Négligence du taux de base

En un coup d'œil

1. Résumé rapide

Lorsqu'ils portent des jugements sur la probabilité, les humains ont tendance à se concentrer sur des détails vifs et spécifiques concernant un cas particulier tout en ignorant le contexte statistique plus large qui devrait éclairer leur décision. Si quelqu'un décrit une personne calme et studieuse qui aime la poésie, vous pourriez deviner « bibliothécaire », même s'il y a beaucoup plus d'enseignants, de comptables ou d'employés de bureau dans le monde qui partagent ces traits. La négligence du taux de base se produit parce que nos cerveaux sont programmés pour faire correspondre des modèles et raconter des histoires, et non pour calculer des probabilités.

2. La science derrière tout ça

2.1. Découverte et histoire

L'identification formelle de la négligence du taux de base a émergé de la révolution cognitive en psychologie dans les années 1970. Bien que la tension entre le raisonnement statistique et l'intuition clinique ait été notée plus tôt par Paul Meehl et Albert Rosen en 1955 (qui avaient mis en garde les cliniciens concernant l'interprétation des tests diagnostiques), ce sont Amos Tversky et Daniel Kahneman qui ont formellement identifié et nommé ce biais.

Leur article de 1973, « On the Psychology of Prediction », a remis en question l'hypothèse économique dominante de l'acteur rationnel. Ils ont démontré que lorsqu'on demande aux gens de prédire des résultats, ils ne fonctionnent pas comme des statisticiens intuitifs qui mettent à jour les probabilités a priori avec de nouvelles preuves (comme le dicterait le théorème de Bayes). Au lieu de cela, ils s'appuient sur des raccourcis mentaux qui ignorent systématiquement les informations sur les taux de base.

La découverte a déclenché ce qu'on a appelé « Les guerres de la rationalité » (The Rationality Wars), un débat théorique intense pour savoir si la négligence du taux de base constitue une faille fondamentale du raisonnement humain ou représente une réponse adaptative à la structure environnementale. Ce débat a façonné les sciences cognitives pendant cinq décennies.

Étapes clés de la recherche :

• 1955 : Meehl et Rosen identifient le problème de la prédiction clinique par rapport à la prédiction actuarielle
• 1973 : Tversky et Kahneman publient « On the Psychology of Prediction »
• 1980 : Maya Bar-Hillel introduit la critique de la théorie de la pertinence (Relevance Theory)
• 1995 : Gerd Gigerenzer démontre que les formats de fréquences naturelles réduisent l'erreur
• 2002 : Kahneman et Frederick formalisent la théorie de la « substitution d'attribut »
• Années 2010 : La recherche s'étend aux systèmes d'IA et aux biais algorithmiques

2.2. Chercheurs clés

2.3. Études phares

L'expérience « Tom W. » (Kahneman & Tversky, 1973)

Cette étude fondatrice a démontré comment la représentativité submerge les taux de base même lorsque les participants possèdent des connaissances précises sur ces taux de base.

Conception : Les participants ont été divisés en trois conditions :

• Groupe Taux de Base : Ont estimé le pourcentage d'étudiants diplômés dans neuf domaines. Ils ont correctement identifié les sciences humaines et l'éducation comme de grands domaines (taux de base élevés) et l'informatique comme un petit domaine (faible taux de base).
• Groupe Similitude : Ayant reçu une esquisse de la personnalité de « Tom W. » (décrit comme intelligent mais manquant de créativité, ordonné, avec une écriture mécanique et peu de sympathie pour les autres), ils ont classé les domaines en fonction de la similitude de Tom avec l'étudiant typique.
• Groupe Prédiction : Ayant reçu la même esquisse et invités à classer les domaines selon la probabilité que Tom W. étudie actuellement dans ce domaine — en précisant que l'esquisse était basée sur des tests de « validité limitée ».

Résultats : Les classements du groupe Prédiction étaient presque parfaitement corrélés (r > 0,9) avec le groupe Similitude et négativement avec le groupe Taux de Base. Bien qu'ils sachent que l'informatique était un domaine minuscule par rapport aux sciences humaines, les participants ont prédit que Tom était un informaticien parce qu'il ressemblait à l'un d'eux. Les informations individualisantes ont complètement noyé les informations sur les taux de base, même lorsque les participants ont été avertis que les informations n'étaient pas fiables.

Le problème du taxi (Kahneman & Tversky, 1972)

La démonstration numérique la plus célèbre de cette erreur, isolant le conflit entre les taux de base et le témoignage oculaire.

Scénario : Un taxi a été impliqué dans un délit de fuite la nuit. Deux compagnies opèrent dans la ville :

• Taux de base : 85 % de taxis verts, 15 % de taxis bleus
• Un témoin a identifié le taxi comme étant bleu
• Des tests judiciaires ont montré que le témoin identifiait correctement les couleurs 80 % du temps

Question : Quelle est la probabilité que le taxi ait été bleu ?

La réponse intuitive : La plupart des participants répondent 80 %, ce qui correspond directement à l'exactitude du témoin.

L'analyse bayésienne : $$P(Bleu|Témoin\ dit\ Bleu) = \frac{0.80 \times 0.15}{(0.80 \times 0.15) + (0.20 \times 0.85)} = \frac{0.12}{0.29} \approx 41%$$

L'idée clé : Bien que le témoin affirme qu'il est bleu, il est en fait plus probable (59 %) que le taxi ait été vert. La grande flotte verte produit plus de faux signalements de taxis bleus que la petite flotte bleue ne produit de vrais signalements de taxis bleus. Les participants ne parviennent pas à deviner intuitivement que le « poids » du taux de base vert tire la probabilité vers le bas par rapport aux 80 % de précision du témoin.

Le problème de l'ingénieur et de l'avocat (Tversky & Kahneman, 1973)

Conception : Les participants ont reçu des descriptions tirées d'échantillons de 100 professionnels :

• Condition A : 70 ingénieurs, 30 avocats
• Condition B : 30 ingénieurs, 70 avocats

« Jack » était décrit avec des traits stéréotypés d'ingénieur (conservateur, prudent, intéressé par la menuiserie).

Résultats : Les participants ont estimé la probabilité que Jack soit un ingénieur comme étant pratiquement identique dans les deux conditions (~90 %), ignorant complètement que les taux de base étaient inversés. Surtout, lorsqu'on leur donnait une description neutre ne correspondant à aucun stéréotype, les participants utilisaient correctement le taux de base (70 % ou 30 %), prouvant qu'ils pouvaient utiliser les taux de base mais les rejetaient immédiatement à la réception de données individualisantes.

