Fallacia del Tasso di Base (Base Rate Fallacy)

A Colpo d'Occhio

1. Sintesi Rapida

Quando si formulano giudizi sulla probabilità, gli esseri umani tendono a concentrarsi su dettagli vividi e specifici di un caso particolare, ignorando il contesto statistico più ampio che dovrebbe informare la loro decisione. Se qualcuno descrive una persona tranquilla e studiosa che ama la poesia, potresti indovinare "bibliotecario", anche se ci sono molti più insegnanti, contabili o impiegati al mondo che condividono questi tratti. La fallacia del tasso di base si verifica perché i nostri cervelli sono programmati per riconoscere schemi e raccontare storie, non per calcolare probabilità.

2. La Scienza Dietro il Bias

2.1. Scoperta e Storia

L'identificazione formale della trascuratezza del tasso di base è emersa dalla rivoluzione cognitiva in psicologia durante gli anni '70. Sebbene la tensione tra ragionamento statistico e intuizione clinica fosse già stata notata da Paul Meehl e Albert Rosen nel 1955 (i quali misero in guardia i clinici sull'interpretazione dei test diagnostici), furono Amos Tversky e Daniel Kahneman a identificare formalmente e dare un nome a questo bias.

Il loro articolo del 1973 "On the Psychology of Prediction" sfidò l'ipotesi economica prevalente dell'attore razionale. Dimostrarono che quando alle persone viene chiesto di prevedere dei risultati, non agiscono come statistici intuitivi che aggiornano le probabilità a priori con nuove prove (come detterebbe il teorema di Bayes). Al contrario, si affidano a scorciatoie mentali che ignorano sistematicamente le informazioni sul tasso di base.

La scoperta innescò quelle che sono state definite "Le Guerre della Razionalità", un intenso dibattito teorico per stabilire se la trascuratezza del tasso di base costituisca un difetto fondamentale nel ragionamento umano o rappresenti una risposta adattativa alla struttura ambientale. Questo dibattito ha plasmato la scienza cognitiva per cinquant'anni.

Pietre miliari nella ricerca:

• 1955: Meehl e Rosen identificano il problema della previsione clinica rispetto a quella attuariale
• 1973: Tversky e Kahneman pubblicano "On the Psychology of Prediction"
• 1980: Maya Bar-Hillel introduce la critica della Teoria della Rilevanza
• 1995: Gerd Gigerenzer dimostra che i formati in frequenze naturali riducono la fallacia
• 2002: Kahneman e Frederick formalizzano la teoria della "sostituzione degli attributi"
• Anni 2010: La ricerca si estende ai sistemi di intelligenza artificiale e ai bias algoritmici

2.2. Ricercatori Principali

2.3. Studi Memorabili

L'Esperimento "Tom W." (Kahneman & Tversky, 1973)

Questo studio fondamentale ha dimostrato come la rappresentatività prevalga sui tassi di base anche quando i partecipanti possiedono una conoscenza accurata dei tassi di base.

Progettazione: I partecipanti sono stati divisi in tre condizioni:

• Gruppo Tasso di Base: Ha stimato la percentuale di studenti laureati in nove campi. Hanno identificato correttamente le materie umanistiche e l'istruzione come campi vasti (tassi di base alti) e l'informatica come un campo ristretto (tasso di base basso).
• Gruppo Somiglianza: Avendo ricevuto un profilo della personalità di "Tom W." (descritto come intelligente ma privo di creatività, ordinato, con una scrittura meccanica e poca simpatia per gli altri), hanno classificato i campi in base a quanto Tom fosse simile allo studente tipico.
• Gruppo Previsione: Avendo ricevuto lo stesso profilo e alla richiesta di classificare i campi in base alla probabilità che Tom W. stesse attualmente studiando in quel campo, crucialmente fu detto loro che il profilo era basato su test di "validità limitata".

Risultati: Le classifiche del Gruppo Previsione erano correlate quasi perfettamente (r > 0,9) con il Gruppo Somiglianza e in modo negativo con il Gruppo Tasso di Base. Nonostante sapessero che l'informatica era un campo piccolissimo rispetto alle materie umanistiche, i partecipanti predissero che Tom fosse un informatico perché vi assomigliava. Le informazioni individualizzanti hanno completamente sommerso le informazioni sul tasso di base, anche quando i partecipanti erano stati avvertiti che le informazioni non erano affidabili.

Il Problema dei Taxi (Kahneman & Tversky, 1972)

La più famosa dimostrazione numerica della fallacia, che isola il conflitto tra tassi di base e testimonianza.

Scenario: Un taxi è stato coinvolto in un incidente con omissione di soccorso di notte. In città operano due compagnie:

• Tasso di Base: 85% taxi Verdi, 15% taxi Blu
• Un testimone ha identificato il taxi come Blu
• I test in tribunale hanno dimostrato che il testimone identificava correttamente i colori l'80% delle volte

Domanda: Qual è la probabilità che il taxi fosse Blu?

