnutí. Pokud někdo popisuje tichého, sečtělého člověka, který miluje poezii, můžete hádat, že je to "knihovník" – přestože na světě existuje mnohem více učitelů, účetních nebo kancelářských pracovníků, kteří sdílejí tyto vlastnosti. Klam základní míry vzniká proto, že naše mozky jsou nastaveny tak, aby hledaly vzorce a vyprávěly příběhy, nikoliv aby počítaly pravděpodobnosti.

2. Vědecké pozadí

2.1. Objev a historie

Formální identifikace zanedbání základní míry vyplynula z kognitivní revoluce v psychologii během 70. let 20. století. Ačkoli si napětí mezi statistickým uvažováním a klinickou intuicí všimli již dříve Paul Meehl a Albert Rosen v roce 1955 (kteří varovali kliniky před interpretací diagnostických testů), byli to Amos Tversky a Daniel Kahneman, kdo toto zkreslení formálně identifikovali a pojmenovali.

Jejich článek z roku 1973 "On the Psychology of Prediction" (O psychologii predikce) zpochybnil převládající ekonomický předpoklad racionálního aktéra. Ukázali, že když jsou lidé požádáni, aby předpovídali výsledky, nefungují jako intuitivní statistici, kteří aktualizují předchozí pravděpodobnosti pomocí nových důkazů (jak by diktoval Bayesův teorém). Místo toho spoléhají na mentální zkratky, které systematicky ignorují informace o základní míře.

Tento objev vyvolal to, co bylo nazváno "Války o racionalitu" (The Rationality Wars) – intenzivní teoretickou debatu o tom, zda zanedbání základní míry představuje zásadní vadu v lidském uvažování, nebo zda představuje adaptivní reakci na strukturu prostředí. Tato debata formuje kognitivní vědu již pět desetiletí.

Klíčové milníky ve výzkumu:

• 1955: Meehl a Rosen identifikují problém klinické vs. pojistně-matematické predikce
• 1973: Tversky a Kahneman publikují "On the Psychology of Prediction"
• 1980: Maya Bar-Hillel představuje kritiku Teorie relevance
• 1995: Gerd Gigerenzer demonstruje, že formáty přirozených četností snižují tento klam
• 2002: Kahneman a Frederick formalizují teorii "substituce atributů"
• 2010s: Výzkum se rozšiřuje na systémy umělé inteligence a algoritmické zkreslení

2.2. Klíčoví výzkumníci

2.3. Přelomové studie

Experiment "Tom W." (Kahneman & Tversky, 1973)

Tato základní studie ukázala, jak reprezentativnost převládne nad základními mírami i tehdy, když mají účastníci přesné znalosti o základní míře.

Design: Účastníci byli rozděleni do tří podmínek:

• Skupina základní míry: Odhadovala procento postgraduálních studentů v devíti oborech. Správně identifikovali humanitní vědy a vzdělávání jako velké obory (vysoké základní míry) a informatiku jako malý obor (nízká základní míra).
• Skupina podobnosti: Dostala osobnostní črtu "Toma W." (popsaného jako inteligentního, ale postrádajícího kreativitu, pořádného, s mechanickým psaním a malou sympatií k ostatním) a seřadila obory podle toho, jak byl Tom podobný typickému studentovi.
• Skupina predikce: Dostala stejný profil a byla požádána, aby seřadila obory podle pravděpodobnosti, že Tom W. v současnosti studuje v daném oboru – přičemž jí bylo důrazně řečeno, že profil je založen na testech "omezené platnosti".

Zjištění: Hodnocení skupiny predikce téměř dokonale korelovalo (r > 0,9) se skupinou podobnosti a negativně se skupinou základní míry. Navzdory vědomí, že informatika je ve srovnání s humanitními vědami malý obor, účastníci předpovídali, že Tom je informatik, protože se jako informatik jevil. Individualizující informace zcela přehlušily informace o základní míře, i když byli účastníci varováni, že informace jsou nespolehlivé.

Problém s taxíkem (Kahneman & Tversky, 1972)

Nejslavnější numerická demonstrace klamu, která izoluje konflikt mezi základními mírami a svědectvím.

Scénář: Taxík se v noci podílel na nehodě, od které ujel. Ve městě působí dvě společnosti:

• Základní míra: 85 % zelených taxíků, 15 % modrých taxíků
• Svědek identifikoval taxík jako modrý
• Soudní testy ukázaly, že svědek správně identifikoval barvy v 80 % případů

Otázka: Jaká je pravděpodobnost, že taxík byl modrý?

Intuitivní odpověď: Většina účastníků odpovídá 80 %, což přímo odpovídá přesnosti svědka.

Bayesovská analýza: $$P(Modrý|Svědek\ říká\ Modrý) = \frac{0,80 \times 0,15}{(0,80 \times 0,15) + (0,20 \times 0,85)} = \frac{0,12}{0,29} \approx 41%$$

Vhled: Navzdory tomu, že svědek tvrdí, že jde o modrý, je vlastně pravděpodobnější (59 %), že taxík byl zelený. Velká flotila zelených taxíků produkuje více falešných hlášení o modrých než malá flotila modrých produkuje pravdivých hlášení o modrých. Účastníci nedokážou vytušit, že "váha" zelené základní míry stahuje pravděpodobnost dolů z 80% přesnosti svědka.

Problém inženýra a právníka (Tversky & Kahneman, 1973)

Design: Účastníci obdrželi popisy čerpané ze vzorků 100 profesionálů:

• Podmínka A: 70 inženýrů, 30 právníků
• Podmínka B: 30 inženýrů, 70 právníků

"Jack" byl popsán se stereotypně inženýrskými rysy (konzervativní, opatrný, se zájmem o tesařství).

Zjištění: Účastníci odhadovali pravděpodobnost, že Jack je inženýr, jako prakticky totožnou v obou podmínkách (~90 %), přičemž zcela ignorovali, že základní míry byly převrácené. Zásadní bylo, že když dostali neutrální popis, který nezapadal ani do jednoho stereotypu, účastníci správně použili základní míru (70 % nebo 30 %), čímž dokázali, že mohli použít základní míry, ale okamžitě je zahodili po obdržení individualizujících dat.

2.4. Neurologický základ

Výzkum neurálních substrátů zanedbání základní míry ukazuje na konflikt mezi dvěma kognitivními systémy:

Systém 1 (Intuitivní zpracování): Prefrontální kůra a limbický systém řídí rychlé a automatické hledání vzorců. Při prezentaci individualizujících informací se tyto oblasti silně aktivují a generují intuitivní úsudky "založené na podobnosti". Amygdala může zvyšovat výraznost živých a specifických informací.