2.4. Base neurologique

Les recherches sur les substrats neuronaux de la négligence du taux de base pointent vers un conflit entre deux systèmes cognitifs :

Système 1 (Traitement intuitif) : Le cortex préfrontal et le système limbique pilotent la reconnaissance de formes rapide et automatique. Lors de la présentation d'informations individualisantes, ces régions s'activent fortement, générant des jugements intuitifs "basés sur la similitude". L'amygdale peut renforcer la saillance des informations vives et spécifiques.

Système 2 (Traitement délibératif) : Le cortex préfrontal dorsolatéral et le cortex cingulaire antérieur soutiennent un raisonnement statistique exigeant un effort. Des études utilisant l'IRMf montrent que l'intégration correcte des taux de base nécessite l'activation de ces régions, ce qui exige un effort cognitif et est facilement perturbé par la pression du temps ou la charge cognitive.

La compétition neuronale : La négligence du taux de base semble résulter du fait que le Système 1 "gagne" la compétition neuronale parce que :

• La reconnaissance des modèles est plus rapide et nécessite moins de ressources
• Les histoires spécifiques activent le traitement émotionnel plus que les statistiques abstraites
• Le mode par défaut du cerveau est de construire des récits, pas de calculer des probabilités
• Les limites de la mémoire de travail contraignent le traitement simultané des taux de base et des informations sur les cas

La recherche sur les neurotransmetteurs suggère que les voies dopaminergiques impliquées dans la prédiction de la récompense peuvent contribuer à l'attrait de "succès" spécifiques par rapport à la pensée statistique, tandis que les hormones de stress peuvent encore réprimer le traitement délibératif.

3. Origines évolutives

La négligence du taux de base existe parce que la cognition humaine a évolué comme un moteur de reconnaissance de formes optimisé pour naviguer face aux menaces environnementales immédiates, et non pour calculer des probabilités abstraites.

Avantages de survie du raisonnement basé sur des cas spécifiques :

• Dans les environnements ancestraux, le bruissement dans l'herbe pourrait être un prédateur. Ceux qui ont ignoré le « taux de base » du vent et supposé une menace ont survécu plus souvent que les statisticiens prudents
• La survie sociale dépendait de la lecture des intentions individuelles spécifiques, pas des moyennes de population
• Les ressources et les partenaires étaient sécurisés par l'évaluation d'opportunités particulières, et non de fréquences abstraites
• La prise de décision rapide basée sur la reconnaissance de formes a permis d'économiser une énergie cognitive précieuse

La pulsion narrative : Nos ancêtres qui ont construit des histoires causales cohérentes à partir d'événements pouvaient apprendre, enseigner et prédire mieux que ceux qui traitaient la réalité comme des statistiques déconnectées. Cette capacité de construction narrative est devenue centrale pour l'intelligence humaine mais crée des angles morts systématiques lorsqu'une probabilité formelle est requise.

Une fonctionnalité, pas un bogue — dans son contexte : Dans la plupart des situations pré-modernes, la négligence du taux de base était adaptative. Le tigre spécifique devant vous compte plus que la distribution moyenne des tigres. Le problème se pose lorsque cette architecture cognitive se heurte aux décisions modernes impliquant des maladies rares, des preuves médico-légales ou des produits financiers dérivés — des domaines où la pensée statistique est essentielle mais sans précédent sur le plan évolutif.

Conservation de l'énergie : Le calcul des probabilités bayésiennes est métaboliquement coûteux. Le cerveau, consommant 20 % de l'énergie corporelle, a développé des raccourcis qui fonctionnent "assez bien" la plupart du temps. Dans des environnements de pénurie, le coût cognitif du raisonnement formel l'emportait sur ses avantages marginaux.

4. Comment ce biais se manifeste

4.1. Dans la vie de tous les jours

• Stéréotyper des étrangers : En rencontrant quelqu'un portant des lunettes et parlant doucement, vous pourriez supposer qu'il est « professeur » malgré le fait que le taux de base des professeurs soit minuscule par rapport aux autres professions
• Évaluation des risques : Après avoir vu la couverture médiatique d'un accident d'avion, surestimer le danger des vols en ignorant la sécurité statistique des voyages en avion
• Jugements relationnels : Conclure que quelqu'un est malhonnête en se basant sur un comportement suspect, en ignorant votre long historique d'interactions honnêtes (le taux de base de leur fiabilité)
• Loterie et jeux d'argent : Traiter un billet "chanceux" ou un casino comme spécial en fonction de gains récents tout en ignorant le taux de base mathématique des pertes
• Craintes parentales : Surestimer considérablement les dangers tels que les enlèvements en fonction de récits médiatiques frappants tout en sous-estimant les risques courants comme les accidents de voiture

4.2. Sur le lieu de travail

• Évaluation des performances : Évaluer un employé comme "à haut potentiel" en se basant sur une présentation impressionnante tout en ignorant ses données de productivité de base
• Décisions d'embauche : Favoriser les candidats dont les performances lors des entretiens correspondent aux stéréotypes de réussite plutôt que de considérer le taux de base de réussite parmi les recrues similaires
• Estimation de projet : Croire que "ce projet est différent" en se basant sur des caractéristiques spécifiques tout en ignorant le taux de base des dépassements de budget et des retards dans des projets similaires
• Évaluation du leadership : Attribuer le succès de l'équipe à un leader charismatique tout en ignorant les conditions du marché (le taux de base de succès dans des environnements favorables)
• Analyse des concurrents : Surpondérer des mouvements spécifiques de concurrents tout en ignorant les taux de réussite à l'échelle de l'industrie pour des stratégies similaires

4.3. En affaires et marketing

• Témoignages et études de cas : Les entreprises s'appuient sur des histoires de réussite spécifiques car les consommateurs négligent le taux de base des résultats typiques
• "Vu à la télé" : Les démonstrations frappantes l'emportent sur les informations statistiques sur l'efficacité des produits
• Ventes d'assurances : Les scénarios dramatiques de catastrophe font paraître probables les événements rares
• Publicité ciblée : Montrer les produits dans des contextes désirables spécifiques plutôt que de présenter les avantages statistiques
• Récits de lancement : Les histoires affirmant que "cette startup est différente" persistent malgré le taux de base de ~90 % d'échec
• Segmentation des clients : Sur-indexer les interactions mémorables avec les clients plutôt qu'une analyse systématique des données

