L'illusion de regroupement

En bref

1. Résumé rapide

Nos cerveaux sont des machines à chercher des motifs, qui ont évolué pour trouver de l'ordre dans le chaos — le bruissement dans les herbes qui signale un prédateur, la formation nuageuse qui annonce une tempête. Cependant, ce puissant mécanisme de survie a un côté sombre : nous voyons des motifs là où il n'y en a pas. Lorsque nous observons des données aléatoires — qu'il s'agisse de cours en bourse, de cas de cancer sur une carte, ou d'une série de tirs réussis par un joueur de basket — nous percevons des regroupements significatifs qui ne sont en fait que la "concentration" naturelle produite par le hasard. Le vrai hasard ne se répartit pas uniformément ; il forme des amas, et nos cerveaux prennent ces amas pour la preuve que des forces cachées sont à l'œuvre.

2. La science derrière tout ça

2.1. Découverte et histoire

L'illusion de regroupement a de profondes racines dans l'étude de la cognition humaine, bien que le concept se soit cristallisé à travers plusieurs développements clés :

• Années 1970 : Les psychologues israéliens Amos Tversky et Daniel Kahneman ont identifié l'heuristique de représentativité, qui fournit le fondement psychologique expliquant pourquoi nous percevons mal les regroupements.
• 1958 : Le neurologue allemand Klaus Conrad a inventé le terme "apophénie" pour décrire la tendance plus large à percevoir des liens significatifs entre des choses sans rapport, à l'origine dans le contexte de la schizophrénie.
• 1985 : L'étude historique de la "main chaude" (Hot Hand) par Gilovich, Vallone et Tversky a introduit l'illusion de regroupement dans le discours scientifique grand public.
• 1991 : Le livre de Thomas Gilovich How We Know What Isn't So a formellement nommé et popularisé "l'illusion de regroupement" en tant que biais cognitif distinct.
• 2018 : La réanalyse mathématique de Miller et Sanjurjo a révélé que même les chercheurs étudiant l'illusion avaient commis des erreurs statistiques, démontrant la profondeur de notre vulnérabilité à ce biais.

2.2. Chercheurs clés

2.3. Études marquantes

L'étude de la main chaude (Gilovich, Vallone, & Tversky, 1985)

Cette étude a examiné la croyance universelle parmi les fans de basket, les joueurs et les entraîneurs selon laquelle les joueurs deviennent "chauds" — que le succès engendre le succès.

Méthodologie :

• Sondage auprès de 100 fans de basket sur leurs croyances concernant les séries de tirs réussis.
• Analyse des statistiques de tir des Philadelphia 76ers lors de la saison 1980-81.
• Examen des probabilités conditionnelles : La probabilité d'un succès augmente-t-elle après des succès précédents ?
• Analyse des statistiques de lancers francs des Boston Celtics (éliminant les variables défensives).
• Réalisation d'expériences de tir contrôlées avec les joueurs de l'équipe universitaire de l'Université Cornell.

Principales conclusions :

• 91 % des fans pensaient qu'un joueur avait de meilleures chances de marquer après avoir réussi ses tirs précédents.
• 84 % pensaient qu'il était important de faire une passe à un joueur qui venait de réussir plusieurs tirs.
• Les données réelles ont montré que la probabilité de réussir un tir était virtuellement indépendante des résultats précédents.
• Le nombre de "séries" observées correspondait exactement à ce qui serait attendu dans des séquences aléatoires.
• Les joueurs ne pouvaient pas prédire leurs propres réussites ou échecs mieux que le hasard, même lorsqu'ils se "sentaient chauds".

Conclusion : Les chercheurs ont conclu que la main chaude est une illusion cognitive générée par l'illusion de regroupement, combinée au biais de mémoire (se souvenir des séries tout en oubliant les motifs alternés).

La réfutation de Miller-Sanjurjo (2018)

Trente ans plus tard, les économistes Joshua Miller et Adam Sanjurjo ont identifié une faille subtile mais critique dans la méthodologie originale : le biais de sélection de série.

La découverte : Dans toute séquence finie de données binaires, on s'attend à ce que la proportion de succès suivant une série de succès soit inférieure à la probabilité de succès sous-jacente. Ceci est contre-intuitif mais mathématiquement prouvable. Pour 100 lancers de pièces, la probabilité attendue de Pile suivant un Pile est d'environ 0,46, et non 0,50.

Implications :

• GVT (Gilovich, Vallone, Tversky) ont supposé que les joueurs tirant à 50 % après un succès n'indiquaient pas de main chaude.
• La ligne de base correcte était en réalité d'environ 46 %, ce qui signifie que les joueurs tirant à 50 % surpassaient l'espérance aléatoire d'environ 4 points de pourcentage.
• Une réanalyse a révélé des preuves statistiquement significatives de l'effet de la main chaude.

Méta-leçon : Même les scientifiques étudiant l'illusion de regroupement ont été victimes de malentendus statistiques concernant l'aléatoire, ce qui démontre à quel point ce biais est profondément enraciné.

L'analyse des bombardements de V-2 par Clarke (1946)

L'actuaire britannique R.D. Clarke a effectué une analyse statistique des impacts des fusées allemandes V-2 sur le sud de Londres.

Méthodologie :

• Division du sud de Londres en 576 carrés de taille égale (0,25 km²).
• Suivi de 537 impacts de bombes à travers ces carrés.
• Application de la distribution de Poisson pour prédire les résultats attendus sous l'hypothèse d'un hasard pur.

Résultats :

Conclusion : Les "regroupements" qui ont conduit les Londoniens à croire que des quartiers spécifiques étaient ciblés étaient tout à fait cohérents avec le hasard.

2.4. Bases neurologiques

L'illusion de regroupement engage plusieurs mécanismes cognitifs et systèmes cérébraux :

Systèmes de reconnaissance des motifs :

• Le cortex visuel du cerveau et les réseaux de reconnaissance des motifs sont réglés par l'évolution pour détecter des régularités.
• Le lobe temporal traite les informations séquentielles et identifie les déviations par rapport aux motifs attendus.
• Lorsque des regroupements sont détectés, ces systèmes signalent "Motif détecté !" même lorsqu'il n'y en a aucun.