Systém 2 (Deliberativní zpracování): Dorzolaterální prefrontální kůra a přední cingulární kůra podporují úsilí vyžadující statistické uvažování. Studie využívající fMRI ukazují, že správná integrace základních měr vyžaduje aktivaci těchto oblastí, což vyžaduje kognitivní úsilí a je snadno narušeno časovým tlakem nebo kognitivní zátěží.

Neurální soutěž: Zdá se, že zanedbání základní míry je výsledkem toho, že Systém 1 v neurální soutěži "vyhrává", protože:

• Hledání vzorců je rychlejší a vyžaduje méně zdrojů
• Konkrétní příběhy aktivují emoční zpracování více než abstraktní statistiky
• Výchozím režimem mozku je konstruovat příběhy, nikoliv počítat pravděpodobnosti
• Omezení pracovní paměti omezují současné zpracování základních měr a informací o případu

Výzkum neurotransmiterů naznačuje, že dopaminové dráhy zapojené do předvídání odměn mohou přispívat k přitažlivosti specifických "tref" oproti statistickému myšlení, zatímco stresové hormony mohou deliberativní zpracování dále potlačit.

3. Evoluční původ

Klam základní míry existuje proto, že lidské poznání se vyvinulo jako engine pro rozpoznávání vzorců optimalizovaný pro navigaci bezprostředních hrozeb v prostředí, nikoliv pro výpočet abstraktních pravděpodobností.

Výhody uvažování na základě konkrétního případu pro přežití:

• V ancestrálním prostředí šustění v trávě mohlo znamenat predátora. Ti, kteří ignorovali "základní míru" větru a předpokládali hrozbu, přežívali častěji než pečliví statistici
• Sociální přežití záviselo na čtení konkrétních záměrů jednotlivců, nikoliv na populačních průměrech
• Zdroje a partneři byli získáváni prostřednictvím posuzování konkrétních příležitostí, nikoliv abstraktních frekvencí
• Rychlé rozhodování na základě rozpoznávání vzorců šetřilo cennou kognitivní energii

Nativní pud: Naši předkové, kteří konstruovali souvislé kauzální příběhy z událostí, se dokázali učit, učit ostatní a předpovídat lépe než ti, kteří zpracovávali realitu jako nesouvisející statistiky. Tato schopnost vytvářet příběhy se stala ústředním bodem lidské inteligence, ale vytváří systematická slepá místa, když je vyžadována formální pravděpodobnost.

Vlastnost, nikoliv chyba – v kontextu: Ve většině předmoderních situací bylo zanedbání základní míry adaptivní. Konkrétní tygr před vámi je důležitější než průměrné rozložení tygrů. Problém nastává, když tato kognitivní architektura čelí moderním rozhodnutím zahrnujícím vzácné nemoci, forenzní důkazy nebo finanční deriváty – oblastech, kde je statistické myšlení nezbytné, ale evolučně bezprecedentní.

Úspora energie: Výpočet bayesovských pravděpodobností je metabolicky drahý. Mozek, který spotřebovává 20 % tělesné energie, vyvinul zkratky, které fungují "dostatečně dobře" po většinu času. V prostředí nedostatku kognitivní náklady na formální uvažování převážily jeho okrajové přínosy.

4. Jak se toto zkreslení projevuje

4.1. V každodenním životě

• Stereotypizace cizinců: Když potkáte někoho s brýlemi, kdo mluví tiše, můžete předpokládat, že je "profesor", přestože základní míra profesorů je ve srovnání s jinými povoláními mizivá
• Hodnocení rizik: Po zhlédnutí zpráv o pádu letadla přeceňování nebezpečí letu a ignorování statistické bezpečnosti letecké dopravy
• Úsudky ve vztazích: Závěr, že někdo je nečestný na základě jednoho podezřelého chování, ignorující vaši rozsáhlou historii upřímných interakcí (základní míru jejich důvěryhodnosti)
• Loterie a hazardní hry: Považování "šťastného" losu nebo kasina za zvláštní na základě nedávných výher a ignorování matematické základní míry proher
• Rodičovské obavy: Drastické přeceňování nebezpečí, jako jsou únosy, na základě živých mediálních příběhů, zatímco se podceňují běžná rizika, jako jsou autonehody

4.2. Na pracovišti

• Hodnocení výkonu: Hodnocení zaměstnance jako "s vysokým potenciálem" na základě jedné působivé prezentace, zatímco se ignorují jeho základní údaje o produktivitě
• Rozhodnutí o přijetí do zaměstnání: Zvýhodňování kandidátů, jejichž výkon na pohovoru odpovídá stereotypům úspěchu, spíše než zohlednění základní míry úspěšnosti mezi podobnými novými zaměstnanci
• Odhadování projektů: Víra, že "tento projekt je jiný" na základě konkrétních funkcí, zatímco se ignoruje základní míra překročení rozpočtu a zpoždění u podobných projektů
• Hodnocení vedení: Přisuzování úspěchu týmu charismatickému vůdci, zatímco se ignorují tržní podmínky (základní míra úspěchu v příznivém prostředí)
• Analýza konkurence: Přeceňování konkrétních kroků konkurence a ignorování celoodvětvových měr úspěšnosti u podobných strategií

4.3. V podnikání a marketingu

• Svědectví a případové studie: Společnosti využívají konkrétní příběhy o úspěchu, protože spotřebitelé přehlížejí základní míru typických výsledků
• "Jak jste viděli v TV": Živé demonstrace převáží statistické informace o účinnosti produktu
• Prodej pojištění: Dramatické scénáře katastrof činí vzácné události pravděpodobnými
• Cílená reklama: Ukazování produktů ve specifických žádoucích kontextech spíše než prezentace statistických výhod
• Narativy uvedení na trh: Příběhy typu "tento startup je jiný" přetrvávají navzdory zhruba 90% základní míře neúspěchu
• Segmentace zákazníků: Přeceňování zapamatovatelných interakcí se zákazníky namísto systematické analýzy dat

4.4. V politice a médiích

• Zpravodajství o zločinu: Živé reportáže o vzácných násilných trestných činech řídí politiku navzdory klesajícím základním mírám násilí
• Předvolební prognózy: Komentátoři se zaměřují na konkrétní momenty kampaně ("přešlapy"), zatímco ignorují historické základní míry výhody úřadujícího kandidáta
• Debata o imigraci: Konkrétní příběhy o zločinech imigrantů převáží statistické důkazy, že imigranti páchají zločiny v nižší míře než rodilí obyvatelé
• Politické narativy: Argumenty "tentokrát je to jiné" pro nové politiky ignorují základní míry selhání politiky
• Riziko terorismu: Masivní bezpečnostní investice založené na živých útocích, zatímco základní míry naznačují, že by si jiné hrozby (dopravní nehody, srdeční choroby) zasloužily více zdrojů

4.5. Ve zdravotnictví

Paradox falešné pozitivity: Když je nemoc vzácná (nízká základní míra), dokonce i vysoce přesné testy produkují převážně falešně pozitivní výsledky.