4.4. En politique et médias

• Couverture de la criminalité : Les reportages frappants sur des crimes violents rares orientent les politiques malgré des taux de base de violence en baisse
• Prédiction électorale : Les experts se concentrent sur des moments spécifiques de la campagne ("gaffes") tout en ignorant les taux de base historiques de l'avantage des sortants
• Débat sur l'immigration : Les histoires spécifiques de crimes d'immigrés l'emportent sur les preuves statistiques que les immigrés commettent des crimes à des taux inférieurs à ceux des natifs
• Récits politiques : Les arguments du type "cette fois c'est différent" pour les nouvelles politiques ignorent les taux de base d'échec des politiques
• Risque de terrorisme : Des investissements massifs dans la sécurité sont basés sur des attaques frappantes tandis que les taux de base suggèrent que d'autres menaces (accidents de la route, maladies cardiaques) méritent plus de ressources

4.5. Dans le domaine de la santé

Le paradoxe des faux positifs : Lorsqu'une maladie est rare (faible taux de base), même des tests très précis produisent principalement des faux positifs.

Exemple de dépistage du VIH :

• Population : 100 000 personnes avec 0,01 % de prévalence du VIH

• Test : 99,9 % de sensibilité, 99,9 % de spécificité

• Vrais positifs : ~10 (personnes infectées correctement identifiées)

• Faux positifs : ~100 (personnes en bonne santé signalées à tort)

• Résultat : Un test positif signifie seulement ~9 % de chances d'infection réelle

• Erreurs de diagnostic : Les médecins s'ancrent sur des symptômes révélateurs qui correspondent à un diagnostic dramatique tout en ignorant le taux de base des conditions banales

• Efficacité des médicaments : Les patients se concentrent sur des histoires de guérison spécifiques plutôt que sur les taux statistiques de réussite du traitement

• Décisions de dépistage : Les patients interprètent mal les résultats de tests positifs sans comprendre les taux de base des faux positifs

• Observance du traitement : Les histoires frappantes d'effets secondaires l'emportent sur les profils statistiques de sécurité

• Incompréhension du vaccin COVID-19 : "70 % des patients hospitalisés sont vaccinés" a été interprété à tort comme un échec du vaccin, ignorant que 95 %+ des populations vulnérables étaient vaccinées (le problème du dénominateur)

4.6. En finance et investissement

• "Cette fois c'est différent" : Les investisseurs justifient des valorisations extrêmes en se concentrant sur des récits spécifiques (Nouvelle Économie, révolution de l'IA) tout en ignorant les taux de base historiques des corrections du marché
• Bulle Internet (Dot-Com) : Les ratios cours/bénéfice (P/E) de 100x+ étaient justifiés par le potentiel d'Internet, ignorant le taux de base historique d'environ 15x les valorisations moyennes
• Sélection individuelle d'actions : Traiter les informations spécifiques à l'entreprise comme définitives tout en ignorant les taux de base de la sous-performance des actions par rapport aux indices
• Optimisme du capital-risque : Décisions de financement basées sur le charisme du fondateur plutôt que sur les taux de base d'échec des startups
• Effondrement de LTCM : Les modèles des lauréats du prix Nobel considéraient la faible volatilité récente comme le taux de base, ignorant la fréquence historique des paniques boursières ("queues épaisses" ou "fat tails")
• Spéculation immobilière : Les croyances selon lesquelles "ce marché est différent" ignorent les taux de base historiques des cycles immobiliers

5. Études de cas réels

Étude de cas 1 : Sally Clark—Une mère emprisonnée à tort

• Contexte : En 1999, la notaire britannique Sally Clark a perdu deux de ses fils en bas âge — le premier à 11 semaines, le second à 8 semaines. Elle a été accusée de double infanticide.

• Ce qui s'est passé : L'expert Sir Roy Meadow a témoigné que la probabilité de deux décès par SMSN (Syndrome de mort subite du nourrisson) dans une famille aisée était d'environ 1 sur 73 millions (calculé comme (1/8543)²). Il a comparé cela aux cotes d'un pari "très risqué".

• Le biais à l'œuvre : Deux erreurs critiques se sont combinées :

  1. Violation de l'indépendance : Meadow a supposé que les décès par SMSN étaient des événements indépendants. Des facteurs génétiques et environnementaux rendent en fait un deuxième décès beaucoup plus probable si un premier s'est produit — les événements sont conditionnellement dépendants.
  2. Négligence du taux de base : Même en acceptant le chiffre de 1 sur 73 millions, le jury devait le comparer au taux de base du double infanticide. Le double meurtre par une mère est également extraordinairement rare (peut-être 1 sur 100 millions). Lorsqu'on compare deux événements extrêmement rares, le rapport compte. Si le double SMSN est de 1 sur 73 millions et le double meurtre de 1 sur 100 millions, le SMSN est en réalité plus probable. En présentant "1 sur 73 millions" de manière isolée, l'accusation a laissé entendre que le meurtre était l'hypothèse par défaut.

• Conséquences : Sally Clark a été reconnue coupable et condamnée à la prison à vie. La Royal Statistical Society a pris la mesure extraordinaire de publier une réprimande publique du raisonnement statistique utilisé. Clark a été libérée en 2003 après son deuxième appel. Incapable de se remettre du traumatisme de l'emprisonnement injustifié et de la perte de ses enfants, elle est décédée d'une intoxication alcoolique aiguë en 2007.

• Leçons apprises : Les preuves statistiques nécessitent un cadrage bayésien approprié. Les tribunaux doivent comparer la probabilité des preuves sous des hypothèses concurrentes, et non évaluer une seule hypothèse de manière isolée. Les experts doivent suivre une formation en littératie statistique.

Étude de cas 2 : Lucia de Berk—L'infirmière néerlandaise

• Contexte : L'infirmière néerlandaise Lucia de Berk a été reconnue coupable en 2003 de sept meurtres et trois tentatives de meurtre sur la base de l'analyse statistique des décès de patients survenus pendant ses gardes.

• Ce qui s'est passé : Un statisticien de l'hôpital a témoigné que la probabilité qu'un tel nombre de décès survienne pendant ses gardes par hasard était de 1 sur 342 millions.