Le mécanisme de codage (Falk & Konold) :

• Les individus jugent du caractère aléatoire en fonction de la difficulté à coder mentalement une séquence.
• Une séquence comme "PPPPPP" est facile à coder ("Six Piles") → Jugée non aléatoire.
• Une séquence comme "PFPFFP" est difficile à coder (nécessite une mémorisation par cœur) → Jugée aléatoire.
• Les processus aléatoires produisent parfois des regroupements "compressibles", que le cerveau identifie comme des motifs.

Systèmes de récompense dopaminergiques :

• La détection de motifs déclenche des circuits de récompense, fournissant une "décharge" neurologique lorsque nous repérons des regroupements.
• Cela crée une boucle de rétroaction positive renforçant le comportement de recherche de motifs.
• Le plaisir de "relier les points" motive la détection continue de motifs, même erronée.

Systèmes attentionnels :

• Les recherches de Stian Reimers suggèrent que le biais d'alternance pourrait refléter des systèmes attentionnels réglés pour la détection des changements.
• Dans les environnements naturels, les changements signalent des événements importants nécessitant une réponse.
• Les états stables (regroupements) reçoivent une attention supplémentaire parce qu'ils dévient de l'alternance attendue.

3. Origines évolutives

L'illusion de regroupement n'est pas un bug dans la cognition humaine — c'est le côté sombre de notre plus grand atout évolutif : la capacité à identifier rapidement la causalité.

Avantage de survie ancestral : Dans l'environnement ancestral, la capacité à détecter des motifs était une condition préalable à la survie :

• Reconnaître qu'un bruissement dans les hautes herbes est corrélé avec la présence d'un prédateur pouvait vous sauver la vie.
• Identifier que certaines formations nuageuses présageaient des tempêtes permettait de s'y préparer.
• Remarquer que certaines plantes se regroupent près des sources d'eau aidait à la recherche de nourriture.
• Détecter que les pistes d'animaux se regroupent autour des points d'eau améliorait le succès de la chasse.

L'asymétrie coût-bénéfice : D'un point de vue évolutif, les faux positifs (voir un motif qui n'existe pas) étaient beaucoup moins coûteux que les faux négatifs (manquer un motif qui existe) :

• Faux positif : Vous fuyez devant un bruissement qui n'était que le vent → Coût énergétique mineur.
• Faux négatif : Vous ignorez un bruissement qui était en fait un prédateur → La mort.

Cette asymétrie a créé une forte pression sélective pour des esprits sensibles aux motifs, même s'ils voyaient parfois des "fantômes".

L'inadéquation moderne : Cette sensibilité exquise à la structure est devenue inadaptée dans le monde moderne fait de :

• Marchés financiers exécutant des marches aléatoires.
• Taux d'incidence de maladies suivant des distributions statistiques.
• Algorithmes de lecture aléatoire produisant des séquences mathématiquement aléatoires.
• Statistiques sportives régies par la théorie des probabilités.

Notre cerveau applique des algorithmes ancestraux de détection de motifs à des données stochastiques modernes, voyant de la causalité dans des coïncidences et de l'intention dans des accidents.

4. Comment ce biais se manifeste

4.1. Dans la vie quotidienne

Jeux d'argent et de hasard :

• Croire qu'une machine à sous "doit" payer après une série de pertes.
• Penser que vos "numéros fétiches" à la loterie ont du sens parce qu'ils sont déjà sortis.
• Percevoir des séries dans les jeux de cartes comme la preuve que vous êtes "sur une lancée".

Fans de sport :

• Insister sur le fait que votre équipe perd "toujours" quand vous la regardez.
• Croire que certains joueurs sont "décisifs" (clutch) sur la base de performances mémorables.
• Percevoir un parti pris de l'arbitre en raison d'une série de décisions contre votre équipe.

Musique et divertissement :

• Croire que votre service de streaming musical est "biaisé" envers certains artistes lorsque la lecture aléatoire les passe consécutivement.
• Percevoir qu'un genre particulier passe "toujours" à certains moments.

Superstitions :

• Développer des rituels basés sur des coïncidences (porter des vêtements "porte-bonheur").
• Croire en des "séries" de bonne ou de mauvaise chance.
• Voir des motifs significatifs dans des événements quotidiens aléatoires.

4.2. Sur le lieu de travail

Évaluation des performances :

• Les managers percevant les employés comme "performants" ou "contre-performants" sur la base d'une récente série de résultats.
• Évaluer les candidats en fonction des séries dans leur CV plutôt que de leur parcours global.
• Croire que certaines équipes ou départements ont une "dynamique" basée sur des regroupements récents de performances.

Ventes et développement commercial :

• Poursuivre des pistes "chaudes" qui ne sont en fait que des regroupements de succès aléatoires.
• Abandonner des stratégies prometteuses après des regroupements d'échecs aléatoires.
• Croire que certains moments, lieux ou approches sont intrinsèquement meilleurs en fonction de résultats coïncidents.

Gestion de projet :

• Percevoir des projets comme ayant le "vent en poupe" ou au contraire "maudits" en fonction de séries de résultats.
• Prendre des décisions d'allocation des ressources en fonction des récentes séries de performances.
• Surréagir à des regroupements de retards ou de réussites.

4.3. Dans les affaires et le marketing

Manipulation des consommateurs :

• Les casinos exploitent l'illusion de regroupement en affichant les récents numéros gagnants, incitant les joueurs à parier sur les numéros "chauds" ou "attendus".
• Promouvoir des "séries de succès" de produits pour générer de la peur de rater quelque chose (FOMO).
• Créer des regroupements artificiels par une communication sélective des succès et des témoignages.

Conception de produits :

• Spotify et Apple ont repensé leurs algorithmes de lecture aléatoire pour qu'ils soient moins aléatoires parce que le vrai hasard semblait "cassé" aux utilisateurs.
• Les algorithmes de lecture aléatoire intelligents empêchent activement les regroupements pour correspondre aux attentes de l'utilisateur vis-à-vis de "l'aléatoire".
• Les concepteurs de jeux manipulent l'aléatoire perçu pour le rendre plus "juste".

Tactiques de vente :

• Afficher des regroupements d'achats récents pour suggérer des produits tendance.
• Utiliser des offres "durée limitée" après avoir montré des regroupements de ventes.
• Présenter des séries de témoignages pour suggérer une satisfaction universelle.

4.4. En politique et dans les médias

Sondages et élections :

• Percevoir une "dynamique" dans les données de sondage sur la base de fluctuations aléatoires dans la marge d'erreur.
• Croire que certaines régions ou données démographiques sont en train de "basculer" en se basant sur des résultats regroupés.
• La couverture médiatique amplifiant des regroupements aléatoires en tant que tendances significatives.