Příklad testování na HIV:

• Populace: 100 000 s prevalencí HIV 0,01 %

• Test: 99,9 % senzitivita, 99,9 % specificita

• Skutečně pozitivní: ~10 (infikovaní lidé správně identifikováni)

• Falešně pozitivní: ~100 (zdraví lidé nesprávně označeni)

• Výsledek: Pozitivní test znamená pouze ~9% šanci na skutečnou infekci

• Diagnostické chyby: Lékaři se ukotví u projevujících se symptomů, které odpovídají dramatické diagnóze, a ignorují základní míru všedních onemocnění

• Účinnost léků: Pacienti se zaměřují na konkrétní příběhy o uzdravení spíše než na statistickou míru úspěšnosti léčby

• Rozhodnutí o screeningu: Pacienti dezinterpretují pozitivní výsledky testů bez pochopení základních měr falešně pozitivních výsledků

• Dodržování léčby: Živé příběhy o vedlejších účincích převáží nad statistickými profily bezpečnosti

• Nepochopení vakcíny proti COVID-19: Údaj "70 % hospitalizovaných pacientů je očkovaných" byl nesprávně interpretován jako selhání vakcíny, ignorujíc skutečnost, že více než 95 % zranitelných populací bylo očkováno (problém se jmenovatelem)

4.6. Ve financích a investování

• "Tentokrát je to jinak": Investoři ospravedlňují extrémní valuace zaměřením se na specifické narativy (Nová ekonomika, AI revoluce) a ignorují historické základní míry korekcí trhu
• Dot-Com bublina: Poměry P/E přesahující 100x byly ospravedlněny potenciálem internetu a ignorovaly historickou základní míru průměrných valuací na úrovni zhruba 15x
• Výběr jednotlivých akcií: Považování informací o konkrétní společnosti za rozhodující, zatímco se ignorují základní míry podvýkonnosti akcií ve srovnání s indexy
• Optimizmus v rizikovém kapitálu: Rozhodnutí o financování založená na charismatu zakladatele spíše než na základních mírách neúspěchu startupů
• Kolaps LTCM: Modely nositelů Nobelovy ceny pracovaly s nedávnou nízkou volatilitou jako se základní mírou a ignorovaly historickou četnost tržních panik ("tlusté chvosty" - fat tails)
• Spekulace s nemovitostmi: Přesvědčení, že "tento trh je jiný", ignoruje historické základní míry cyklů bydlení

5. Případové studie z reálného světa

Případová studie 1: Sally Clark — Nespravedlivě uvězněná matka

• Kontext: V roce 1999 ztratila britská právnička Sally Clark dva syny kojence – prvního v 11 týdnech, druhého v 8 týdnech. Byla obviněna z dvojnásobné vraždy novorozeněte.

• Co se stalo: Soudní znalec Sir Roy Meadow svědčil, že pravděpodobnost dvou úmrtí na SIDS (Syndrom náhlého úmrtí kojenců) v bohaté rodině je přibližně 1 ku 73 milionům (vypočítáno jako (1/8543)²). Přirovnal to k sázkovým kurzům na "dlouhého outsidera".

• Působení zkreslení: Dvě kritické chyby se znásobily:

  1. Porušení nezávislosti: Meadow předpokládal, že úmrtí na SIDS byly nezávislé události. Genetické faktory a faktory prostředí ve skutečnosti činí druhé úmrtí mnohem pravděpodobnějším, pokud k jednomu již došlo – události jsou podmíněně závislé.
  2. Zanedbání základní míry: I když přijmeme číslo 1 ku 73 milionům, porota ho musela porovnat se základní mírou dvojnásobné vraždy novorozeněte. Dvojnásobná vražda spáchaná matkou je také mimořádně vzácná (možná 1 ku 100 milionům). Při srovnání dvou extrémně vzácných událostí záleží na poměru. Pokud je dvojitý SIDS 1 ku 73M a dvojnásobná vražda 1 ku 100M, je SIDS ve skutečnosti pravděpodobnější. Prezentováním hodnoty "1 ku 73 milionům" izolovaně obžaloba naznačovala, že vražda je výchozím bodem.

• Důsledky: Sally Clark byla odsouzena na doživotí. Královská statistická společnost podnikla mimořádný krok a vydala veřejné pokárání použitého statistického uvažování. Clark byla propuštěna v roce 2003 po svém druhém odvolání. Neschopna zotavit se z traumatu z nespravedlivého uvěznění a ztráty svých dětí, zemřela v roce 2007 na akutní otravu alkoholem.

• Poučení: Statistické důkazy vyžadují správné bayesovské rámování. Soudy musí porovnávat pravděpodobnost důkazů podle konkurenčních hypotéz, nikoliv hodnotit jednu hypotézu izolovaně. Znalci potřebují školení ve statistické gramotnosti.

Případová studie 2: Lucia de Berk — Nizozemská zdravotní sestra

• Kontext: Nizozemská zdravotní sestra Lucia de Berk byla v roce 2003 odsouzena za sedm vražd a tři pokusy o vraždu na základě statistické analýzy úmrtí pacientů během jejích směn.

• Co se stalo: Nemocniční statistik vypověděl, že pravděpodobnost, že by k tolika úmrtím během jejích směn došlo náhodou, je 1 ku 342 milionům.

• Působení zkreslení:

  1. Výběr ex post (post-hoc selection): Úmrtí byla klasifikována jako "podezřelá" až poté, co se vědělo, že Lucia měla službu – klasické konfirmační zkreslení kombinované se zanedbáním základní míry
  2. Základní míra klastrů ignorována: V jakémkoli velkém nemocničním systému zákon velkých čísel zaručuje, že některá sestra nakonec bude mít vzorec směn, který se zdá být vysoce nepravděpodobný už jen v důsledku náhody (Klam texaského ostrostřelce)
  3. Zanedbané alternativní hypotézy: Základní míra úmrtí pacientů během nočních směn (kdy jsou více nemocní pacienti pečlivěji sledováni) nebyla řádně zohledněna

• Důsledky: Lucia strávila ve vězení více než šest let. Během svého uvěznění prodělala mrtvici. Matematická analýza nezávislých statistiků později ukázala, že pravděpodobnost neviny byla ve skutečnosti vysoká. V roce 2010 byla osvobozena v procesu, který nizozemské úřady uznaly jako jeden z nejhorších justičních omylů v historii země.