La Risposta Intuitiva: La maggior parte dei partecipanti risponde l'80%, abbinando direttamente l'accuratezza del testimone.

L'Analisi Bayesiana: $$P(Blu|Il\ testimone\ dice\ Blu) = \frac{0,80 \times 0,15}{(0,80 \times 0,15) + (0,20 \times 0,85)} = \frac{0,12}{0,29} \approx 41%$$

L'Intuizione: Nonostante il testimone affermi che fosse Blu, è in realtà più probabile (59%) che il taxi fosse Verde. L'ampia flotta Verde produce più falsi rapporti di Blu di quanti la piccola flotta Blu produca rapporti Blu veri. I partecipanti non intuiscono che il "peso" del tasso di base Verde trascina verso il basso la probabilità rispetto all'80% di accuratezza del testimone.

Il Problema dell'Ingegnere-Avvocato (Tversky & Kahneman, 1973)

Progettazione: I partecipanti ricevevano descrizioni tratte da campioni di 100 professionisti:

• Condizione A: 70 ingegneri, 30 avvocati
• Condizione B: 30 ingegneri, 70 avvocati

"Jack" veniva descritto con tratti stereotipati da ingegnere (conservatore, attento, interessato alla falegnameria).

Risultati: I partecipanti stimavano la probabilità che Jack fosse un ingegnere in modo praticamente identico in entrambe le condizioni (~90%), ignorando completamente l'inversione dei tassi di base. Fondamentalmente, quando veniva data una descrizione neutra che non si adattava a nessuno dei due stereotipi, i partecipanti usavano correttamente il tasso di base (70% o 30%), dimostrando che potevano usare i tassi di base ma li scartavano immediatamente non appena ricevevano dati individualizzanti.

2.4. Basi Neurologiche

La ricerca sui substrati neurali della trascuratezza del tasso di base indica un conflitto tra due sistemi cognitivi:

Sistema 1 (Elaborazione Intuitiva): La corteccia prefrontale e il sistema limbico guidano il riconoscimento rapido e automatico degli schemi. Quando si presentano informazioni individualizzanti, queste regioni si attivano fortemente, generando giudizi intuitivi basati sulla "somiglianza". L'amigdala può aumentare l'importanza delle informazioni vivide e specifiche.

Sistema 2 (Elaborazione Deliberativa): La corteccia prefrontale dorsolaterale e la corteccia cingolata anteriore supportano il ragionamento statistico faticoso. Studi con risonanza magnetica funzionale (fMRI) mostrano che l'integrazione corretta dei tassi di base richiede l'attivazione di queste regioni, il che richiede sforzo cognitivo ed è facilmente interrotto dalla pressione del tempo o dal carico cognitivo.

La competizione neurale: La trascuratezza del tasso di base sembra derivare dal fatto che il Sistema 1 "vince" la competizione neurale perché:

• Il riconoscimento di pattern è più veloce e richiede meno risorse
• Le storie specifiche attivano l'elaborazione emotiva più delle statistiche astratte
• La modalità predefinita del cervello è quella di costruire narrazioni, non di calcolare probabilità
• I limiti della memoria di lavoro limitano l'elaborazione simultanea dei tassi di base e delle informazioni sul caso

La ricerca sui neurotrasmettitori suggerisce che le vie della dopamina coinvolte nella previsione della ricompensa potrebbero contribuire al fascino di "colpi" specifici rispetto al pensiero statistico, mentre gli ormoni dello stress possono sopprimere ulteriormente l'elaborazione deliberativa.

3. Origini Evolutive

La fallacia del tasso di base esiste perché la cognizione umana si è evoluta come un motore di riconoscimento di pattern ottimizzato per affrontare minacce ambientali immediate, non per calcolare probabilità astratte.

Vantaggi per la sopravvivenza del ragionamento basato su casi specifici:

• Negli ambienti ancestrali, il fruscio nell'erba poteva essere un predatore. Coloro che ignoravano il "tasso di base" del vento e presupponevano una minaccia sopravvivevano più spesso degli statistici attenti
• La sopravvivenza sociale dipendeva dalla lettura delle intenzioni individuali specifiche, non delle medie della popolazione
• Risorse e partner venivano assicurati valutando opportunità particolari, non frequenze astratte
• Il processo decisionale rapido basato sul riconoscimento di schemi risparmiava preziosa energia cognitiva

La spinta narrativa: I nostri antenati che costruivano storie causali coerenti a partire da eventi potevano imparare, insegnare e prevedere meglio di coloro che elaboravano la realtà come statistiche disconnesse. Questa capacità di costruire narrazioni è diventata centrale per l'intelligenza umana ma crea punti ciechi sistematici quando è richiesta la probabilità formale.