Couverture de l'actualité :

• Les reportages sur les "vagues de criminalité" basés sur des regroupements aléatoires d'incidents.
• Le langage de l'"épidémie" pour du bruit statistique dans les données de santé.
• Créer des narrations autour de regroupements d'événements coïncidents.

Théories du complot :

• Connecter des événements sans rapport pour former des motifs significatifs.
• Voir une coordination intentionnelle dans une coïncidence de calendrier.
• Interpréter les regroupements de données aléatoires comme la preuve de forces cachées.

4.5. Dans le domaine de la santé

Regroupements de cancers :

• Panique communautaire lorsque des regroupements aléatoires de cas de cancer apparaissent dans les quartiers.
• Exiger des enquêtes sur les causes environnementales pour ce qui n'est que du bruit statistique.
• Le Projet d'Étude du Cancer du Sein de Long Island (années 1990) a dépensé 30 millions de dollars pour enquêter sur un regroupement perçu qui s'expliquait en grande partie par la démographie et un biais de détection.

Erreurs de diagnostic :

• Les médecins percevant des "motifs" de maladie sur la base de séries récentes de patients.
• Prescrire trop d'examens sur la base de récentes "séries" de résultats positifs.
• Attribuer des regroupements de symptômes aléatoires à des causes spécifiques.

Évaluation des traitements :

• Les patients percevant les traitements comme efficaces sur la base de coïncidences dans l'amélioration des symptômes.
• Arrêter les médicaments sur la base de séries aléatoires d'effets secondaires.
• La médecine alternative prospérant sur la mauvaise attribution de séries aléatoires d'amélioration.

4.6. En finance et investissement

Analyse technique :

• Identifier des "têtes et épaules", des "doubles sommets" et d'autres motifs dans des données de prix aléatoires.
• Des études montrent que les analystes identifient ces mêmes motifs dans des graphiques de marche aléatoire générés par ordinateur.
• Construire des stratégies de trading autour de motifs qui ne sont que du bruit statistique.

La poursuite de tendance :

• Les investisseurs percevant une série de rendements positifs comme une action "chaude" dont la valeur fondamentale a changé.
• Acheter au sommet de regroupements aléatoires (après que la série se soit produite).
• L'équivalent financier du sophisme de la main chaude.

Comportement grégaire :

• Suivre le comportement grégaire d'autres investisseurs plutôt que l'analyse fondamentale.
• La recherche indique que c'est particulièrement fort sur les marchés où les connaissances financières sont plus faibles.
• Créer des bulles auto-entretenues basées sur une dynamique perçue.

Perception des pertes :

• Une série de journées perdantes est perçue comme un "krach" nécessitant de vendre dans la panique.
• La volatilité aléatoire dans l'écart-type déclenche des réponses de peur disproportionnées.
• Les séries de pertes semblent plus importantes que les séries de gains équivalentes.

5. Études de cas concrets

Étude de cas 1 : Les attaques de fusées V-2 sur Londres (1944-1945)

• Contexte : Pendant la Seconde Guerre mondiale, l'Allemagne nazie a lancé des bombes volantes V-1 et des fusées balistiques V-2 sur Londres. Le V-2 était essentiellement un missile non guidé avec une grande marge d'erreur, conçu pour frapper la ville de manière indiscriminée.

• Ce qu'il s'est passé : Les Londoniens ont observé que les bombes semblaient tomber en grappes. Des quartiers spécifiques du sud de Londres ont été touchés à plusieurs reprises tandis que les arrondissements adjacents ont été épargnés. La panique s'est propagée avec des théories sur des espions allemands dans les quartiers ciblés, le ciblage délibéré des pauvres, ou le guidage vers des points de repère spécifiques.

• Le biais à l'œuvre : Les habitants s'attendaient à ce qu'un bombardement aléatoire produise une distribution uniforme à travers la ville. Lorsqu'ils ont observé des regroupements — certaines zones touchées plusieurs fois, d'autres intactes — ils ont rejeté le hasard et ont cherché des explications causales.

• Conséquences : L'illusion de regroupement a provoqué la panique, des migrations hors des zones "ciblées", du ressentiment entre les quartiers, et une mauvaise orientation des ressources de la défense civile. L'énergie a été gaspillée à la recherche d'espions inexistants.

• Leçons apprises : L'analyse statistique de R.D. Clarke en 1946 a prouvé que le modèle d'impact correspondait à la distribution de Poisson — exactement ce qu'un hasard pur produirait. Dans toute distribution aléatoire, l'uniformité est impossible ; certaines zones doivent être touchées plusieurs fois pendant que d'autres y échappent totalement.

Étude de cas 2 : Le projet d'étude sur le cancer du sein de Long Island (Années 1990-2000)

• Contexte : Les femmes des comtés de Nassau et de Suffolk à Long Island, New York, ont observé que les taux de cancer du sein semblaient anormalement élevés. Des mouvements citoyens comme "1 sur 9" ont fait pression pour obtenir une enquête, émettant l'hypothèse que les toxines environnementales — pesticides, champs électromagnétiques, ruissellement industriel — en étaient la cause.

• Ce qu'il s'est passé : La pression politique a conduit à un mandat du Congrès pour le Projet d'Étude du Cancer du Sein de Long Island (LIBCSP), un effort massif multi-études de 30 millions de dollars coordonné par le National Cancer Institute sur plus d'une décennie.

• Le biais à l'œuvre : Les résidents ont perçu un regroupement significatif de cas de cancer et ont supposé qu'il devait avoir une cause environnementale locale. C'est le "sophisme du tireur d'élite texan" — dessiner une cible autour d'un groupe de points de données après les avoir observés.

• Conséquences : Après une enquête exhaustive analysant le sol, l'eau, la poussière et des échantillons de sang :

  • Aucune association n'a été trouvée entre les organochlorés (DDT/PCB) et le cancer du sein.
  • Aucune association n'a été trouvée avec les lignes électriques.
  • Seulement une association légère et non concluante avec les hydrocarbures aromatiques polycycliques.
  • Le "regroupement" s'expliquait en grande partie par la démographie (population aisée avec des grossesses tardives — un facteur de risque connu) et un biais de détection (des taux de mammographie élevés trouvaient plus de cancers).