• Poučení: Statistická náhoda ve velkých datových souborech není důkazem kauzality. Ex post analýza vyžaduje extrémní opatrnost. Soudy potřebují nezávislé statistické přezkoumání pravděpodobnostních důkazů.

Případová studie 3: Robert Williams — Selhání rozpoznávání obličeje

• Kontext: V lednu 2020 byl Robert Williams, černošský muž z Detroitu, zatčen ve svém domě před svou rodinou poté, co algoritmus pro rozpoznávání obličeje přiřadil fotografii z jeho řidičského průkazu ke kamerovým záznamům z incidentu s krádeží v obchodě.

• Co se stalo: Detektivové ukázali Williamsovi snímek ze sledování a řekli: "počítač říká, že jste to vy". Než byl propuštěn, byl držen ve vazbě 30 hodin.

• Působení zkreslení:

  1. Paradox falešné pozitivity: Dokonce i systém rozpoznávání obličejů s 99% přesností generuje při prohledávání databází milionů obličejů tisíce falešných shod
  2. Zkreslení automatizace: Vyšetřovatelé zacházeli s algoritmickou "shodou" jako s definitivním důkazem spíše než jako s pravděpodobnostním návrhem, který vyžaduje potvrzení
  3. Základní míra náhodných shod: Podobně jako v případě problému s taxíky má "svědek" (algoritmus) určitou chybovost a "nevinná populace" je obrovská – což produkuje mnoho falešně pozitivních výsledků

• Důsledky: Williams byl neoprávněně zatčen, zadržen a jeho DNA, otisky prstů a fotografie byly zadány do kriminálních databází. Podal žalobu na detroitské policejní oddělení. Případ se stal přelomovým příkladem algoritmického zkreslení v orgánech činných v trestním řízení.

• Poučení: Algoritmické důkazy musí být hodnoceny pravděpodobnostně, a nikoli považovány za neomylné. Základní míry falešných shod musí být sděleny těm, kdo rozhodují. Před zatčením na základě algoritmických shod by měly být vyžadovány potvrzující důkazy.

Historický příklad: Kolaps Long-Term Capital Management

V roce 1998 spektakulárně zkolaboval Long-Term Capital Management (LTCM), hedgeový fond řízený laureáty Nobelovy ceny Myronem Scholesem a Robertem Mertonem, což téměř destabilizovalo globální finanční systém.

Sofistikované modely Value-at-Risk (VaR) od LTCM spoléhaly na nedávná historická data ukazující nízkou volatilitu trhu. Vypočítaly, že hlavní ztráty byly "události typu 10 sigma" – statisticky nemožné. Modely zanedbaly historickou základní míru finančních panik – "tlusté chvosty" distribucí na trhu. Ignorovaly také základní míru systémové korelace: v krizích směřují všechny korelace k 1, jak se šíří panika.

Když Rusko v srpnu 1998 nezaplatilo svůj dluh, stalo se "nemožné". LTCM ztratil 4,6 miliardy dolarů za méně než čtyři měsíce, což si vyžádalo záchranu koordinovanou Federálním rezervním systémem, aby se zabránilo širší finanční nákaze.

Poučení: Sofistikované modely, které ignorují historické základní míry vzácných událostí, vytvářejí katastrofální slepá místa. Specifické podmínky nedávné minulosti nejsou spolehlivým vodítkem k extrémním rizikům.

6. Cena za toto zkreslení

6.1. Osobní náklady

• Strach a úzkost: Přeceňování vzácných hrozeb (pády letadel, násilná kriminalita, nemoci) vytváří chronický stres a ignoruje pravděpodobnější rizika
• Poškození vztahů: Posuzování lidí na základě živých ojedinělých incidentů namísto jejich konzistentní behaviorální základní míry vede k nespravedlivým soudům a narušené důvěře
• Promarněné příležitosti: Vyhýbání se prospěšným aktivitám (létání, operace, změny kariéry) kvůli živým příběhům o selhání a ignorování základní míry úspěšnosti
• Finanční ztráty: Činění investičních rozhodnutí na základě přesvědčivých narativů spíše než na základě statistických důkazů
• Lékařská úzkost: Nesprávná interpretace výsledků screeningů bez porozumění základním mírám falešně pozitivních výsledků

6.2. Profesní náklady

• Kariérní omyly: Zakládání pracovních rozhodnutí na konkrétních dramatických výsledcích spíše než na statistických trajektoriích kariéry
• Selhání projektů: Myšlení typu "tento projekt je jiný" vede k opakovanému podceňování nákladů a termínů
• Chyby v náboru: Výběr kandidátů na základě stereotypů výkonu na pohovoru spíše než prediktivních základních měr
• Strategické chyby: Obchodní rozhodnutí založená na anekdotách o konkurentech spíše než na statistikách odvětví
• Selhání v prognózách: Předpovědi založené na aktuálních narativech, které ignorují historické základní míry podobných situací

6.3. Společenské náklady

• Nespravedlivá odsouzení: Jak bylo vidět v případech Sally Clark a Lucie de Berk, zanedbání základní míry v soudních řízeních ničí životy nevinných lidí
• Nesprávná alokace zdrojů: Zdroje směrované na živé, ale vzácné hrozby (terorismus), zatímco pravděpodobnější škody (úmrtí na silnicích, nemoci) jsou zanedbávány
• Algoritmická nespravedlnost: AI systémy trénované na zkreslených datech udržují a zesilují chyby základní míry, což vede k diskriminační policejní práci, poskytování úvěrů a náboru
• Selhání v oblasti veřejného zdraví: Nepochopení statistiky screeningu vede v masovém měřítku k nevhodným rozhodnutím o testování a léčbě
• Finanční krize: Trhy, které ignorují základní míry oceňování, vytvářejí bubliny, které poškodí miliony lidí, když nevyhnutelně prasknou

6.4. Statistický dopad

Výsledky výzkumů o měřitelném dopadu zanedbání základní míry:

• Lékařské rozhodování: Studie ukazují, že pouze ~15 % lékařů správně interpretuje pozitivní výsledky testů, když je základní míra onemocnění nízká, což vede k masivnímu nadměrnému diagnostikování
• Rozhodnutí poroty: Studie s falešnými porotami zjišťují, že informace o základní míře jsou z velké části ignorovány, když jsou předložena živá svědectví
• Přesnost predikcí: Výzkum Philipa Tetlocka zjistil, že "superpředpovídači" (superforecasters), kteří překonají zanedbání základní míry, překonávají experty o více než 30 %
• Výkon algoritmu: Analýza algoritmu pro odhad recidivy COMPAS od ProPublica zjistila, že jeho zkreslení základní míry vedlo k míře falešně pozitivních výsledků, která byla pro černošské obžalované dvakrát vyšší než pro bělošské

7. Skryté výhody

Klam základní míry není čistě kognitivním defektem – základní mechanismy slouží k důležitým adaptivním funkcím.