Una caratteristica, non un difetto — nel giusto contesto: Nella maggior parte delle situazioni pre-moderne, la trascuratezza del tasso di base era adattativa. La tigre specifica di fronte a te è più importante della distribuzione media delle tigri. Il problema sorge quando questa architettura cognitiva si confronta con le decisioni moderne che coinvolgono malattie rare, prove forensi o derivati finanziari — domini in cui il pensiero statistico è essenziale ma evolutivamente senza precedenti.

Conservazione dell'energia: Calcolare le probabilità bayesiane è metabolicamente dispendioso. Il cervello, che consuma il 20% dell'energia corporea, ha sviluppato scorciatoie che funzionano "abbastanza bene" la maggior parte delle volte. In ambienti di scarsità, il costo cognitivo del ragionamento formale superava i suoi benefici marginali.

4. Come si Manifesta Questo Bias

4.1. Nella Vita Quotidiana

• Stereotipare gli estranei: Incontrando qualcuno con gli occhiali che parla a bassa voce, potresti presumere "professore" nonostante il tasso di base dei professori sia minuscolo rispetto ad altre occupazioni
• Valutazione del rischio: Dopo aver visto la copertura giornalistica di un incidente aereo, sovrastimare il pericolo del volo ignorando la sicurezza statistica dei viaggi aerei
• Giudizi relazionali: Concludere che qualcuno è disonesto sulla base di un comportamento sospetto, ignorando la tua vasta storia di interazioni oneste (il tasso di base della loro affidabilità)
• Lotteria e gioco d'azzardo: Trattare un biglietto "fortunato" o un casinò come speciale in base alle vittorie recenti, ignorando il tasso di base matematico delle perdite
• Paure genitoriali: Sovrastimare drasticamente pericoli come il rapimento in base a storie vivide sui media mentre si sottovalutano i rischi comuni come gli incidenti stradali

4.2. Sul Posto di Lavoro

• Valutazione delle prestazioni: Valutare un dipendente come "ad alto potenziale" sulla base di una singola presentazione impressionante, ignorando i suoi dati di produttività di base
• Decisioni di assunzione: Favorire candidati la cui performance al colloquio corrisponde a stereotipi di successo piuttosto che considerare il tasso di base di successo tra le assunzioni simili
• Stima del progetto: Credere che "questo progetto è diverso" basandosi su caratteristiche specifiche mentre si ignora il tasso di base di sforamenti di budget e ritardi in progetti simili
• Valutazione della leadership: Attribuire il successo del team a un leader carismatico ignorando le condizioni di mercato (il tasso di base di successo in ambienti favorevoli)
• Analisi dei concorrenti: Sovrappesare mosse specifiche dei concorrenti mentre si ignorano i tassi di successo a livello di settore per strategie simili

4.3. Nel Business e nel Marketing

• Testimonianze e casi studio: Le aziende sfruttano storie di successo specifiche perché i consumatori sottovalutano il tasso di base dei risultati tipici
• "Visto in TV": Le dimostrazioni vivide prevalgono sulle informazioni statistiche sull'efficacia del prodotto
• Vendite assicurative: Scenari drammatici di catastrofi fanno sembrare probabili eventi rari
• Pubblicità mirata: Mostrare i prodotti in contesti specifici desiderabili piuttosto che presentare vantaggi statistici
• Narrazioni di lancio: Le storie "Questa startup è diversa" persistono nonostante il tasso di base di fallimento di circa il 90%
• Segmentazione della clientela: Sovra-indicizzare sulle interazioni memorabili dei clienti piuttosto che sull'analisi sistematica dei dati

4.4. In Politica e nei Media

• Copertura della criminalità: La narrazione vivida di rari crimini violenti guida la politica nonostante il calo dei tassi di base della violenza
• Previsioni elettorali: Gli opinionisti si concentrano su momenti specifici della campagna ("gaffe") mentre ignorano i tassi di base storici del vantaggio del candidato uscente
• Dibattito sull'immigrazione: Storie specifiche di crimini commessi da immigrati prevalgono sulle prove statistiche che gli immigrati commettono crimini a tassi inferiori rispetto ai nativi
• Narrazioni politiche: Gli argomenti "Questa volta è diverso" a favore di nuove politiche ignorano i tassi di base di fallimento politico
• Rischio di terrorismo: Massicci investimenti in sicurezza basati su attacchi vividi, mentre i tassi di base suggeriscono che altre minacce (incidenti stradali, malattie cardiache) meritano più risorse

4.5. Nella Sanità

Il Paradosso dei Falsi Positivi: Quando una malattia è rara (tasso di base basso), anche test altamente accurati producono per lo più falsi positivi.