• Leçons apprises : Tous les regroupements ne sont pas le fait d'une cause environnementale probante. Les facteurs démographiques et les taux de détection peuvent créer des regroupements apparents qui sont des artefacts statistiques plutôt que des preuves de causes locales.

Exemple historique : Le "regroupement" de cancers du comté de Marin

Un phénomène similaire s'est produit dans le comté de Marin, en Californie — une autre région aisée avec des taux élevés de cancer du sein. Alors que les habitants craignaient des causes environnementales :

• Des recherches ultérieures ont révélé que le "regroupement" était en partie dû à une forte utilisation du traitement hormonal substitutif (THS) dans la population aisée.
• Lorsque l'utilisation du THS a chuté (suite à des études l'associant au risque de cancer), les taux ont baissé.
• Un lien de causalité existait, mais pas le lien environnemental que l'illusion de regroupement avait suggéré.
• Le modèle démontre comment l'illusion de regroupement peut conduire les enquêteurs à chercher dans la mauvaise direction.

6. Le coût de ce biais

6.1. Coûts personnels

Pertes financières :

• Poursuivre des tendances d'investissement "chaudes" qui sont des regroupements aléatoires.
• Abandonner des stratégies saines après des séries de pertes aléatoires.
• Pertes de jeu en croyant aux résultats "attendus" ou aux "séries de chance".

Détresse émotionnelle :

• Anxiété due à la perception de "séries de malchance" personnelles.
• Comportement superstitieux contraignant les décisions quotidiennes.
• Peurs irrationnelles basées sur des regroupements d'événements négatifs coïncidents.

Dommages relationnels :

• Percevoir des modèles de comportement chez ses partenaires sur la base d'événements coïncidents.
• Développer des soupçons infondés à partir de séries aléatoires d'observations.
• Biais de confirmation renforçant les conclusions basées sur des regroupements.

Coûts d'opportunité :

• Abandonner des efforts prometteurs après des échecs aléatoires précoces.
• Manquer des opportunités en attendant le "bon moment" perçu.
• Effort gaspillé sur des rituels superstitieux.

6.2. Coûts professionnels

Pertes d'investissement :

• Les études montrent que les investisseurs particuliers sous-performent systématiquement les indices en raison de leur comportement de suivi de tendance.
• Vendre les gagnants trop tôt et conserver les perdants trop longtemps en fonction des modèles perçus.
• Coûts de transaction dus à des échanges excessifs basés sur des signaux illusoires.

Décisions de carrière :

• Quitter des emplois ou abandonner des cheminements de carrière sur la base de séries de résultats à court terme.
• Les managers prenant de mauvaises décisions d'embauche basées sur des "séries" d'entretiens.
• Anxiété de performance due à des modèles de performance négatifs perçus.

Échecs stratégiques commerciaux :

• Les entreprises abandonnant des stratégies solides après des trimestres aléatoirement mauvais.
• Mauvaise allocation des ressources en fonction de la "dynamique" perçue d'un département.
• Études de marché corrompues par la recherche de modèles dans les données de comportement des consommateurs.

6.3. Coûts sociétaux

Ressources de santé publique :

• Des millions de dollars dépensés pour enquêter sur le bruit statistique (par ex. l'étude de 30 M$ de Long Island).
• Ressources détournées des véritables menaces pour la santé publique.
• Anxiété communautaire et méfiance lorsque les enquêtes ne trouvent aucune cause.

Erreurs de politique :

• Réponses de type "vague de criminalité" à des séries de crimes aléatoires.
• Réglementations environnementales basées sur des artefacts statistiques.
• Allocation de ressources à des non-problèmes pendant que de vrais problèmes restent sans réponse.

Inefficacité du marché :

• Suivi de tendance collectif créant des bulles et des krachs.
• Comportement grégaire amplifiant la volatilité du marché.
• Mauvaise allocation du capital vers les secteurs "chauds" qui sont simplement aléatoires.

6.4. Impact statistique

Résultats de la recherche :

• L'étude de la main chaude a révélé que 91 % des fans de basket avaient la croyance de l'illusion de regroupement.
• Wagenaar et Bar-Hillel ont découvert que les humains génèrent des séquences "aléatoires" avec des taux d'alternance d'environ 60-70 % (le vrai hasard = 50 %).
• La correction de Miller-Sanjurjo révèle que même les statisticiens formés sous-estiment les effets du vrai hasard d'environ 4 points de pourcentage.
• L'analyse V-2 de Clarke a montré que la perception du public était systématiquement erronée malgré les conséquences importantes.

7. Les bénéfices cachés

L'illusion de regroupement, malgré ses coûts, peut servir des objectifs adaptatifs :

Détection rapide de motifs :

• Dans les environnements où des motifs existent réellement, une détection rapide offre un avantage de survie.
• Le biais peut représenter une calibration optimale pour les environnements ancestraux où les motifs étaient courants.
• Le principe "mieux vaut prévenir que guérir" s'applique lorsque le coût de rater de vrais motifs est élevé.

Accélération de l'apprentissage :

• Percevoir des motifs — même s'ils sont parfois faux — peut accélérer l'apprentissage dans des environnements véritablement structurés.
• La volonté d'émettre des hypothèses sur les connexions permet au raisonnement causal de se développer.
• Les scientifiques eux-mêmes s'appuient sur la perception de motifs pour générer des hypothèses.

Coordination sociale :

• Les croyances partagées sur des motifs (dynamique d'équipe, objets porte-bonheur) peuvent créer des effets réels par des mécanismes de type placebo.
• La croyance en la "main chaude" peut améliorer la coordination de l'équipe même si elle n'est pas statistiquement fondée.
• La confiance issue de "séries de succès" perçues peut améliorer les performances grâce à des mécanismes psychologiques.

Effets motivationnels :

• Croire que l'on est "sur une lancée" peut maintenir l'effort à travers des périodes difficiles.
• Percevoir des modèles de progression procure des récompenses émotionnelles qui maintiennent la persévérance.
• L'acceptation complète du hasard pourrait saper les comportements dirigés vers un but.

Mise en garde importante : Ces avantages opèrent dans des contextes spécifiques. Dans les environnements modernes riches en données avec des processus aléatoires connus (marchés, lectures aléatoires, distributions statistiques), les coûts de l'illusion de regroupement l'emportent généralement sur ses avantages.