Rychlá detekce hrozeb: V prostředích, kde minutí predátora znamená smrt, je lepší přehnaně reagovat na specifické podněty signalizující nebezpečí, než pečlivě počítat statistiku populace. Náklady na falešně pozitivní výsledek (zbytečná ostražitost) jsou nízké ve srovnání s falešně negativním (sežrání).

Sociální inteligence: Čtení specifických záměrů jednotlivců je pro sociální úspěch důležitější než znát statistiku chování lidské populace na populační úrovni. Osoba před vámi není průměrný člověk – je to konkrétní jedinec, jehož konkrétním záměrům musíte porozumět.

Učení prostřednictvím příběhů: Příběhy jsou způsobem, jakým lidé předávají znalosti napříč generacemi. "Předpojatost" vůči živým případům oproti statistikám je to, co umožňuje poučit se ze zkušeností a ze zkušeností druhých.

Energetická účinnost: Pečlivé bayesovské uvažování je metabolicky drahé. Pro většinu každodenních rozhodnutí přináší rychlé hledání vzorců dostatečně dobré výsledky za zlomek kognitivních nákladů.

Kompromis: Úplné odstranění zanedbání základní míry by vyžadovalo neustálé úsilí při výpočtech, které by paralyzovalo rozhodování. Cílem není eliminovat heuristiku, ale rozpoznat, kdy je statistické myšlení vyžadováno – zejména v právních, lékařských, finančních a politických oblastech, kde na základních mírách záleží nejvíce.

8. Sebehodnocení: Máte toto zkreslení?

8.1. Kontrolní seznam varovných příznaků

• Často si myslíte "tato situace je jiná", aniž byste zkontrolovali statistické podobnosti s minulými situacemi
• Konkrétní příklady považujete za přesvědčivější než statistické přehledy
• Učinili jste rozhodnutí založená na zapamatovatelných anekdotách spíše než na základě dat
• Dělá vám problém uvěřit, že by výsledek lékařského testu mohl být falešně pozitivní
• Odhadujete pravděpodobnosti podle toho, jak snadno si dokážete výsledek představit
• Soudíte lidi rychle na základě prvního dojmu nebo ojedinělého chování
• Ignorovali jste "informace z pozadí", protože se zdály méně relevantní než konkrétní detaily
• Statistiku základní míry považujete v diskuzích za "chladnou" nebo "mimo mísu"
• Byli jste překvapeni, když se statistické předpovědi lišily od vašich intuicí
• Bráníte se přemýšlení v procentech a preferujete úsudky ano/ne

Hodnocení:

• Zaškrtnuto 0-2: Nízká náchylnost
• Zaškrtnuto 3-5: Střední náchylnost
• Zaškrtnuto 6-8: Vysoká náchylnost
• Zaškrtnuto 9-10: Velmi vysoká náchylnost

8.2. Otázky k sebereflexi

1. Kdy naposledy jste změnili názor na základě statistických důkazů spíše než kvůli přesvědčivému příběhu nebo příkladu?
2. Zamyslete se nad významným rozhodnutím, které jste nedávno učinili – zkoumali jste základní míry úspěchu/neúspěchu pro podobná rozhodnutí?
3. Odmítli jste někdy relevantní statistiky, protože jste neměli pocit, že se vztahují na vaši konkrétní situaci?
4. Když vám někdo vypráví anekdotu, zajímáte se instinktivně, jak typická nebo atypická tato zkušenost je?
5. Řekli vám někdy ostatní, že přikládáte příliš velkou váhu jednotlivým příkladům nebo naopak malou váhu datům?

8.3. Rychlý diagnostický scénář

Scénář: Byl vyvinut nový lékařský test na vážnou chorobu. Test je přesný na 99 % (jak při zjišťování nemoci, pokud je přítomna, tak při správném označení zdravých lidí). V běžné populaci má tuto nemoc 1 člověk z 1 000. Váš test vyjde pozitivní. Jaká je pravděpodobnost, že tuto nemoc skutečně máte?

Jak byste odpověděli?

• A) Kolem 99 % → Vysoká náchylnost (porovnáváte odpověď s přesností testu a ignorujete základní míru)
• B) Kolem 50 % → Střední náchylnost (cítíte, že něco nesedí, ale neumíte vypočítat skutečnou pravděpodobnost)
• C) Kolem 9 % → Nízká náchylnost (správně jste integrovali základní míru; ~10 skutečně pozitivních a ~100 falešně pozitivních z 1 000 testovaných osob)

9. Identifikace tohoto zkreslení u ostatních

9.1. Behaviorální indikátory

• Odmítání statistických argumentů jako "chladných" nebo "mimo mísu" ve prospěch osobních příběhů
• Časté používání frází jako "podle mé zkušenosti" nebo "znám někoho, kdo..." při vznášení obecných tvrzení
• Zacházení s jednotlivými případy jako s definitivním důkazem pro široké vzorce
• Potíže s přijetím skutečnosti, že statistická zobecnění platí pro jejich konkrétní situaci
• Přeceňování nedávných nebo zapamatovatelných událostí při odhadování pravděpodobností
• Odpor ke změně názorů při prezentaci dat o základní míře

9.2. Konverzační varovné signály

Fráze, které lidé používají pod vlivem tohoto zkreslení:

• "Ale tento případ je jiný..."
• "Statistiky neříkají celý příběh"
• "Vím, co říkají čísla, ale..."
• "Dovol mi říct ti o někom, koho znám..."
• "Statistikou se dá dokázat cokoliv"

Typy argumentů, které předkládají:

• Citování příběhů individuálních úspěchů/neúspěchů jako důkazů pro obecné strategie
• Považování výjimečných případů za reprezentativní pro typické výsledky

Otázky, kterým se vyhýbají:

• "Jak často se to obvykle stává?"
• "Jaká je úspěšnost v podobných situacích?"