Esempio Screening HIV:

• Popolazione: 100.000 con prevalenza di HIV dello 0,01%

• Test: Sensibilità del 99,9%, specificità del 99,9%

• Veri Positivi: ~10 (persone infette identificate correttamente)

• Falsi Positivi: ~100 (persone sane segnalate in modo errato)

• Risultato: Un test positivo significa solo ~9% di probabilità di infezione effettiva

• Errori diagnostici: I medici si ancorano sui sintomi presentati che corrispondono a una diagnosi drammatica mentre ignorano il tasso di base di condizioni banali

• Efficacia dei farmaci: I pazienti si concentrano su storie specifiche di guarigione piuttosto che sui tassi statistici di successo del trattamento

• Decisioni di screening: I pazienti interpretano male i risultati positivi dei test senza comprendere i tassi di base dei falsi positivi

• Adesione al trattamento: Storie vivide di effetti collaterali prevalgono sui profili di sicurezza statistica

• Fraintendimento del vaccino COVID-19: "Il 70% dei pazienti ricoverati è vaccinato" è stato frainteso come fallimento del vaccino, ignorando che oltre il 95% delle popolazioni vulnerabili era vaccinato (il problema del denominatore)

4.6. In Finanza e Investimenti

• "Questa volta è diverso": Gli investitori giustificano valutazioni estreme concentrandosi su narrazioni specifiche (New Economy, rivoluzione AI) mentre ignorano i tassi di base storici delle correzioni di mercato
• Bolla Dot-Com: Rapporti P/E di 100x+ erano giustificati dal potenziale di Internet, ignorando il tasso di base storico di valutazioni medie di ~15x
• Selezione delle singole azioni: Trattare le informazioni specifiche dell'azienda come definitive ignorando i tassi di base di sottoperformance delle azioni rispetto agli indici
• Ottimismo del venture capital: Decisioni di finanziamento basate sul carisma del fondatore piuttosto che sui tassi di base di fallimento delle startup
• Crollo LTCM: I modelli dei premi Nobel hanno trattato la recente bassa volatilità come il tasso di base, ignorando la frequenza storica dei panici di mercato ("code grasse")
• Speculazione immobiliare: Le convinzioni che "questo mercato è diverso" ignorano i tassi di base storici dei cicli immobiliari

5. Casi di Studio dal Mondo Reale

Caso Studio 1: Sally Clark — Una Madre Ingiustamente Incarcerata

• Contesto: Nel 1999, l'avvocato britannico Sally Clark ha perso due figli neonati: il primo a 11 settimane, il secondo a 8 settimane. È stata accusata di duplice infanticidio.

• Cosa è successo: Il testimone esperto Sir Roy Meadow ha testimoniato che la probabilità di due morti per SIDS (Sindrome della Morte Improvvisa del Lattante) in una famiglia benestante era di circa 1 su 73 milioni (calcolata come (1/8543)²). Ha paragonato questo alle probabilità di scommessa su un evento "molto improbabile" (long shot).

• Il bias in azione: Si sono sommati due errori critici:

  1. Violazione dell'indipendenza: Meadow presupponeva che le morti per SIDS fossero eventi indipendenti. Fattori genetici e ambientali rendono in realtà una seconda morte molto più probabile se ne è già avvenuta una — gli eventi sono condizionatamente dipendenti.
  2. Trascuratezza del tasso di base: Pur accettando la cifra di 1 su 73 milioni, la giuria doveva confrontarla con il tasso di base del duplice infanticidio. Anche un duplice omicidio da parte di una madre è straordinariamente raro (forse 1 su 100 milioni). Quando si confrontano due eventi estremamente rari, il rapporto è importante. Se la doppia SIDS è 1 su 73 milioni e il doppio omicidio è 1 su 100 milioni, la SIDS è in realtà più probabile. Presentando "1 su 73 milioni" in isolamento, l'accusa insinuava che l'omicidio fosse l'ipotesi predefinita.

• Conseguenze: Sally Clark è stata condannata all'ergastolo. La Royal Statistical Society ha intrapreso l'azione straordinaria di emettere un rimprovero pubblico per il ragionamento statistico utilizzato. Clark è stata rilasciata nel 2003 dopo il suo secondo appello. Incapace di riprendersi dal trauma dell'ingiusta incarcerazione e dalla perdita dei suoi figli, è morta di intossicazione acuta da alcol nel 2007.

• Lezioni apprese: L'evidenza statistica richiede un corretto inquadramento bayesiano. I tribunali devono confrontare la probabilità delle prove in base a ipotesi in competizione, non valutare un'ipotesi isolatamente. I testimoni esperti necessitano di formazione sull'alfabetizzazione statistica.

Caso Studio 2: Lucia de Berk — L'Infermiera Olandese

• Contesto: L'infermiera olandese Lucia de Berk è stata condannata nel 2003 per sette omicidi e tre tentati omicidi sulla base dell'analisi statistica dei decessi dei pazienti durante i suoi turni.

• Cosa è successo: Uno statistico ospedaliero ha testimoniato che la probabilità che si verificassero così tanti decessi durante i suoi turni per puro caso era di 1 su 342 milioni.