• Le biais à l'œuvre :

  1. Sélection a posteriori (post-hoc) : Les décès n'ont été classés comme "suspects" qu' après avoir su que Lucia était de service — un biais de confirmation classique combiné à la négligence du taux de base
  2. Taux de base des regroupements ignoré : Dans tout grand système hospitalier, la loi des grands nombres garantit qu'une infirmière finira par avoir un modèle de garde apparaissant hautement improbable par le seul hasard (le sophisme du tireur d'élite texan)
  3. Hypothèses alternatives négligées : Le taux de base des patients mourant pendant les gardes de nuit (lorsque les patients les plus malades sont surveillés de plus près) n'a pas été correctement pris en compte

• Conséquences : Lucia a purgé plus de six ans de prison. Elle a subi un accident vasculaire cérébral pendant son incarcération. Des analyses mathématiques menées par des statisticiens indépendants ont montré par la suite que la probabilité d'innocence était en fait élevée. Elle a été innocentée en 2010 dans ce que les autorités néerlandaises ont reconnu comme l'une des pires erreurs judiciaires de l'histoire du pays.

• Leçons apprises : Une coïncidence statistique dans de grands ensembles de données n'est pas une preuve de causalité. L'analyse a posteriori nécessite une extrême prudence. Les tribunaux ont besoin d'un examen statistique indépendant des preuves de probabilité.

Étude de cas 3 : Robert Williams—L'échec de la reconnaissance faciale

• Contexte : En janvier 2020, Robert Williams, un homme noir de Détroit, a été arrêté chez lui devant sa famille après qu'un algorithme de reconnaissance faciale eut associé la photo de son permis de conduire à des images de vidéosurveillance d'un incident de vol à l'étalage.

• Ce qui s'est passé : Les détectives ont montré à Williams l'image de surveillance et ont dit : "L'ordinateur dit que c'est vous." Il a été détenu pendant 30 heures avant d'être relâché.

• Le biais à l'œuvre :

  1. Le paradoxe des faux positifs : Même un système de reconnaissance faciale précis à 99 %, lorsqu'il recherche dans des bases de données de millions de visages, génère des milliers de fausses correspondances
  2. Biais d'automatisation : Les enquêteurs ont traité la "correspondance" de l'algorithme comme une preuve définitive plutôt que comme une suggestion probabiliste nécessitant des corroborations
  3. Taux de base de correspondances aléatoires : À l'instar du problème du taxi, le "témoin" (l'algorithme) a un taux d'erreur, et la "population innocente" est immense — ce qui produit de nombreux faux positifs

• Conséquences : Williams a été arrêté à tort, détenu, et son ADN, ses empreintes digitales et sa photo d'identité judiciaire ont été entrés dans les bases de données criminelles. Il a intenté un procès au département de police de Détroit. L'affaire est devenue un exemple historique de biais algorithmique dans l'application de la loi.

• Leçons apprises : Les preuves algorithmiques doivent être évaluées de manière probabiliste, et non traitées comme infaillibles. Les taux de base de fausses correspondances doivent être communiqués aux décideurs. Des preuves corroborantes doivent être exigées avant toute arrestation fondée sur des correspondances algorithmiques.

Exemple historique : L'effondrement de Long-Term Capital Management

En 1998, Long-Term Capital Management (LTCM), un fonds spéculatif géré par les lauréats du prix Nobel Myron Scholes et Robert Merton, s'est effondré de manière spectaculaire, déstabilisant presque le système financier mondial.

Les modèles sophistiqués de valeur à risque (VaR) de LTCM s'appuyaient sur des données historiques récentes montrant une faible volatilité du marché. Ils ont calculé que les pertes majeures étaient des "événements à 10 sigmas" — statistiquement impossibles. Les modèles ont négligé le taux de base historique des paniques financières — les "queues épaisses" des distributions de marché. Ils ont également ignoré le taux de base de la corrélation systémique : lors des crises, toutes les corrélations tendent vers 1 à mesure que les paniques se propagent.

Lorsque la Russie a fait défaut sur sa dette en août 1998, l'"impossible" s'est produit. LTCM a perdu 4,6 milliards de dollars en moins de quatre mois, nécessitant un sauvetage coordonné par la Réserve fédérale pour éviter une contagion financière plus large.

La leçon : les modèles sophistiqués qui ignorent les taux de base historiques des événements rares créent des angles morts catastrophiques. Les conditions spécifiques du passé récent ne sont pas des guides fiables pour les risques extrêmes.

6. Le coût de ce biais

6.1. Coûts personnels

• Peur et anxiété : Surestimer des menaces rares (accidents d'avion, crimes violents, maladies) crée un stress chronique tout en ignorant des risques plus probables
• Dommages relationnels : Juger les gens sur la base d'incidents uniques frappants plutôt que sur leur taux de base comportemental cohérent conduit à des jugements injustes et à une rupture de la confiance
• Occasions manquées : Éviter des activités bénéfiques (prendre l'avion, subir une intervention chirurgicale, changer de carrière) en raison d'histoires d'échecs frappantes tout en ignorant les taux de base de réussite
• Pertes financières : Prendre des décisions d'investissement basées sur des récits convaincants plutôt que sur des preuves statistiques
• Anxiété médicale : Mal interpréter les résultats de dépistage sans comprendre les taux de base des faux positifs

6.2. Coûts professionnels

• Erreurs de jugement de carrière : Baser les décisions professionnelles sur des résultats dramatiques spécifiques plutôt que sur des trajectoires de carrière statistiques
• Échecs de projets : La pensée "ce projet est différent" conduit à des sous-estimations répétées des coûts et des délais
• Erreurs de recrutement : Sélectionner des candidats sur la base de stéréotypes de performance en entretien plutôt que de taux de base prédictifs
• Erreurs stratégiques : Décisions commerciales motivées par des anecdotes sur les concurrents plutôt que par des statistiques de l'industrie
• Échecs de prévision : Prédictions basées sur des récits actuels qui ignorent les taux de base historiques pour des situations similaires

6.3. Coûts sociétaux

• Condamnations injustifiées : Comme le montrent les cas de Sally Clark et de Lucia de Berk, la négligence du taux de base dans les procédures judiciaires détruit des vies innocentes
• Mauvaise allocation des politiques : Les ressources sont dirigées vers des menaces vives mais rares (le terrorisme) tandis que les préjudices plus probables (décès de la route, maladies) sont négligés
• Injustice algorithmique : Les systèmes d'IA formés sur des données biaisées perpétuent et amplifient les erreurs de taux de base, conduisant à des pratiques policières, d'octroi de prêts et de recrutement discriminatoires
• Échecs de santé publique : L'incompréhension des statistiques de dépistage conduit à des tests et à des décisions de traitement inappropriés à grande échelle
• Crises financières : Les marchés ignorant les taux de base de valorisation créent des bulles qui nuisent à des millions de personnes lorsqu'elles éclatent inévitablement