9.3. Situační spouštěče

• Emoční vklady: Když na výsledcích hluboce záleží, specifické informace o případu se stávají přesvědčivějšími
• Živé příklady: Nedávné, dramatické nebo osobně zažité události přehluší statistické základy
• Komplexita: Když je statistická analýza obtížná, lidé se uchylují k reprezentativním příkladům
• Časový tlak: Rychlá rozhodnutí zvýhodňují hledání vzorců před výpočtem pravděpodobnosti
• Narativní kontext: Když informace přicházejí ve formě příběhů a nikoli statistik
• Rámování experty: Když autority prezentují informace o případu bez kontextu základní míry

10. Kognitivní strategie pro odbourání zkreslení

10.1. Okamžité techniky

• Ptejte se "Jak často?": Před přijetím individualizujících informací se výslovně zeptejte na základní míru. "Jak běžný je tento výsledek obecně?"
• Přerámování pomocí "100 lidí": Když je vám sdělena pravděpodobnost, představte si 100 lidí v dané situaci. Kolik by jich mělo daný výsledek?
• Zvažte alternativu: Jaká je základní míra konkurenční hypotézy? (Jako porovnávání mír dvojitého SIDS a dvojnásobné vraždy)
• Předpovídání referenční třídy: Identifikujte relevantní referenční třídu pro vaši situaci a zkontrolujte historické výsledky
• Novinový test: Objevil by se tento konkrétní případ ve zprávách, protože je neobvyklý? Pokud ano, pravděpodobně není reprezentativní

10.2. Dlouhodobé strategie

• Procvičujte si bayesovské myšlení: Pravidelně řešte problémy s pravděpodobností, které vyžadují integraci základních měr
• Veďte si záznamy predikcí: Zaznamenávejte předpovědi s uvedenými pravděpodobnostmi a poté kontrolujte výsledky, abyste zkalibrovali své intuice
• Vyhledejte statistické školení: Formální vzdělání v oblasti pravděpodobnosti a statistiky zlepšuje odolnost vůči tomuto klamu
• Budujte knihovny základních měr: Pro důležité oblasti (zdraví, kariéra, finance) prozkoumejte a zapamatujte si relevantní základní míry
• Kultivujte statistické přátele: Rozvíjejte vztahy s lidmi, kteří uvažují pravděpodobnostně a budou vaše uvažování zpochybňovat

10.3. Návrh prostředí

• Používejte formáty přirozených četností: Převádějte pravděpodobnosti do formátů "X z Y", které mozek zpracovává intuitivněji
• Vytvářejte rozhodovací kontrolní seznamy: Zahrňte otázky k základní míře jako povinné kroky u důležitých rozhodnutí
• Používejte pole ikon: Vizuální reprezentace pravděpodobností snižují zanedbání jmenovatele
• Předem se zavažte ke statistickým kritériím: Před setkáním s konkrétní informací definujte, jaké statistiky by změnily váš názor
• Navrhujte zobrazení informací: Prezentujte základní míry prominentně a před individualizujícími informacemi

10.4. Kdy vyhledat externí pomoc

• Rozhodnutí s vysokými sázkami: Lékařské diagnózy, právní rozsudky, významné investice, rozhodnutí o přijetí do zaměstnání
• Když máte silnou intuici: Silné pocity mohou naznačovat přepsání Systémem 1 – proveďte statistickou kontrolu
• Komplexní pravděpodobnostní situace: Když interaguje více podmíněných pravděpodobností
• Emoční zaujetí: Když osobní sázky ztěžují objektivní uvažování
• Nesoulad odborností: Když rozhodnutí vyžaduje statistickou odbornost, která vám chybí

11. Praktická cvičení

Cvičení 1: Kalkulačka screeningových testů

• Cíl: Rozvinout intuici pro bayesovské uvažování prostřednictvím řešení scénářů lékařského screeningu
• Potřebný čas: 20 minut
• Potřebné materiály: Kalkulačka, papír
• Úroveň obtížnosti: Středně pokročilí
• Instrukce:
  1. Vyberte si zdravotní stav a vyhledejte jeho prevalenci (základní míru) ve vaší demografické skupině
  2. Vyhledejte senzitivitu a specificitu běžných screeningových testů na daný stav
  3. Vypočítejte pozitivní prediktivní hodnotu: jaké procento pozitivních testů představuje skutečně pozitivní případy?
  4. Vypočítejte negativní prediktivní hodnotu: jaké procento negativních testů představuje skutečně negativní případy?
  5. Vizualizujte to pomocí tabulky 2x2 pro populaci 10 000 osob
• Otázky k zamyšlení:
  • Byli jste překvapeni pozitivní prediktivní hodnotou?
  • Jak to změní váš pohled na lékařský screening?
  • Na jaké otázky byste se měli zeptat svého lékaře po obdržení výsledků testů?
• Frekvence: Měsíčně, s použitím různých zdravotních potíží

Cvičení 2: Předpovídání referenční třídy

• Cíl: Vybudovat si zvyk hledat relevantní základní míry před vytvořením předpovědí
• Potřebný čas: 30 minut
• Potřebné materiály: Přístup na internet, tabulkový procesor
• Úroveň obtížnosti: Středně pokročilí
• Instrukce:
  1. Identifikujte nadcházející rozhodnutí nebo predikci, kterou musíte učinit
  2. Definujte referenční třídu: jaké podobné situace existují?
  3. Prozkoumejte základní míru výsledků v této referenční třídě
  4. Upravte základní míru na základě konkrétních faktorů, kvůli kterým se vaše situace liší
  5. Zdůvodněte a zdokumentujte svůj odhad pravděpodobnosti
• Otázky k zamyšlení:
  • Jak zjištění základní míry změnilo váš počáteční odhad?
  • Jaké specifické faktory ospravedlnily úpravu oproti základní míře?
  • Byli jste v pokušení bez důkazů považovat vaši situaci za "jinou"?
• Frekvence: Před jakýmkoli zásadním rozhodnutím

Cvičení 3: Přerámování četností

• Cíl: Procvičit převod výroků o pravděpodobnosti na formáty přirozených četností
• Potřebný čas: 15 minut
• Potřebné materiály: Seznam výroků o pravděpodobnosti (ze zpravodajských článků, výzkumných zpráv)
• Úroveň obtížnosti: Začátečník
• Instrukce:
  1. Sesbírejte 5 výroků o pravděpodobnosti z nedávných zpráv (např. "5% riziko komplikací")
  2. Přerámujte každý do přirozené frekvence (např. "5 ze 100 pacientů")
  3. Pro každý případ napište, co se stane se zbývajícími 95 (nebo relevantním číslem)
  4. Všimněte si, jak to změní váš intuitivní smysl pro pravděpodobnost
  5. Procvičte si vysvětlení verze s frekvencí někomu dalšímu
• Otázky k zamyšlení:
  • Který formát učinil pravděpodobnosti snáze srozumitelnými?
  • Zdály se některé pravděpodobnosti ve formátu četností více či méně znepokojující?
  • Jak můžete toto přerámování uplatnit v každodenním životě?
• Frekvence: Týdně

Každodenní praxe

Otázka na základní míru: Každý den, když si vytvoříte názor nebo učiníte predikci, se na chvíli zastavte a zeptejte se: "Jaká je základní míra?" Pokud to nevíte, věnujte 60 sekund jejímu prozkoumání.