• Il bias in azione:

  1. Selezione post-hoc: I decessi sono stati classificati come "sospetti" solo dopo aver saputo che Lucia era in servizio — un classico bias di conferma combinato con la trascuratezza del tasso di base.
  2. Tasso di base dei cluster ignorato: In qualsiasi grande sistema ospedaliero, la legge dei grandi numeri garantisce che qualche infermiera avrà alla fine un modello di turni che sembrerà altamente improbabile per puro caso (la Fallacia del Cecchino Texano).
  3. Ipotesi alternative trascurate: Non è stato adeguatamente considerato il tasso di base dei pazienti che muoiono durante i turni notturni (quando i pazienti più gravi sono monitorati più da vicino).

• Conseguenze: Lucia ha scontato oltre sei anni di prigione. Ha subito un ictus durante la sua incarcerazione. Analisi matematiche di statistici indipendenti in seguito hanno dimostrato che la probabilità di innocenza era in realtà alta. È stata scagionata nel 2010 in quello che le autorità olandesi hanno riconosciuto come uno dei peggiori errori giudiziari nella storia del paese.

• Lezioni apprese: Le coincidenze statistiche in grandi set di dati non sono prova di causalità. L'analisi post-hoc richiede estrema cautela. I tribunali hanno bisogno di una revisione statistica indipendente delle prove probabilistiche.

Caso Studio 3: Robert Williams — Fallimento del Riconoscimento Facciale

• Contesto: Nel gennaio 2020, Robert Williams, un uomo nero di Detroit, è stato arrestato a casa sua davanti alla sua famiglia dopo che un algoritmo di riconoscimento facciale ha abbinato la foto della sua patente di guida al filmato di sorveglianza di un taccheggio.

• Cosa è successo: I detective hanno mostrato a Williams l'immagine di sorveglianza e hanno detto "il computer dice che sei tu". È stato trattenuto per 30 ore prima di essere rilasciato.

• Il bias in azione:

  1. Il paradosso dei falsi positivi: Anche un sistema di riconoscimento facciale accurato al 99%, quando cerca in database di milioni di volti, genera migliaia di false corrispondenze.
  2. Bias di automazione: Gli investigatori hanno trattato la "corrispondenza" dell'algoritmo come una prova definitiva piuttosto che come un suggerimento probabilistico che richiedeva conferma.
  3. Tasso di base di corrispondenze casuali: Come il problema dei taxi, il "testimone" (algoritmo) ha un tasso di errore, e la "popolazione innocente" è enorme — producendo molti falsi positivi.

• Conseguenze: Williams è stato arrestato ingiustamente, detenuto e il suo DNA, le sue impronte digitali e le sue foto segnaletiche sono state inserite nei database criminali. Ha intentato una causa contro il Dipartimento di Polizia di Detroit. Il caso è diventato un esempio lampante di pregiudizio algoritmico nelle forze dell'ordine.

• Lezioni apprese: Le prove algoritmiche devono essere valutate in modo probabilistico, non trattate come infallibili. I tassi di base di false corrispondenze devono essere comunicati ai decisori. Dovrebbero essere richieste prove corroboranti prima di effettuare arresti basati su corrispondenze algoritmiche.

Esempio Storico: Il Crollo del Long-Term Capital Management

Nel 1998, il Long-Term Capital Management (LTCM), un hedge fund gestito dai premi Nobel Myron Scholes e Robert Merton, è crollato in modo spettacolare, quasi destabilizzando il sistema finanziario globale.

I sofisticati modelli Value-at-Risk (VaR) di LTCM si basavano su dati storici recenti che mostravano una bassa volatilità del mercato. Calcolarono che le perdite maggiori erano "eventi a 10-sigma" — statisticamente impossibili. I modelli trascurarono il tasso di base storico dei panici finanziari — le "code grasse" (fat tails) delle distribuzioni di mercato. Ignorarono anche il tasso di base della correlazione sistemica: nelle crisi, tutte le correlazioni vanno a 1 man mano che il panico si diffonde.

Quando la Russia andò in default sul suo debito nell'agosto 1998, l' "impossibile" accadde. LTCM perse 4,6 miliardi di dollari in meno di quattro mesi, richiedendo un salvataggio coordinato dalla Federal Reserve per prevenire un più ampio contagio finanziario.

La lezione: i modelli sofisticati che ignorano i tassi di base storici di eventi rari creano punti ciechi catastrofici. Le condizioni specifiche del passato recente non sono guide affidabili per i rischi di coda.