6.4. Impact statistique

Résultats de la recherche sur l'impact mesurable de la négligence du taux de base :

• Prise de décision médicale : Des études montrent que seulement ~15 % des médecins interprètent correctement des résultats de tests positifs lorsque les taux de base de la maladie sont faibles, conduisant à un surdiagnostic massif
• Décisions des jurys : Les études sur les jurys fictifs révèlent que les informations sur le taux de base sont largement ignorées lorsqu'un témoignage frappant est présenté
• Exactitude des prévisions : Les recherches de Philip Tetlock ont montré que les "super-prévisionnistes" qui surmontent la négligence du taux de base surpassent les experts de plus de 30 %
• Performance des algorithmes : L'analyse par ProPublica de l'algorithme de récidive COMPAS a révélé que son biais de taux de base produisait des taux de faux positifs deux fois plus élevés pour les accusés noirs que pour les accusés blancs

7. Les avantages cachés

La négligence du taux de base n'est pas purement un défaut cognitif — les mécanismes sous-jacents remplissent d'importantes fonctions adaptatives.

Détection rapide des menaces : Dans des environnements où rater un prédateur signifie la mort, il vaut mieux sur-réagir à des signaux de danger spécifiques que de calculer minutieusement les statistiques de la population. Le coût d'un faux positif (vigilance inutile) est faible comparé à un faux négatif (être mangé).

Intelligence sociale : Lire les intentions spécifiques d'individus compte plus pour le succès social que de connaître les statistiques au niveau de la population sur le comportement humain. La personne devant vous n'est pas un humain moyen — c'est un individu spécifique dont vous devez comprendre les intentions spécifiques.

Apprentissage narratif : Les histoires sont la façon dont les humains transmettent les connaissances à travers les générations. Le "biais" en faveur de cas frappants par rapport aux statistiques est ce qui rend possible l'apprentissage de l'expérience et des expériences des autres.

Efficacité énergétique : Le raisonnement bayésien minutieux est métaboliquement coûteux. Pour la plupart des décisions quotidiennes, la reconnaissance rapide de modèles produit des résultats "assez bons" pour une fraction du coût cognitif.

Le compromis : L'élimination complète de la négligence du taux de base exigerait un calcul constant et laborieux qui paralyserait la prise de décision. Le but n'est pas d'éliminer l'heuristique mais de reconnaître quand la pensée statistique est requise — en particulier dans les domaines juridique, médical, financier et politique où les taux de base importent le plus.

8. Auto-évaluation : Avez-vous ce biais ?

8.1. Liste de contrôle des signes avant-coureurs

• Vous pensez souvent "cette situation est différente" sans vérifier les similitudes statistiques avec des situations passées
• Vous trouvez les exemples spécifiques plus convaincants que les résumés statistiques
• Vous avez pris des décisions en fonction d'anecdotes mémorables plutôt qu'en consultant des données
• Vous avez du mal à croire qu'un résultat de test médical puisse être un faux positif
• Vous estimez les probabilités en fonction de la facilité avec laquelle vous pouvez imaginer un résultat
• Vous jugez les gens rapidement en fonction de premières impressions ou de comportements uniques
• Vous avez ignoré les "informations de base" parce qu'elles semblaient moins pertinentes que des détails spécifiques
• Vous trouvez les statistiques de taux de base "froides" ou "à côté de la plaque" lors de discussions
• Vous avez été surpris lorsque les prévisions statistiques différaient de vos intuitions
• Vous résistez à penser en pourcentages et préférez les jugements oui/non

Score :

• 0-2 cochés : Faible susceptibilité
• 3-5 cochés : Susceptibilité modérée
• 6-8 cochés : Forte susceptibilité
• 9-10 cochés : Très forte susceptibilité

8.2. Questions d'autoréflexion

1. À quand remonte la dernière fois que vous avez changé d'avis grâce à des preuves statistiques plutôt qu'à une histoire ou un exemple convaincant ?
2. Pensez à une décision importante que vous avez prise récemment — avez-vous recherché les taux de base de succès/échec pour des décisions similaires ?
3. Avez-vous déjà rejeté des statistiques pertinentes parce qu'elles ne semblaient pas s'appliquer à votre situation spécifique ?
4. Lorsque quelqu'un vous raconte une anecdote, vous demandez-vous instinctivement à quel point cette expérience est typique ou atypique ?
5. D'autres personnes vous ont-elles déjà dit que vous accordiez trop d'importance aux exemples individuels ou pas assez aux données ?

8.3. Scénario de diagnostic rapide

Scénario : Un nouveau test médical a été développé pour une maladie grave. Le test est précis à 99 % (à la fois pour détecter la maladie lorsqu'elle est présente et pour déclarer saines les personnes en bonne santé). Dans la population générale, 1 personne sur 1 000 est atteinte de cette maladie. Votre test revient positif. Quelle est la probabilité que vous ayez réellement la maladie ?

Comment répondriez-vous ?

• A) Environ 99 % → Forte susceptibilité (vous faites correspondre la réponse à l'exactitude du test, ignorant le taux de base)
• B) Environ 50 % → Susceptibilité modérée (vous sentez que quelque chose cloche mais vous ne pouvez pas calculer la probabilité réelle)
• C) Environ 9 % → Faible susceptibilité (vous avez correctement intégré le taux de base ; ~10 vrais positifs et ~100 faux positifs sur 1 000 personnes testées)

9. Identifier ce biais chez les autres

9.1. Indicateurs comportementaux

• Rejeter les arguments statistiques comme "froids" ou "hors sujet" au profit d'histoires personnelles
• Utiliser fréquemment des phrases comme "selon mon expérience" ou "je connais quelqu'un qui..." pour faire des affirmations générales
• Traiter les cas individuels comme des preuves définitives pour des schémas généraux
• Difficulté à accepter que les généralisations statistiques s'appliquent à leur situation spécifique
• Surpondérer les événements récents ou mémorables lors de l'estimation des probabilités
• Résistance à changer d'opinion lorsqu'on est confronté à des données de taux de base

9.2. Signaux d'alerte conversationnels

Phrases que les gens prononcent lorsqu'ils sont sous l'influence de ce biais :

• "Mais ce cas est différent..."
• "Les statistiques ne racontent pas toute l'histoire"
• "Je sais ce que disent les chiffres, mais..."
• "Laisse-moi te parler de quelqu'un que je connais..."
• "On peut prouver n'importe quoi avec des statistiques"

Types d'arguments qu'ils avancent :

• Citer des histoires individuelles de réussite ou d'échec comme preuves de stratégies générales
• Traiter les cas exceptionnels comme représentatifs de résultats typiques

Questions qu'ils évitent de poser :

• "À quelle fréquence cela se produit-il généralement ?"
• "Quel est le taux de réussite dans des situations similaires ?"