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

8.1. Liste de contrôle des signes avant-coureurs

• Je crois que certaines machines à sous "doivent" payer
• Je pense que les joueurs deviennent véritablement "chauds" ou "froids" dans le sport
• J'ai développé des rituels superstitieux basés sur des succès coïncidents
• Je me suis plaint que les algorithmes de lecture aléatoire étaient "cassés" parce qu'ils répètent des artistes
• Je crois que certains jours, heures ou conditions me portent chance
• J'ai vu des "tendances" dans les graphiques boursiers et j'ai fait des transactions en fonction
• J'ai perçu des motifs dans des événements aléatoires et j'ai agi en conséquence
• Je suis sûr de pouvoir prédire quand quelqu'un est "sur une lancée"
• Je crois au principe "jamais deux sans trois" ou à des croyances de regroupement similaires
• J'ai abandonné des stratégies après de courtes séries de mauvais résultats

Évaluation :

• 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'auto-réflexion

1. Lorsque vous étiez "sur une lancée" par le passé, vos compétences sous-jacentes ont-elles réellement changé, ou avez-vous simplement connu une série de succès aléatoires ?

2. Avez-vous déjà abandonné une stratégie solide (régime, approche d'investissement, méthode de travail) en raison d'une courte série de mauvais résultats ? Rétrospectivement, la stratégie était-elle défaillante ou s'agissait-il simplement d'une variation aléatoire ?

3. Pensez-vous que des événements véritablement aléatoires devraient être "plus espacés" qu'ils ne le sont généralement ? Les répétitions consécutives vous semblent-elles "anormales" ?

4. Avez-vous remarqué des motifs dans des processus aléatoires (numéros de loto, scores sportifs, mouvements boursiers) qui, selon vous, avaient une valeur prédictive ?

5. Lorsque des amis ou des collègues soulignent que votre modèle perçu pourrait être le fruit du hasard, comment réagissez-vous généralement ? Sur la défensive ? Ouvert(e) ?

8.3. Scénario de diagnostic rapide

Scénario : Vous regardez un match de basket. Un joueur a réussi 5 tirs d'affilée. Le commentateur dit qu'il "prend feu". Avec 30 secondes restantes, votre équipe est menée de 2 points et a le ballon.

Comment envisageriez-vous la situation ?

• A) "Il est chaud — donnez-lui la balle ! Il a beaucoup plus de chances de réussir ce tir que sa moyenne de la saison ne le suggère." → Forte susceptibilité

• B) "Il en a mis 5 de suite, ce qui semble important, mais je sais que sa véritable probabilité sur le prochain tir est probablement proche de sa moyenne de saison. Cela dit, sa confiance pourrait aider un peu." → Susceptibilité modérée

• C) "Ses 5 tirs précédents n'ont aucune importance pour ce tir. Le ballon devrait aller à celui qui a le meilleur pourcentage espéré d'où il peut se libérer, indépendamment de ce qui vient de se passer." → Faible susceptibilité

9. Identifier ce biais chez les autres

9.1. Indicateurs comportementaux

Dans le discours :

• Utilisation fréquente de mots comme "série", "dynamique", "chaud", "attendu", "motif".
• Construction narrative autour d'événements coïncidents ("depuis que j'ai commencé...").
• Confiance quant aux prédictions basées sur des observations récentes.

Dans la prise de décision :

• Poursuite des gagnants récents (investissements, stratégies, approches).
• Abandon d'approches après de courtes séries négatives.
• Faire des choix basés sur le "timing" ou le "ressenti" perçus.

Dans la vie quotidienne :

• Rituels élaborés avant des événements incertains.
• Opinions arrêtées sur la "chance" et ses modèles.
• Tendance à voir du sens dans les coïncidences.

9.2. Signaux d'alerte conversationnels

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

• "Il est en train de prendre feu — continuez à lui donner la balle !"
• "Je dois gagner ; j'en ai perdu trop d'affilée."
• "C'est la troisième fois cette semaine — il doit se passer quelque chose."
• "L'algorithme est clairement biaisé ; il passe toujours les mêmes artistes."
• "Jamais deux sans trois."

Types d'arguments qu'ils avancent :

• Citer les résultats à court terme comme preuve de changements sous-jacents.
• Rejeter les explications statistiques comme étant "à côté de la plaque".
• Faire appel au "ressenti" ou à l'intuition plutôt qu'aux données.

Questions qu'ils évitent de poser :

• "À quoi ressemblerait réellement le hasard ici ?"
• "De combien d'observations aurais-je besoin pour être sûr que ce n'est pas aléatoire ?"

9.3. Déclencheurs situationnels

Circonstances :

• Observer des résultats séquentiels (sports, jeux d'argent, marchés).
• Regarder des données spatiales (cartes d'événements, distributions).
• Évaluer les performances récentes (personnelles, professionnelles, ou celles des autres).

Facteurs environnementaux :

• Pression temporelle encourageant la reconnaissance rapide de motifs.
• Investissement émotionnel dans les résultats.
• Retours limités sur les taux de base réels.

États émotionnels :

• Anxiété à la recherche d'explication et de contrôle.
• Espoir à la recherche de signes positifs.
• Peur amplifiant la perception de modèles négatifs.

Contextes sociaux :

• Paramètres de groupe où les croyances en des motifs sont renforcées.
• Communautés d'experts (trading, sport) avec des croyances bien ancrées.
• Couverture médiatique mettant en évidence des séries et des modèles.

10. Stratégies de dé-biaisage cognitif

10.1. Techniques immédiates

La question du taux de base : Avant d'accepter un motif, demandez-vous : "À quoi m'attendrais-je si c'était purement aléatoire ?" Si le motif observé s'inscrit dans les attentes aléatoires, suspendez votre jugement.

La vérification de la taille de l'échantillon : Demandez : "De combien d'observations est-ce que je dispose ?" N'oubliez pas que les petits échantillons ont intrinsèquement des séries. Exigez de plus grands échantillons avant d'accepter des motifs.

La correction du biais d'alternance : Rappelez-vous que le vrai hasard produit plus de séries que ce à quoi vous vous attendez intuitivement. Des séquences comme "PPPPPP" ne sont pas inhabituelles — il est mathématiquement requis qu'elles se produisent périodiquement.

Le test contrefactuel : Demandez-vous : "Si le motif inverse s'était produit, l'aurais-je remarqué avec autant de force ?" Nous prêtons souvent une attention sélective aux motifs qui confirment nos attentes.