6. Il Costo di Questo Bias

6.1. Costi Personali

• Paura e ansia: Sovrastimare minacce rare (incidenti aerei, crimini violenti, malattie) crea stress cronico ignorando i rischi più probabili
• Danni alle relazioni: Giudicare le persone in base a singoli incidenti vividi piuttosto che al loro tasso di base comportamentale coerente porta a giudizi ingiusti e alla perdita di fiducia
• Opportunità perse: Evitare attività benefiche (volare, interventi chirurgici, cambiamenti di carriera) a causa di vivide storie di fallimento ignorando i tassi di base di successo
• Perdite finanziarie: Prendere decisioni di investimento basate su narrazioni avvincenti piuttosto che su prove statistiche
• Ansia medica: Interpretare in modo errato i risultati dello screening senza comprendere i tassi di base dei falsi positivi

6.2. Costi Professionali

• Errori di carriera: Basare le decisioni di lavoro su risultati drammatici specifici piuttosto che sulle traiettorie di carriera statistiche
• Fallimenti dei progetti: Il pensiero "Questo progetto è diverso" porta a sottostimare ripetutamente i costi e le tempistiche
• Errori di assunzione: Selezionare i candidati in base agli stereotipi di prestazione durante i colloqui piuttosto che sui tassi di base predittivi
• Errori strategici: Decisioni aziendali guidate dagli aneddoti della concorrenza piuttosto che dalle statistiche del settore
• Fallimenti nelle previsioni: Previsioni basate sulle narrazioni attuali che ignorano i tassi di base storici di situazioni simili

6.3. Costi Sociali

• Condanne errate: Come visto nei casi di Sally Clark e Lucia de Berk, la trascuratezza del tasso di base nei procedimenti legali distrugge vite innocenti
• Errata allocazione delle politiche: Risorse dirette verso minacce vivide ma rare (terrorismo) mentre i danni più probabili (morti per incidenti stradali, malattie) vengono trascurati
• Ingiustizia algoritmica: I sistemi di intelligenza artificiale addestrati su dati distorti perpetuano e amplificano gli errori del tasso di base, portando a discriminazioni nella polizia, nei prestiti e nelle assunzioni
• Fallimenti nella salute pubblica: L'incomprensione delle statistiche di screening porta a decisioni errate sui test e sui trattamenti su larga scala
• Crisi finanziarie: I mercati che ignorano i tassi di base delle valutazioni creano bolle che danneggiano milioni di persone quando inevitabilmente scoppiano

6.4. Impatto Statistico

Risultati della ricerca sull'impatto misurabile della trascuratezza del tasso di base:

• Processo decisionale medico: Gli studi dimostrano che solo circa il 15% dei medici interpreta correttamente i risultati positivi dei test quando i tassi di base delle malattie sono bassi, portando a massicce sovradiagnosi
• Decisioni della giuria: Studi con finte giurie scoprono che le informazioni sul tasso di base vengono in gran parte ignorate quando viene presentata una testimonianza vivida
• Accuratezza predittiva: La ricerca di Philip Tetlock ha scoperto che i "superprevisori" che superano la trascuratezza del tasso di base superano gli esperti di oltre il 30%
• Prestazioni degli algoritmi: L'analisi di ProPublica dell'algoritmo COMPAS sulla recidiva ha scoperto che la distorsione del tasso di base ha prodotto tassi di falsi positivi doppi per gli imputati neri rispetto a quelli bianchi

7. I Vantaggi Nascosti

La fallacia del tasso di base non è puramente un difetto cognitivo — i meccanismi sottostanti servono a importanti funzioni adattative.

Rilevamento rapido delle minacce: In ambienti in cui non accorgersi di un predatore significa morire, è meglio reagire in modo eccessivo a segnali di pericolo specifici che calcolare attentamente le statistiche della popolazione. Il costo di un falso positivo (vigilanza non necessaria) è basso rispetto a un falso negativo (essere mangiati).

Intelligenza sociale: Leggere le intenzioni di individui specifici è più importante per il successo sociale che conoscere le statistiche a livello di popolazione sul comportamento umano. La persona di fronte a te non è un essere umano medio — è un individuo specifico le cui intenzioni specifiche devi comprendere.

Apprendimento narrativo: Le storie sono il modo in cui gli esseri umani trasmettono la conoscenza attraverso le generazioni. Il "bias" verso i casi vividi rispetto alle statistiche è ciò che rende possibile l'apprendimento dall'esperienza e dalle esperienze altrui.

Efficienza energetica: Il ragionamento bayesiano attento è metabolicamente costoso. Per la maggior parte delle decisioni quotidiane, il riconoscimento rapido di schemi produce risultati "abbastanza buoni" a una frazione del costo cognitivo.

Il compromesso: Eliminare completamente la trascuratezza del tasso di base richiederebbe un calcolo faticoso costante che paralizzerebbe il processo decisionale. L'obiettivo non è eliminare l'euristica, ma riconoscere quando il pensiero statistico è richiesto — in particolare nei settori legale, medico, finanziario e politico, dove i tassi di base contano maggiormente.