9.3. Déclencheurs situationnels

• Enjeux émotionnels : Lorsque les résultats comptent profondément, les informations sur des cas spécifiques deviennent plus convaincantes
• Exemples frappants : Les événements récents, dramatiques ou vécus personnellement submergent les références statistiques
• Complexité : Lorsque l'analyse statistique est difficile, les gens se rabattent sur des exemples représentatifs
• Pression du temps : Les décisions rapides favorisent la reconnaissance de formes par rapport au calcul de probabilités
• Contexte narratif : Lorsque les informations arrivent sous forme d'histoires plutôt que de statistiques
• Cadrage expert : Lorsque les autorités présentent des informations sur un cas sans le contexte du taux de base

10. Stratégies de débiaisage cognitif

10.1. Techniques immédiates

• Demander "À quelle fréquence ?" : Avant d'accepter des informations individualisantes, renseignez-vous explicitement sur le taux de base. "À quelle fréquence ce résultat se produit-il généralement ?"
• Le recadrage des "100 personnes" : Lorsqu'on vous donne une probabilité, imaginez 100 personnes dans cette situation. Combien obtiendraient chaque résultat ?
• Considérer l'alternative : Quel est le taux de base de l'hypothèse concurrente ? (Comme comparer les taux de double SMSN avec ceux de double meurtre)
• Prévisions par classe de référence : Identifiez la classe de référence pertinente pour votre situation et vérifiez les résultats historiques
• Le test du journal : Ce cas spécifique ferait-il les gros titres parce qu' il est inhabituel ? Si oui, il n'est probablement pas représentatif

10.2. Stratégies à long terme

• Pratiquer la pensée bayésienne : Travaillez régulièrement sur des problèmes de probabilités qui nécessitent l'intégration de taux de base
• Tenir un journal de prévisions : Enregistrez vos prédictions avec les probabilités déclarées, puis vérifiez les résultats pour calibrer vos intuitions
• Suivre une formation statistique : L'éducation formelle en probabilités et statistiques améliore la résistance à cette erreur
• Constituer des bibliothèques de taux de base : Pour les domaines importants (santé, carrière, finances), recherchez et mémorisez les taux de base pertinents
• Cultiver des amis statisticiens : Développez des relations avec des personnes qui pensent de manière probabiliste et mettront votre raisonnement au défi

10.3. Conception de l'environnement

• Utiliser des formats de fréquences naturelles : Convertir les probabilités en formats "X sur Y" que le cerveau traite plus intuitivement
• Créer des listes de contrôle décisionnelles : Inclure des questions sur les taux de base comme étapes obligatoires dans les décisions importantes
• Utiliser des matrices d'icônes : Les représentations visuelles des probabilités réduisent la négligence du dénominateur
• Se pré-engager envers des critères statistiques : Avant de rencontrer des informations spécifiques, définissez quelles statistiques vous feraient changer d'avis
• Concevoir des affichages d'informations : Présenter les taux de base bien en évidence et avant les informations individualisantes

10.4. Quand solliciter une contribution externe

• Décisions à enjeux élevés : Diagnostics médicaux, jugements juridiques, investissements majeurs, décisions de recrutement
• Lorsque vous avez de fortes intuitions : Des sentiments forts peuvent indiquer que le Système 1 a pris le dessus — demandez une vérification statistique
• Situations de probabilités complexes : Lorsque de multiples probabilités conditionnelles interagissent
• Implication émotionnelle : Lorsque les enjeux personnels rendent le raisonnement objectif difficile
• Décalage d'expertise : Lorsque la décision nécessite une expertise statistique qui vous manque

11. Exercices pratiques

Exercice 1 : Le calculateur de tests de dépistage

• Objectif : Développer l'intuition du raisonnement bayésien en travaillant sur des scénarios de dépistage médical
• Temps requis : 20 minutes
• Matériel nécessaire : Calculatrice, papier
• Niveau de difficulté : Intermédiaire
• Instructions :
  1. Choisissez une pathologie médicale et recherchez sa prévalence (taux de base) dans votre groupe démographique
  2. Recherchez la sensibilité et la spécificité des tests de dépistage courants pour cette condition
  3. Calculez la valeur prédictive positive : quel pourcentage des tests positifs sont de vrais positifs ?
  4. Calculez la valeur prédictive négative : quel pourcentage des tests négatifs sont de vrais négatifs ?
  5. Visualisez ceci avec un tableau 2x2 pour une population de 10 000 personnes
• Questions de réflexion :
  • Avez-vous été surpris par la valeur prédictive positive ?
  • Comment cela modifie-il votre façon de penser au dépistage médical ?
  • Quelles questions devriez-vous poser à votre médecin après avoir reçu des résultats de tests ?
• Fréquence : Mensuelle, en utilisant différentes conditions médicalales

Exercice 2 : Prévisions par classe de référence

• Objectif : Prendre l'habitude de trouver des taux de base pertinents avant de faire des prédictions
• Temps requis : 30 minutes
• Matériel nécessaire : Accès à Internet, tableur
• Niveau de difficulté : Intermédiaire
• Instructions :
  1. Identifiez une décision ou une prédiction à venir que vous devez faire
  2. Définissez la classe de référence : quelles situations similaires existent ?
  3. Recherchez le taux de base des résultats dans cette classe de référence
  4. Ajustez le taux de base en fonction des facteurs spécifiques qui rendent votre situation différente
  5. Documentez votre raisonnement et votre estimation finale de la probabilité
• Questions de réflexion :
  • Comment la découverte du taux de base a-t-elle modifié votre estimation initiale ?
  • Quels facteurs spécifiques ont justifié un ajustement par rapport au taux de base ?
  • Avez-vous été tenté de traiter votre situation comme "différente" sans preuve ?
• Fréquence : Avant toute décision majeure