L'alerte du tireur d'élite texan : Lorsque quelqu'un présente un motif, demandez : "Ce motif a-t-il été posé en hypothèse avant ou après avoir regardé les données ?" Les motifs a posteriori doivent être considérés avec un scepticisme extrême.

10.2. Stratégies à long terme

Littératie statistique :

• Apprendre la théorie de base des probabilités et la distribution de Poisson.
• Comprendre à quoi ressemblent réellement les séquences aléatoires.
• Étudier explicitement le sophisme du parieur et de la main chaude.

Journal de décision :

• Consigner les prédictions et le raisonnement qui les sous-tend.
• Suivre les résultats au fil du temps pour calibrer votre détection de motifs.
• Revoir les "motifs" que vous avez perçus dans le passé — combien étaient réels ?

Pensée probabiliste :

• S'entraîner à penser en probabilités plutôt qu'en certitudes.
• Accepter l'incertitude comme inhérente aux processus aléatoires.
• Faire la distinction entre "plus probable" et "certain".

Rechercher des preuves infirmantes :

• Chercher activement des données qui contredisent les modèles perçus.
• Consulter des sources sceptiques lorsque vous percevez un modèle.
• Appliquer le même examen minutieux aux preuves confirmantes et infirmantes.

10.3. Conception environnementale

Augmenter la taille des échantillons :

• Construire des systèmes qui agrègent les données avant de les présenter.
• Éviter les flux en temps réel qui mettent en évidence les fluctuations à court terme.
• Créer des tableaux de bord qui mettent l'accent sur les tendances à long terme plutôt que sur les séries récentes.

Ajouter un contexte statistique :

• Afficher les intervalles de confiance à côté des données.
• Montrer des distributions historiques pour comparaison.
• Inclure des références montrant "à quoi ressemblerait le hasard".

Mettre en œuvre des périodes de réflexion :

• Retarder les décisions après avoir perçu des motifs.
• Exigez une justification explicite pour les actions basées sur des motifs.
• Intégrer des points de contrôle qui remettent en question les hypothèses sur les motifs.

Utiliser le pré-engagement :

• Établir des règles de décision avant d'observer les résultats.
• S'engager dans des stratégies pour des périodes définies quels que soient les résultats à court terme.
• Créer des freins contre les changements réactifs basés sur des motifs.

10.4. Quand solliciter une contribution externe

Rechercher une expertise statistique lorsque :

• Prise de décisions à enjeux élevés basées sur des motifs perçus.
• Évaluation des revendications de regroupements significatifs (santé, performances, marchés).
• Conception de systèmes qui impliquent le hasard.

Rechercher l'évaluation par les pairs lorsque :

• Vous avez développé une forte confiance en un modèle.
• Les autres sont sceptiques face à votre perception du modèle.
• Le modèle entraîne des changements de comportement significatifs.

Consulter des experts du domaine lorsque :

• Évaluer si un domaine possède véritablement des modèles (certains en ont !).
• Comprendre les taux de base et les variations attendues.
• Distinguer le signal du bruit dans des domaines spécialisés.

11. Exercices pratiques

Exercice 1 : Le défi du lancer de pièce

• Objectif : Expérimenter à quoi ressemble le "non-aléatoire" du vrai hasard
• Temps requis : 15 minutes
• Matériel nécessaire : Une pièce de monnaie, du papier, un stylo
• Niveau de difficulté : Débutant
• Instructions :
  1. Lancez une pièce 100 fois et notez chaque résultat (P ou F).
  2. Avant de regarder les données, prévoyez : quelle est la plus longue série que vous observerez ?
  3. Entourez chaque série de 4 résultats identiques ou plus.
  4. Comptez le nombre total de ces séries.
  5. Comparez cela à votre intuition — vous attendiez-vous à plus ou moins de séries ?
• Questions de réflexion :
  • Avez-vous été surpris par le nombre ou la longueur des séries ?
  • Comment la séquence a-t-elle été "ressentie" par rapport à ce que vous considérez comme "aléatoire" ?
  • Si vous aviez vu cette séquence sans savoir qu'elle provenait de lancers de pièces, auriez-vous soupçonné un modèle ?
• Fréquence : Une fois, puis répétez chaque fois que vous vous surprenez à percevoir des motifs dans des données aléatoires.

Exercice 2 : Générer des séquences "aléatoires"

• Objectif : Expérimenter votre propre biais d'alternance
• Temps requis : 10 minutes
• Matériel nécessaire : Papier, stylo
• Niveau de difficulté : Débutant
• Instructions :
  1. Sans lancer de pièce, écrivez une séquence de 50 P et F "aléatoires".
  2. Comptez le nombre d'alternances (transitions P→F ou F→P).
  3. Calculez votre taux d'alternance : alternances ÷ 49 (total des transitions possibles).
  4. Comparez à l'espérance du vrai hasard qui est de 50 %.
  5. Remarquez à quel point votre taux d'alternance est plus élevé.
• Questions de réflexion :
  • Pourquoi avez-vous évité les séries plus longues lors de la génération de séquences "aléatoires" ?
  • Comment cet exercice modifie-t-il votre perception de l'aléatoire ?
  • Que révèle cela sur votre modèle intuitif du hasard ?
• Fréquence : Pratiquez chaque fois que vous avez besoin de calibrer votre intuition sur l'aléatoire.

Exercice 3 : L'audit de modèle historique

• Objectif : Évaluer les décisions passées basées sur des modèles
• Temps requis : 30 minutes
• Matériel nécessaire : Journal ou notes de décisions passées
• Niveau de difficulté : Intermédiaire
• Instructions :
  1. Listez 5 décisions que vous avez prises sur la base de modèles perçus (investissements, relations, choix de carrière).
  2. Pour chacune, documentez : Quel motif avez-vous perçu ? Combien d'observations le soutenaient ?
  3. Recherchez le résultat : Le modèle s'est-il poursuivi comme vous l'attendiez ?
  4. Estimez : Qu'aurait prédit le hasard ?
  5. Calculez votre "taux de précision des motifs".
• Questions de réflexion :
  • Étiez-vous trop confiant dans des modèles qui n'ont pas persisté ?
  • Que se serait-il passé si vous aviez supposé le hasard à la place ?
  • Comment pouvez-vous appliquer cet apprentissage aux décisions actuelles ?
• Fréquence : Bilan trimestriel

Pratique quotidienne

L'habitude du "Vérification de l'aléatoire" : Une fois par jour, lorsque vous remarquez que vous percevez un modèle (dans l'actualité, au travail, dans la vie personnelle), faites une pause et demandez-vous : "M'attendrais-je à cela si c'était aléatoire ?" Passez 2 minutes à considérer ce que le hasard produirait réellement dans ce contexte.