8. Autovalutazione: Hai Questo Bias?

8.1. Lista di Controllo dei Segnali di Pericolo

• Pensi spesso "questa situazione è diversa" senza verificare le somiglianze statistiche con situazioni passate
• Trovi gli esempi specifici più convincenti dei riepiloghi statistici
• Hai preso decisioni basandoti su aneddoti memorabili piuttosto che consultare i dati
• Fai fatica a credere che il risultato di un test medico possa essere un falso positivo
• Stimi le probabilità in base alla facilità con cui riesci a immaginare un risultato
• Giudichi le persone rapidamente in base alle prime impressioni o a singoli comportamenti
• Hai ignorato "informazioni di base" perché sembravano meno rilevanti rispetto a dettagli specifici
• Trovi le statistiche dei tassi di base "fredde" o "fuori tema" nelle discussioni
• Sei rimasto sorpreso quando le previsioni statistiche differivano dalle tue intuizioni
• Resisti a pensare in percentuali e preferisci giudizi sì/no

Punteggio:

• 0-2 selezionati: Bassa suscettibilità
• 3-5 selezionati: Suscettibilità moderata
• 6-8 selezionati: Alta suscettibilità
• 9-10 selezionati: Suscettibilità molto alta

8.2. Domande di Auto-Riflessione

1. Quando è stata l'ultima volta che hai cambiato idea a causa di prove statistiche piuttosto che di una storia o di un esempio convincente?
2. Pensa a una decisione importante che hai preso di recente: hai ricercato i tassi di base di successo/fallimento per decisioni simili?
3. Hai mai scartato statistiche rilevanti perché non ti sembravano applicabili alla tua situazione specifica?
4. Quando qualcuno ti racconta un aneddoto, ti chiedi istintivamente quanto sia tipica o atipica quell'esperienza?
5. Gli altri ti hanno mai detto che dai troppo peso a esempi individuali o non abbastanza ai dati?

8.3. Scenario Diagnostico Rapido

Scenario: È stato sviluppato un nuovo test medico per una malattia grave. Il test è accurato al 99% (sia nel rilevare la malattia quando presente, sia nell'assolvere correttamente le persone sane). Nella popolazione generale, 1 persona su 1.000 ha questa malattia. Il tuo test risulta positivo. Qual è la probabilità che tu abbia davvero la malattia?

Come risponderesti?

• A) Circa il 99% → Alta suscettibilità (stai abbinando la risposta all'accuratezza del test, ignorando il tasso di base)
• B) Circa il 50% → Suscettibilità moderata (senti che c'è qualcosa che non va ma non riesci a calcolare la probabilità effettiva)
• C) Circa il 9% → Bassa suscettibilità (hai integrato correttamente il tasso di base; ~10 veri positivi e ~100 falsi positivi su 1.000 persone testate)

9. Identificare Questo Bias negli Altri

9.1. Indicatori Comportamentali

• Respingere gli argomenti statistici considerandoli "freddi" o "fuori tema" a favore di storie personali
• Utilizzare spesso frasi come "nella mia esperienza" o "conosco qualcuno che..." quando si fanno affermazioni generali
• Trattare i casi individuali come prove definitive per pattern ampi
• Difficoltà ad accettare che le generalizzazioni statistiche si applichino alla propria situazione specifica
• Sovrappesare gli eventi recenti o memorabili quando si stimano le probabilità
• Resistenza a cambiare opinione di fronte ai dati sui tassi di base

9.2. Campanelli d'Allarme nelle Conversazioni

Frasi che le persone dicono quando sono sotto l'influenza di questo bias:

• "Ma questo caso è diverso..."
• "Le statistiche non dicono tutto"
• "So cosa dicono i numeri, ma..."
• "Lascia che ti racconti di una persona che conosco..."
• "Puoi dimostrare qualsiasi cosa con le statistiche"

Tipi di argomentazioni che fanno:

• Citare storie individuali di successo/fallimento come prove per strategie generali
• Trattare i casi eccezionali come rappresentativi dei risultati tipici

Domande che evitano di fare:

• "Quanto spesso succede di solito?"
• "Qual è il tasso di successo per situazioni simili?"

9.3. Trigger Situazionali

• Posta in gioco emotiva: Quando i risultati contano profondamente, le informazioni su casi specifici diventano più convincenti
• Esempi vividi: Gli eventi recenti, drammatici o vissuti personalmente prevalgono sulle linee guida statistiche
• Complessità: Quando l'analisi statistica è difficile, le persone ripiegano su esempi rappresentativi
• Pressione del tempo: Le decisioni rapide favoriscono il riconoscimento di pattern rispetto al calcolo delle probabilità
• Contesto narrativo: Quando le informazioni arrivano sotto forma di storie piuttosto che di statistiche
• Inquadramento da parte degli esperti: Quando le autorità presentano le informazioni sul caso senza il contesto del tasso di base

