Cognitive Biases Academy
CS
Přihlásit se
Hlavní menu
Všechna zkreslení
Kurz
O projektu
CS
(Czech)
Přihlásit se
→
Cognitive Biases Academy
Zavřít menu
Všechna zkreslení
Kurz
O projektu
CS (Czech)
Přihlásit se
Domů
Nedostatek smyslu
Doplňujeme si vlastnosti ze stereotypů, zobecnění a předchozích zkušeností
15 Zkreslení v kategorii
Doplňujeme si vlastnosti ze stereotypů, zobecnění a předchozích zkušeností
Prozkoumat zkreslení
Do hloubky
Všechna zkreslení
Chyba skupinové atribuce
Předpokládáme, že vlastnosti jednotlivce odrážejí skupinu, do které patří, nebo že skupinová rozhodnutí odrážejí preference všech členů.
Konečná atribuční chyba
Připisujeme negativní chování členů cizí skupiny jejich charakteru, zatímco jejich pozitivní chování připisujeme vnějším okolnostem.
Stereotypizace
Předpokládáme, že jednotlivci mají určité vlastnosti na základě jejich členství ve skupině.
Esencialismus
Věříme, že určité kategorie mají základní podstatu, která určuje jejich vlastnosti.
Funkční fixace
Vidíme objekty pouze z hlediska jejich tradičního použití.
Efekt morálního kreditu
Cítíme se oprávněni chovat se neeticky poté, co jsme udělali něco dobrého, jako bychom si vysloužili morální kredity.
Hypotéza spravedlivého světa
Věříme, že svět je spravedlivý a lidé dostanou to, co si zaslouží.
Argument z klamu
Předpokládáme, že pokud argument obsahuje logický klam, jeho závěr musí být nepravdivý.
Zkreslení autoritou
Názorům autorit připisujeme větší přesnost a váhu.
Zkreslení automatizací
Dáváme přednost návrhům z automatizovaných systémů před protichůdnými informacemi z neautomatizovaných zdrojů.
Efekt přidání se k davu
Přijímáme přesvědčení nebo chování, protože tak činí mnoho dalších.
Placebo efekt
Zažíváme skutečné změny v příznacích nebo stavech, protože věříme, že léčba bude fungovat.
Representativeness Heuristic
We judge how likely something is by how closely it resembles our mental prototype, ignoring base rates and sample size.
Pygmalion Effect
What others expect of us tends to come true, because their expectations change how they treat us and how we respond.
Algorithm Aversion
We abandon an algorithm after seeing it make one mistake, even when it still outperforms human judgment; in other settings we over-trust it.
Vybrat jazyk
AF
(Afrikaans)
AR
(العربية)
AZ
(azərbaycanca)
BG
(български)
BN
(বাংলা)
CS
(čeština)
DA
(dansk)
DE
(Deutsch)
EL
(Ελληνικά)
EN
(English)
ES
(español)
ET
(eesti)
FA
(فارسی)
FI
(suomi)
FIL
(Filipino)
FR
(français)
GU
(ગુજરાતી)
HE
(עברית)
HI
(हिन्दी)
HR
(hrvatski)
HU
(magyar)
HY
(Հայերեն)
ID
(Bahasa Indonesia)
IT
(italiano)
JA
(日本語)
KA
(ქართული)
KK
(қазақ тілі)
KM
(ភាសាខ្មែរ)
KN
(ಕನ್ನಡ)
KO
(한국어)
KU
(کوردی)
LO
(ລາວ)
LT
(lietuvių)
LV
(latviešu)
ML
(മലയാളം)
MN
(монгол)
MR
(मराठी)
MS
(Bahasa Melayu)
MY
(မြန်မာဘာသာ)
NB
(Bokmål)
NL
(Nederlands)
NN
(nynorsk)
PA
(ਪੰਜਾਬੀ)
PL
(polski)
PS
(پښتو)
PT
(português)
RO
(română)
RU
(русский)
SI
(සිංහල)
SK
(slovenčina)
SL
(slovenščina)
SR
(Српски)
SV
(svenska)
SW
(Kiswahili)
TA
(தமிழ்)
TE
(తెలుగు)
TG
(тоҷикӣ)
TH
(ไทย)
TL
(Tagalog)
TR
(Türkçe)
UK
(українська)
UR
(اردو)
UZ
(Ўзбек)
VI
(Tiếng Việt)
YUE
(廣州話)
ZH
(简体中文)
Zrušit