• Durée suggérée : 2-3 minutes
• Meilleur moment de la journée : Chaque fois que vous vous surprenez à chercher des motifs.
• Comment suivre les progrès : Tenez un compte du nombre de fois où le modèle survit à votre examen.

Défi hebdomadaire

Semaine du scepticisme des motifs : Pendant une semaine, tenez un journal de chaque motif que vous percevez. Pour chaque entrée, notez :

• Le motif perçu

• Le nombre d'observations le soutenant

• Ce que le hasard prédirait

• Votre niveau de confiance (1-10) qu'il s'agit d'un vrai modèle

• Résultats attendus après 4 semaines : Un scepticisme et un calibrage des motifs considérablement améliorés.

• Pistes de journalisation pour la réflexion :

  • Combien de motifs ont survécu à un examen statistique ?
  • Qu'ai-je appris sur mes propres tendances à la détection de motifs ?
  • Comment mon comportement a-t-il changé en conséquence ?

12. Pour des publics spécifiques

Pour les dirigeants et les managers

Implications en matière de leadership :

• Résistez à l'évaluation des employés sur la base de séries de performances récentes.
• Reconnaissez que les résultats trimestriels contiennent une variation aléatoire substantielle.
• Évitez de courir après la "dynamique" sur les marchés, les stratégies ou les départements.

Interventions en équipe :

• Formez les équipes à la pensée statistique de base.
• Établissez des tailles d'échantillon minimales avant de conclure à l'existence de motifs.
• Créez des cultures qui remettent en question le raisonnement basé sur des modèles.

Processus de décision :

• Mettez en place des pre-mortems en demandant : "Et si ce motif était aléatoire ?"
• Exigez des comparaisons de taux de base pour tout changement de stratégie fondé sur des motifs.
• Intégrez des périodes d'examen avant d'agir sur les tendances perçues.

Conception organisationnelle :

• Créez des systèmes de feedback avec des horizons temporels plus longs.
• Concevez des métriques qui font la moyenne sur des périodes significatives.
• Évitez les tableaux de bord en temps réel qui mettent en évidence les fluctuations à court terme.

Pour les parents et les éducateurs

Enseignement adapté à l'âge :

• Utilisez des expériences de tirage au sort pour démontrer le hasard (8 ans et +).
• Discutez de la différence entre la compétence et la chance dans les jeux (10 ans et +).
• Introduisez des concepts de probabilité à travers le sport et les jeux (12 ans et +).

Activités en classe :

• Demandez aux élèves de générer des séquences "aléatoires", puis comparez-les aux séquences aléatoires réelles.
• Analysez les "séries de succès" dans les données des sports scolaires.
• Discutez des raisons pour lesquelles les casinos affichent les récents numéros gagnants.

Modéliser la sensibilisation aux biais :

• Lorsque les enfants perçoivent des motifs, posez ensemble des questions de calibrage.
• Démontrez de l'incertitude lorsque les modèles pourraient être aléatoires.
• Célébrez la compétence à reconnaître le hasard.

Pour les professionnels de la santé

Implications cliniques :

• Reconnaissez que les regroupements de maladies peuvent être des artefacts statistiques.
• Évitez le surdiagnostic basé sur des "modèles" récents dans les présentations de patients.
• Comprenez l'anxiété de la communauté face aux regroupements perçus de maladies.

Communication avec les patients :

• Aidez les patients à comprendre que les regroupements de symptômes n'indiquent pas nécessairement des modèles sous-jacents.
• Expliquez les taux de base et les variations attendues dans les résultats de santé.
• Abordez les préoccupations concernant les regroupements de cancers avec un contexte statistique.

Considérations diagnostiques :

• Résistez au biais de disponibilité amplifiant les modèles récents de patients.
• Utilisez des protocoles de diagnostic structurés qui ne reposent pas sur des tendances perçues.
• Sollicitez une consultation statistique pour les enquêtes sur les regroupements.

Pour les professionnels de la finance

Applications d'investissement :

• Éduquez les clients sur la différence entre le signal et le bruit dans les rendements.
• Mettez en place des périodes de détention minimales pour empêcher la chasse aux séries.
• Montrez des données historiques sur le taux d'échec des modèles d'analyse technique.

Communication client :

• Préparez les clients à l'inévitabilité des regroupements de pertes au sein de la volatilité normale.
• Contextualisez les performances récentes par rapport aux attentes à long terme.
• Répondez aux demandes d'actions/fonds "chauds" avec une éducation sur les taux de base.

Gestion des risques :

• Faites la distinction entre les véritables signaux de risque et les regroupements aléatoires.
• Construisez des portefeuilles qui ne nécessitent pas la prédiction de modèles.
• Mettez en œuvre un rééquilibrage systématique indépendamment des tendances à court terme.

13. Interactions avec d'autres biais

Biais qui amplifient l'illusion de regroupement

Biais qui peuvent contrer celui-ci

Chaînes de biais communes

La cascade de la main chaude : Illusion de regroupement → Biais de confirmation → Excès de confiance → Mauvaise décision

Exemple : Un trader perçoit une action comme "chaude" (Illusion de regroupement), remarque des actualités confirmantes tout en ignorant les signaux contradictoires (Biais de confirmation), devient convaincu que la tendance va se poursuivre (Excès de confiance), et augmente la taille de sa position au sommet (Mauvaise décision).

La cascade du regroupement de cancers : Illusion de regroupement → Heuristique de disponibilité → Tireur d'élite texan → Erreur d'attribution

Exemple : Une communauté remarque plusieurs cas de cancer (Illusion de regroupement), ces cas dominent l'attention et la mémoire (Disponibilité), une frontière géographique est tracée autour d'eux a posteriori (Tireur d'élite texan), et des causes environnementales sont blâmées sans preuves (Erreur d'attribution).

Interrompre la cascade :

• Exigez des taux de base avant d'accepter des modèles.
• Exigez des hypothèses pré-spécifiées avant d'analyser les données.
• Sollicitez une consultation statistique pour les affirmations de modèles à enjeux élevés.