Exercice 3 : Recadrage des fréquences

• Objectif : Pratiquer la conversion des énoncés de probabilité en formats de fréquences naturelles
• Temps requis : 15 minutes
• Matériel nécessaire : Liste d'énoncés de probabilités (articles d'actualité, documents de recherche)
• Niveau de difficulté : Débutant
• Instructions :
  1. Recueillez 5 énoncés de probabilité dans l'actualité récente (par exemple, "5 % de risque de complication")
  2. Recadrez chacun en tant que fréquence naturelle (par exemple, "5 patients sur 100")
  3. Pour chacun, écrivez ce qui arrive aux 95 autres (ou au nombre pertinent)
  4. Remarquez comment cela modifie votre perception intuitive de la probabilité
  5. Entraînez-vous à expliquer la version en fréquence à quelqu'un d'autre
• Questions de réflexion :
  • Quel format a rendu les probabilités plus faciles à comprendre ?
  • Certaines probabilités semblaient-elles plus ou moins inquiétantes au format de fréquence ?
  • Comment pouvez-vous appliquer ce recadrage dans la vie quotidienne ?
• Fréquence : Hebdomadaire

Pratique quotidienne

La question du taux de base : Chaque jour, lorsque vous vous forgez une opinion ou faites une prédiction, faites une pause et demandez-vous : "Quel est le taux de base ?" Si vous ne le savez pas, passez 60 secondes à le rechercher.

• Durée suggérée : 1 à 2 minutes par instance
• Meilleur moment de la journée : Lors de la prise de décisions ou de jugements tout au long de la journée
• Comment suivre les progrès : Notez dans un journal quand vous vous êtes souvenu de poser la question et ce que vous avez appris

Défi hebdomadaire

L'audit des prédictions : Chaque semaine, passez en revue 3 prédictions ou jugements que vous avez faits. Pour chacun :

1. Identifiez si vous avez pris en compte le taux de base
2. Recherchez quel était réellement le taux de base
3. Évaluez si les informations sur le taux de base auraient changé votre jugement

• Résultats attendus après 4 semaines : Sensibilisation accrue à la négligence du taux de base dans votre propre pensée ; prise en compte plus automatique des taux de base
• Questions de journalisation pour la réflexion :
  • Quels types de décisions déclenchent le plus souvent chez moi la négligence du taux de base ?
  • Quelles stratégies m'aident à me souvenir de vérifier les taux de base ?
  • Comment la qualité de mes décisions a-t-elle évolué à mesure que je m'exerçais ?

12. Pour des publics spécifiques

Pour les dirigeants et les managers

La négligence du taux de base est particulièrement dangereuse dans les contextes organisationnels où les réussites et les échecs frappants dirigent la stratégie plus que l'analyse systématique.

Vulnérabilités clés :

• Décisions de recrutement basées sur les impressions d'entretien plutôt que sur les taux de base des candidats
• Évaluations de performances ancrées sur des incidents mémorables plutôt que sur des mesures cohérentes
• Planification stratégique motivée par des anecdotes de concurrents plutôt que par des statistiques de l'industrie
• Allocation des ressources basée sur les résultats de projets récents plutôt que sur les taux de réussite historiques

Stratégies :

• Mettre en œuvre des entretiens structurés avec des notations standardisées pour réduire l'impact des impressions individuelles
• Créer des exercices d'analyse "pre-mortem" qui prennent explicitement en compte les taux de base d'échec des projets
• Exiger des prévisions par classe de référence pour les initiatives majeures
• Créer des tableaux de bord qui mettent au premier plan les taux de base aux côtés des cas individuels
• Cultiver des "sceptiques statistiques" habilités à remettre en question les raisonnements fondés sur des cas frappants

Pour les parents et les éducateurs

Les enfants sont particulièrement susceptibles de négliger le taux de base, car ils apprennent le monde principalement par le biais d'exemples et d'histoires.

Approches pédagogiques :

• Utiliser des jeux impliquant des probabilités (dés, cartes) pour développer l'intuition des taux de base
• Lors de la discussion sur les risques (danger des inconnus, maladies, accidents), fournir un contexte sur la fréquence réelle de chacun
• Signaler lorsque les actualités mettent en avant des événements qui sont dignes d'intérêt justement parce qu' ils sont rares
• Modéliser la pensée statistique : "C'est un exemple intéressant. Je me demande à quel point il est typique ?"
• Enseigner la différence entre "ceci s'est produit" et "ceci se produit habituellement"

Explications adaptées à l'âge :

• 6-10 ans : "Certaines choses arrivent souvent et d'autres sont rares. Les histoires parlent souvent de choses rares parce qu'elles sont surprenantes."
• 11-14 ans : "Les nombres peuvent nous dire à quelle fréquence les choses arrivent réellement, ce qui est différent de la fréquence à laquelle nous en entendons parler."
• 15 ans et + : Introduction aux concepts de probabilité, au théorème de Bayes et au raisonnement formel

Pour les professionnels de santé

La négligence du taux de base a de profondes implications pour le diagnostic, le dépistage et la communication avec les patients.

Implications cliniques :

• Les maladies rares sont surdiagnostiquées lorsque la correspondance des symptômes l'emporte sur les données de prévalence
• L'efficacité des programmes de dépistage dépend des taux de base de la population, et pas seulement de la précision des tests
• L'anxiété des patients face aux résultats de dépistage positifs dépasse souvent l'inquiétude justifiée
• Les décisions de traitement peuvent surpondérer des études de cas dramatiques plutôt que les statistiques d'essais cliniques

Stratégies :

• Utiliser des formats de fréquences naturelles lors de la communication des résultats de tests aux patients
• Mettre en œuvre un système d'aide à la décision clinique qui fait ressortir les taux de base pertinents
• Exiger la prise en compte explicite du taux de base dans les listes de contrôle diagnostiques
• Utiliser des matrices d'icônes et des aides visuelles pour expliquer la valeur prédictive positive
• Se former au raisonnement bayésien dans le cadre de la formation médicale

Pour les professionnels de la finance

Les marchés sont mus par des récits, ce qui rend la discipline des taux de base essentielle au succès des investissements.