• Doporučená délka: 1-2 minuty na každý případ
• Nejlepší denní doba: Při rozhodování nebo hodnocení v průběhu dne
• Jak sledovat pokrok: Poznamenejte si do deníku, když jste si vzpomněli zeptat se, a co jste se dozvěděli

Týdenní výzva

Audit předpovědí: Každý týden zkontrolujte 3 předpovědi nebo úsudky, které jste učinili. U každého:

1. Identifikujte, zda jste zohlednili základní míru
2. Prozkoumejte, jaká byla skutečná základní míra
3. Posuďte, zda by informace o základní míře změnila váš úsudek

• Očekávané výsledky po 4 týdnech: Zvýšené povědomí o zanedbání základní míry ve vlastním myšlení; více automatické zvažování základních měr
• Podněty k sebereflexi v deníku:
  • Jaké typy rozhodnutí u mě nejčastěji spouštějí zanedbání základní míry?
  • Jaké strategie mi pomáhají nezapomenout na kontrolu základní míry?
  • Jak se změnila kvalita mých rozhodnutí s tím, jak jsem začal procvičovat?

12. Pro specifická publika

Pro lídry a manažery

Klam základní míry je obzvláště nebezpečný v organizačních prostředích, kde živé úspěchy a neúspěchy řídí strategii více než systematická analýza.

Klíčová zranitelná místa:

• Rozhodnutí o přijetí do zaměstnání na základě dojmů z pohovoru spíše než podle základních měr kandidáta
• Hodnocení výkonu ukotvené v zapamatovatelných událostech spíše než na základě konzistentních metrik
• Strategické plánování tažené anekdotami z konkurence spíše než podle statistik z odvětví
• Alokace zdrojů na základě nedávných výsledků projektů spíše než podle historických měr úspěšnosti

Strategie:

• Implementujte strukturované pohovory se standardizovaným hodnocením pro snížení dopadu individuálních dojmů
• Vytvářejte "premortem" cvičení (cvičení zkoumající důvody případného budoucího selhání), která explicitně zohledňují základní míry selhání projektů
• Požadujte u velkých iniciativ předpovědi referenční třídy
• Budujte řídicí panely (dashboardy), které kladou základní míry do popředí vedle individuálních případů
• Kultivujte "statistické skeptiky", kteří mají pravomoc zpochybňovat uvažování na základě živých případů

Pro rodiče a učitele

Děti jsou obzvláště náchylné k zanedbání základní míry, protože poznávají svět především prostřednictvím příkladů a příběhů.

Výukové přístupy:

• Využívejte hry zahrnující pravděpodobnost (kostky, karty) k vybudování intuice pro základní míry
• Při diskusi o rizicích (nebezpečí cizích lidí, nemoci, nehody) poskytujte kontext o tom, jak je každý případ ve skutečnosti běžný
• Upozorňujte, když zprávy obsahují události, které jsou pro zprávy hodnotné proto, že jsou vzácné
• Modelujte statistické myšlení: "To je zajímavý příklad. Zajímalo by mě, jak typický asi je?"
• Naučte je rozdíl mezi tím, "tohle se stalo" a "tohle se stává obvykle"

Vysvětlení přiměřená věku:

• Věk 6-10: "Některé věci se stávají často a některé jsou vzácné. Příběhy jsou často o vzácných věcech, protože jsou překvapivé."
• Věk 11-14: "Čísla nám mohou říct, jak často se věci skutečně stávají, což je něco jiného než to, jak často o nich slýcháme."
• Věk 15+: Úvod do konceptů pravděpodobnosti, Bayesova teorému a formálního uvažování

Pro zdravotníky

Zanedbání základní míry má hluboké důsledky pro diagnózu, screening a komunikaci s pacienty.

Klinické důsledky:

• Vzácné nemoci jsou naddiagnostikovány, když párování příznaků převládne nad daty o prevalenci
• Efektivita screeningového programu závisí na základních mírách populace, nikoliv pouze na přesnosti testu
• Úzkost pacienta z pozitivních výsledků screeningu často převyšuje odpovídající obavy
• Při rozhodování o léčbě mohou být přeceňovány dramatické případové studie spíše než statistiky z klinických studií

Strategie:

• Při sdělování výsledků testů pacientům používejte formáty přirozené frekvence
• Implementujte podporu klinického rozhodování, která na povrch vynáší relevantní základní míry
• V diagnostických kontrolních seznamech vyžadujte explicitní zvážení základní míry
• Pomocí ikon a vizuálních pomůcek vysvětlujte pozitivní prediktivní hodnotu
• Trénujte bayesovské uvažování jako součást lékařského vzdělávání

Pro finanční odborníky

Trhy jsou taženy narativy, díky čemuž je disciplína základní míry pro investiční úspěch zásadní.

Klíčová zranitelná místa:

• Uvažování ve stylu "tentokrát je to jinak" v bublinových oceněních
• Zkreslení z nedávnosti v rizikových modelech (považování nedávné volatility za základní míru)
• Přeceňování konkrétních doporučení analytiků nad základní míry sektoru
• Považování výsledků úspěšného manažera fondu za dovednost spíše než za náhodu

Strategie:

• Udržujte referenční grafy základních měr dlouhodobého ocenění (P/E poměry, míry selhání atd.)
• Implementujte systematické rebalancování, které vynucuje předpoklady návratu k průměru
• Používejte simulace Monte Carlo s historicky kalibrovaným rozdělením
• Požadujte pro investiční teze explicitní dokumentaci základní míry
• Studujte historické bubliny a krachy ke zkalibrování očekávání

13. Interakce s jinými kognitivními zkresleními

Zkreslení, která toto zesilují

Zkreslení, která proti tomuto působí

Běžné řetězce zkreslení

Řetězec 1: Živý příklad (Dostupnost) → Hledání vzorce (Reprezentativnost) → Zanedbání základní míry → Sebevědomý omyl (Přílišná sebedůvěra) → Potvrzení chyby (Konfirmační zkreslení)

Řetězec 2: Ukotvení u konkrétního případu → Ignorování populačních dat → Vytvoření podpůrného příběhu (Narativní klam) → Odpor ke korektivním důkazům

Přerušení kaskády: Nejúčinnější bod intervence je na začátku – předtím, než živý příklad upoutá pozornost. Přednačtení informací o základní míře, používání formátů četnosti a vytváření explicitních návyků kontroly základní míry může zabránit spuštění této kaskády.