14. Perspectives culturelles

Les recherches sur les variations culturelles de l'illusion de regroupement sont limitées, mais plusieurs tendances se dégagent :

Aspects universels :

• La tendance fondamentale à percevoir des modèles dans des données aléatoires semble être universellement partagée d'un point de vue interculturel.
• Ceci est cohérent avec ses origines évolutives en tant que caractéristique cognitive humaine fondamentale.
• Toutes les populations étudiées montrent un biais d'alternance lors de la génération de séquences "aléatoires".

Variations culturelles :

Effets de la littératie financière :

• Les recherches au Pakistan suggèrent que les effets de l'illusion de regroupement sur les marchés sont plus forts là où les connaissances financières sont plus faibles.
• Les populations plus instruites peuvent mieux reconnaître l'aléatoire, mais sont loin d'être immunisées.
• Même des prix Nobel (Kahneman) citent l'illusion de regroupement comme étant convaincante même lorsqu'on la sait fausse.

Superstitions culturelles :

• Différentes cultures développent des croyances en différents modèles (chiffres porte-bonheur, jours, rituels).
• Ces croyances sont des expressions culturelles spécifiques de l'illusion universelle de regroupement.
• Elles démontrent comment le biais interagit avec les récits culturels.

15. Mythes et idées reçues

16. Témoignages d'experts

"Nous sommes des avares cognitifs qui nous appuyons sur des raccourcis. L'illusion de regroupement se produit parce que nous sous-estimons la quantité de variabilité intrinsèque au hasard. Nous supposons qu'une variabilité implique une cause variable." — Thomas Gilovich, How We Know What Isn't So (1991)

"Le problème est que pour les humains, ce qui est vraiment aléatoire ne semble pas aléatoire. Nous avons donc reçu des tonnes de plaintes d'utilisateurs disant que ce n'était pas aléatoire." — Mattias Petter Johansson, ancien ingénieur chez Spotify

"Les gens s'attendent à ce qu'une séquence d'événements générés par un processus aléatoire représente les caractéristiques essentielles de ce processus, même lorsque la séquence est courte." — Amos Tversky & Daniel Kahneman, sur la "Loi des petits nombres"

17. Points clés à retenir

1. L'aléatoire fait des grumeaux. Les vraies distributions aléatoires contiennent des regroupements — elles le doivent, mathématiquement. Une distribution uniforme serait en fait la preuve d'un phénomène non aléatoire.

2. Notre détection de motifs est une fonction de survie, pas un bug. L'illusion de regroupement est le côté obscur de l'inférence causale rapide qui a aidé nos ancêtres à survivre.

3. Les petits échantillons ne sont pas fiables. La "loi des petits nombres" est un sophisme. Nous ne pouvons pas nous attendre à ce que de courtes séquences reflètent des moyennes à long terme.

4. Même les experts en sont victimes. Miller et Sanjurjo ont montré que les chercheurs étudiant l'illusion de regroupement avaient commis des erreurs statistiques dans leur analyse initiale.

5. La technologie s'adapte à notre biais. Spotify et Apple rendent délibérément leurs lectures aléatoires moins aléatoires parce que le vrai hasard semble cassé aux yeux des utilisateurs.

6. Les domaines à enjeux élevés sont vulnérables. Les enquêtes de santé publique, les marchés financiers et les décisions stratégiques sont tous faussés par l'illusion de regroupement.

7. La sensibilisation aide, mais n'élimine pas le problème. Une formation en statistiques peut réduire mais pas éradiquer le biais. Des garde-fous structurels et des processus de décision rigoureux sont des compléments indispensables à la sensibilisation individuelle.

18. Ressources complémentaires

Articles académiques

• Gilovich, T., Vallone, R., & Tversky, A. (1985). The hot hand in basketball: On the misperception of random sequences. Cognitive Psychology, 17(3), 295-314.
• Miller, J. B., & Sanjurjo, A. (2018). Surprised by the hot hand fallacy? A truth in the law of small numbers. Econometrica, 86(6), 2019-2047.
• Clarke, R. D. (1946). An application of the Poisson distribution. Journal of the Institute of Actuaries, 72(3), 481.
• Wagenaar, W. A. (1972). Generation of random sequences by human subjects: A critical survey of the literature. Psychological Bulletin, 77(1), 65-72.
• Falk, R., & Konold, C. (1997). Making sense of randomness: Implicit encoding as a basis for judgment. Psychological Review, 104(2), 301-318.

Livres

• Gilovich, T. (1991). How We Know What Isn't So: The Fallibility of Human Reason in Everyday Life. Free Press.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Mlodinow, L. (2008). The Drunkard's Walk: How Randomness Rules Our Lives. Pantheon Books.
• Taleb, N. N. (2005). Fooled by Randomness: The Hidden Role of Chance in Life and in the Markets. Random House.

Chapitres de livres

• Tversky, A., & Kahneman, D. (1971). Belief in the law of small numbers. In Judgment under Uncertainty: Heuristics and Biases (pp. 23-31). Cambridge University Press.

19. Fiche de synthèse

20. Glossaire des termes utilisés

21. Questions de discussion

Pour les clubs de lecture, les salles de classe ou l'auto-réflexion :

1. L'étude de Miller-Sanjurjo a montré que même les chercheurs étudiant l'illusion de regroupement ont fait des erreurs dans la compréhension de l'aléatoire. Qu'est-ce que cela nous dit sur les limites de l'expertise pour surmonter les biais cognitifs ?

2. Spotify a choisi de rendre son algorithme de lecture aléatoire moins aléatoire pour satisfaire les utilisateurs. Est-ce la bonne approche ? La technologie devrait-elle s'adapter à nos biais ou nous aider à les surmonter ?

3. Le projet d'étude sur le cancer du sein de Long Island a dépensé 30 millions de dollars pour enquêter sur un artefact statistique. Était-ce un gaspillage de ressources ou une réponse nécessaire aux préoccupations de la communauté ? Comment les agences de santé publique devraient-elles réagir aux regroupements perçus ?

4. Si la main chaude existe (selon la correction de Miller-Sanjurjo), mais seulement faiblement, les entraîneurs doivent-ils quand même ajuster leurs stratégies ? À quelle taille d'effet un modèle devient-il pratiquement significatif ?

5. Dans quels domaines de votre propre vie pourriez-vous être victime de l'illusion de regroupement ? Comment concevriez-vous un test pour le vérifier ?