Vulnérabilités clés :

• La pensée "cette fois c'est différent" dans les valorisations de bulle
• Biais de récence dans les modèles de risque (traitant la volatilité récente comme le taux de base)
• Surpondération de recommandations d'analystes spécifiques par rapport aux taux de base du secteur
• Traitement des antécédents de réussite des gestionnaires de fonds comme étant dus à des compétences plutôt qu'au hasard

Stratégies :

• Maintenir des graphiques de référence des taux de base de valorisation à long terme (ratios P/E, taux de défaut, etc.)
• Mettre en œuvre un rééquilibrage systématique qui impose des hypothèses de retour à la moyenne
• Utiliser des simulations de Monte Carlo avec des distributions calibrées historiquement
• Exiger une documentation explicite du taux de base pour les thèses d'investissement
• Étudier les bulles et krachs historiques pour calibrer les attentes

13. Interactions avec d'autres biais

Biais qui amplifient celui-ci

Biais qui neutralisent celui-ci

Chaînes de biais courantes

Chaîne 1 : Exemple frappant (Disponibilité) → Correspondance de modèle (Représentativité) → Négligence du taux de base → Erreur de jugement confiante (Excès de confiance) → Confirmation de l'erreur (Biais de confirmation)

Chaîne 2 : Ancrage sur un cas spécifique → Ignorance des données démographiques → Construction d'un récit de soutien (Biais narratif) → Résistance aux preuves correctives

Interrompre la cascade : Le point d'intervention le plus efficace se situe tôt, avant que l'exemple frappant ne capte l'attention. Précharger les informations sur les taux de base, utiliser des formats de fréquence et créer des habitudes explicites de vérification des taux de base peuvent empêcher la cascade de démarrer.

14. Perspectives culturelles

La recherche sur la variation culturelle dans l'utilisation des taux de base révèle des schémas intéressants, bien que la tendance fondamentale à la négligence semble universelle.

Découvertes interculturelles :

• Des études constatent systématiquement une négligence du taux de base dans les contextes culturels occidentaux, asiatiques et autres
• Certaines données suggèrent que les participants d'Asie de l'Est montrent une utilisation légèrement meilleure du taux de base dans certains contextes, potentiellement liée à des styles cognitifs holistiques
• Les systèmes éducatifs qui mettent l'accent sur les probabilités et les statistiques produisent une meilleure intégration du taux de base quel que soit le contexte culturel
• Le traitement des preuves statistiques par les systèmes juridiques varie considérablement d'une culture à l'autre

Aspects universels : Le phénomène central — préférer des informations spécifiques frappantes à des références statistiques abstraites — semble être un trait humain universel, ancré dans une architecture cognitive qui précède la différenciation culturelle.

Implications interculturelles : Les preuves statistiques nécessitent un cadrage minutieux selon les contextes culturels. Ce qui fonctionne dans un système juridique ou médical peut ne pas être directement transposable à un autre.

15. Mythes et idées fausses

16. Aperçus d'experts

"La réticence des sujets à déduire le particulier du général n'avait d'égal que leur empressement à déduire le général du particulier." — Amos Tversky & Daniel Kahneman, 1973

"La similitude n'est pas influencée par les taux de base, et pourtant les jugements intuitifs de probabilité sont dominés par la similitude." — Daniel Kahneman, Système 1 / Système 2 : Les deux vitesses de la pensée, 2011

"Le problème n'est pas que les gens sont incapables de raisonner de manière statistique, mais que la plupart des problèmes sont présentés dans un format qui ne correspond pas au format pour lequel l'esprit humain a évolué pour raisonner." — Gerd Gigerenzer, 2002

"Les psychologues évaluent la rationalité de leurs sujets selon une norme qui n'est pas appropriée à la tâche." — L.J. Cohen, 1981

17. Points clés à retenir

1. La négligence du taux de base est universelle : Tous les humains ont tendance à sous-pondérer les taux de base statistiques lorsque des informations spécifiques sont disponibles — c'est une caractéristique de l'architecture cognitive humaine, pas un échec individuel.

2. L'heuristique de représentativité est le mécanisme : Nous jugeons la probabilité par sa similitude avec des prototypes plutôt que par sa fréquence dans la population.

3. Le format compte énormément : Présenter les informations sous forme de fréquences naturelles (X sur Y) plutôt que sous forme de probabilités réduit considérablement l'erreur.

4. Le contexte détermine l'utilisation du taux de base : Les gens utilisent les taux de base lorsqu'ils semblent causalement pertinents ; ils les ignorent lorsqu'ils semblent "purement statistiques".

5. Les conséquences sont catastrophiques : Des condamnations injustifiées (Sally Clark, Lucia de Berk) aux crises financières (LTCM, bulle Internet) en passant par la discrimination algorithmique, la négligence du taux de base façonne des échecs sociétaux majeurs.

6. Le débiaisage nécessite une conception appropriée : Nous ne pouvons pas simplement "décider" de respecter les taux de base — nous avons besoin d'architectures d'informations, de listes de contrôle et de processus décisionnels qui rendent les taux de base visibles et pertinents.

7. Le biais présente des avantages : Dans de nombreux contextes quotidiens, la reconnaissance rapide de modèles qui ignore les taux de base est adaptative et efficace — l'objectif est de reconnaître quand la pensée statistique est véritablement requise.

18. Ressources supplémentaires

Articles académiques

• 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. Dans 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.

Livres

• Kahneman, D. (2011). Système 1 / Système 2 : Les deux vitesses de la pensée (Thinking, Fast and Slow).
• 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.

Chapitres de livres

• 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. Fiche de synthèse

20. Glossaire des termes utilisés

21. Questions de discussion

Pour les clubs de lecture, les salles de classe ou l'autoréflexion :

1. Pouvez-vous penser à une décision majeure dans votre vie où vous avez réalisé plus tard que vous aviez ignoré le taux de base ? Que feriez-vous différemment ?

2. Les "Guerres de la rationalité" (Rationality Wars) se demandent si la négligence du taux de base est un "bogue" ou une "fonctionnalité" de la cognition humaine. Quel est votre point de vue, et quelles en sont les implications ?

3. Comment les tribunaux devraient-ils traiter les preuves statistiques compte tenu de ce que nous savons de la négligence du taux de base par les jurys ? Devrait-il y avoir une formation spéciale ou des exigences en matière d'experts ?

4. Gigerenzer soutient que présenter l'information en fréquences naturelles "résout" en grande partie la négligence du taux de base. Si cela est vrai, qui est responsable de la présentation de l'information dans le bon format — les individus, les institutions ou les éducateurs ?

5. Alors que les systèmes d'IA prennent de plus en plus de décisions qui affectent la vie humaine, quelles obligations existent pour remédier au biais du taux de base dans les algorithmes ? Comment l'équité algorithmique devrait-elle être définie ?