14. Kulturní perspektivy

Výzkum kulturních odchylek v používání základní míry odhaluje zajímavé vzorce, ačkoli se zdá, že hlavní tendence k zanedbávání je univerzální.

Mezikulturní zjištění:

• Studie neustále objevují zanedbání základní míry napříč západními, asijskými a jinými kulturními kontexty
• Některé důkazy naznačují, že východoasijští účastníci prokazují mírně lepší využití základní míry v určitých kontextech, což může souviset s holistickými kognitivními styly
• Vzdělávací systémy s důrazem na pravděpodobnost a statistiku produkují lepší integraci základní míry bez ohledu na kulturní pozadí
• Přístup právních systémů ke statistickým důkazům se významně liší kultura od kultury

Univerzální aspekty: Zdá se, že základní fenomén – upřednostňování specifických živých informací před abstraktními statistickými měřítky – je lidskou univerzálií zakořeněnou v kognitivní architektuře, která předchází kulturní diferenciaci.

Mezikulturní důsledky: Statistické důkazy vyžadují pečlivé rámování v různých kulturních kontextech. To, co funguje v jednom právním nebo lékařském systému, se nemusí přímo přenést do jiného.

15. Mýty a mylné představy

16. Poznatky odborníků

"Neochotě subjektů odvodit konkrétní od obecného se vyrovnala pouze jejich ochota odvozovat obecné od konkrétního." — Amos Tversky & Daniel Kahneman, 1973

"Podobnost není ovlivněna základními mírami, přestože jsou intuitivní soudy o pravděpodobnosti podobností ovládány." — Daniel Kahneman, Myšlení rychlé a pomalé, 2011

"Problém není v tom, že lidé nejsou schopni statisticky uvažovat, ale v tom, že většina problémů je prezentována ve formátu, který neodpovídá formátu, ve kterém se lidská mysl vyvinula uvažovat." — Gerd Gigerenzer, 2002

"Psychologové posuzují racionalitu svých subjektů podle standardu, který pro daný úkol není vhodný." — L.J. Cohen, 1981

17. Klíčové poznatky

1. Zanedbání základní míry je univerzální: Všichni lidé mají tendenci podceňovat statistické základní míry, když jsou k dispozici specifické informace – je to vlastnost lidské kognitivní architektury, nikoliv selhání jedince.

2. Mechanismem je heuristika reprezentativnosti: Pravděpodobnost posuzujeme spíše podle podobnosti s prototypy než podle četnosti v populaci.

3. Na formátu obrovsky záleží: Prezentace informací jako přirozených četností (X z Y) namísto pravděpodobností dramaticky snižuje tento klam.

4. Kontext řídí využití základní míry: Lidé používají základní míry, když se zdají být kauzálně relevantní; ignorují je, když se zdají "pouze statistické".

5. Důsledky jsou katastrofální: Od nespravedlivých odsouzení (Sally Clark, Lucia de Berk) k finančním krizím (LTCM, Dot-Com) až po algoritmickou diskriminaci, zanedbání základní míry utváří velká společenská selhání.

6. Odbourání zkreslení vyžaduje design: Nemůžeme se jednoduše "rozhodnout" respektovat základní míry – potřebujeme informační architektury, kontrolní seznamy a rozhodovací procesy, díky nimž jsou základní míry viditelné a relevantní.

7. Zkreslení má své výhody: V mnoha každodenních kontextech je rychlé porovnávání vzorců, které ignoruje základní míry, adaptivní a efektivní – cílem je rozpoznat, kdy je statistické myšlení skutečně nutné.

18. Další zdroje

Akademické práce

• Tversky, A., & Kahneman, D. (1973). On the psychology of prediction. Psychological Review, 80(4), 237-251.
• Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684-704.
• Bar-Hillel, M. (1980). The base-rate fallacy in probability judgments. Acta Psychologica, 44(3), 211-233.
• Kahneman, D., & Frederick, S. (2002). Representativeness revisited: Attribute substitution in intuitive judgment. V Heuristics and Biases (pp. 49-81). Cambridge University Press.
• Koehler, J. J. (1996). The base rate fallacy reconsidered: Descriptive, normative, and methodological challenges. Behavioral and Brain Sciences, 19(1), 1-17.

Knihy

• Kahneman, D. (2011). Thinking, Fast and Slow (Myšlení rychlé a pomalé). Farrar, Straus and Giroux.
• Gigerenzer, G. (2002). Calculated Risks: How to Know When Numbers Deceive You. Simon & Schuster.
• Gigerenzer, G., Todd, P. M., & ABC Research Group. (1999). Simple Heuristics That Make Us Smart. Oxford University Press.
• Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.
• Meehl, P. E. (1954). Clinical vs. Statistical Prediction. University of Minnesota Press.

Kapitoly knih

• Meehl, P. E., & Rosen, A. (1955). Antecedent probability and the efficiency of psychometric signs, patterns, or cutting scores. Psychological Bulletin, 52(3), 194-216.
• Hattori, M., & Nishida, Y. (2009). Why does the base rate appear to be ignored? The equiprobability hypothesis. Psychonomic Bulletin & Review, 16(6), 1065-1070.

19. Souhrnná karta

20. Slovníček použitých pojmů

21. Otázky k diskuzi

Pro knižní kluby, třídy nebo sebereflexi:

1. Dokážete si vzpomenout na velké rozhodnutí ve vašem životě, u kterého jste si později uvědomili, že jste ignorovali základní míru? Co byste udělali jinak?

2. Války o racionalitu se ptají, zda je zanedbání základní míry "chyba", nebo "vlastnost" lidského uvažování. Jaký je váš názor a jaké jsou jeho důsledky?

3. Jak by měly soudy nakládat se statistickými důkazy vzhledem k tomu, co víme o zanedbání základní míry v porotách? Měly by existovat speciální požadavky na školení nebo odborníky?

4. Gigerenzer tvrdí, že prezentace informací v přirozených četnostech z velké části "řeší" zanedbání základní míry. Pokud je to pravda, kdo je zodpovědný za prezentaci informací ve správném formátu – jednotlivci, instituce, nebo pedagogové?

5. Vzhledem k tomu, že AI systémy stále více činí rozhodnutí, která ovlivňují lidské životy, jaké existují povinnosti ohledně řešení zkreslení základní míry v algoritmech? Jak by měla být definována algoritmická spravedlnost?