10. Strategie Cognitive per la Mitigazione del Bias (Debiasing)

10.1. Tecniche Immediate

• Chiedi "Con che frequenza?": Prima di accettare informazioni individualizzanti, chiedi esplicitamente del tasso di base. "Quanto è comune questo risultato in generale?"
• La riformulazione delle "100 persone": Quando ti viene data una probabilità, immagina 100 persone in quella situazione. Quante avrebbero ciascun risultato?
• Considera l'alternativa: Qual è il tasso di base dell'ipotesi in competizione? (Come confrontare i tassi di doppia SIDS rispetto a quelli del doppio omicidio)
• Previsione per classe di riferimento: Identifica la classe di riferimento pertinente per la tua situazione e controlla i risultati storici
• Il test del giornale: Questo caso specifico finirebbe sul giornale perché è insolito? Se è così, probabilmente non è rappresentativo

10.2. Strategie a Lungo Termine

• Esercita il pensiero bayesiano: Affronta regolarmente problemi di probabilità che richiedono l'integrazione dei tassi di base
• Tieni un registro delle previsioni: Registra le previsioni con probabilità dichiarate, quindi verifica i risultati per calibrare le tue intuizioni
• Cerca una formazione statistica: L'istruzione formale in probabilità e statistica migliora la resistenza alla fallacia
• Costruisci librerie di tassi di base: Per i settori importanti (salute, carriera, finanza), ricerca e memorizza i tassi di base pertinenti
• Coltiva amicizie "statistiche": Sviluppa relazioni con persone che pensano in modo probabilistico e che metteranno in discussione il tuo ragionamento

10.3. Progettazione Ambientale

• Usa formati a frequenza naturale: Converti le probabilità in formati "X su Y" che il cervello elabora in modo più intuitivo
• Crea liste di controllo per le decisioni: Includi domande sul tasso di base come passaggi obbligatori nelle decisioni importanti
• Usa array di icone: Le rappresentazioni visive delle probabilità riducono la trascuratezza del denominatore
• Impegnati in anticipo sui criteri statistici: Prima di incontrare informazioni specifiche, definisci quali statistiche ti farebbero cambiare idea
• Progetta la visualizzazione delle informazioni: Presenta i tassi di base in modo prominente e prima delle informazioni individualizzanti

10.4. Quando Cercare Input Esterni

• Decisioni ad alta posta in gioco: Diagnosi mediche, sentenze legali, grandi investimenti, decisioni di assunzione
• Quando hai forti intuizioni: I sentimenti forti possono indicare l'intervento del Sistema 1 — richiedi un controllo statistico
• Situazioni di probabilità complesse: Quando interagiscono più probabilità condizionali
• Coinvolgimento emotivo: Quando la posta in gioco personale rende difficile il ragionamento oggettivo
• Mancanza di competenze: Quando la decisione richiede competenze statistiche che ti mancano

11. Esercizi Pratici

Esercizio 1: Il Calcolatore del Test di Screening

• Obiettivo: Sviluppare l'intuizione per il ragionamento bayesiano lavorando su scenari di screening medico
• Tempo richiesto: 20 minuti
• Materiali necessari: Calcolatrice, carta
• Livello di difficoltà: Intermedio
• Istruzioni:
  1. Scegli una condizione medica e cerca la sua prevalenza (tasso di base) nella tua fascia demografica
  2. Cerca la sensibilità e la specificità dei comuni test di screening per quella condizione
  3. Calcola il valore predittivo positivo: quale percentuale di test positivi sono veri positivi?
  4. Calcola il valore predittivo negativo: quale percentuale di test negativi sono veri negativi?
  5. Visualizza tutto ciò con una tabella 2x2 per una popolazione di 10.000 persone
• Domande di riflessione:
  • Sei rimasto sorpreso dal valore predittivo positivo?
  • Come questo cambia il modo in cui pensi allo screening medico?
  • Quali domande dovresti porre al tuo medico dopo aver ricevuto i risultati del test?
• Frequenza: Mensile, utilizzando condizioni mediche diverse

Esercizio 2: Previsione per Classe di Riferimento

• Obiettivo: Costruire l'abitudine di trovare tassi di base rilevanti prima di fare previsioni
• Tempo richiesto: 30 minuti
• Materiali necessari: Accesso a Internet, foglio di calcolo
• Livello di difficoltà: Intermedio
• Istruzioni:
  1. Identifica un'imminente decisione o previsione che devi prendere
  2. Definisci la classe di riferimento: quali situazioni simili esistono?
  3. Ricerca il tasso di base dei risultati in quella classe di riferimento
  4. Modifica il tasso di base in funzione di fattori specifici che rendono la tua situazione diversa
  5. Documenta il tuo ragionamento e la stima finale della probabilità
• Domande di riflessione:
  • In che modo trovare il tasso di base ha modificato la tua stima iniziale?
  • Quali fattori specifici giustificavano l'aggiustamento dal tasso di base?
  • Sei stato tentato di trattare la tua situazione come "diversa" senza prove?
• Frequenza: Prima di qualsiasi decisione importante

Esercizio 3: Riformulazione della Frequenza

• Obiettivo: Esercitarsi a convertire le dichiarazioni di probabilità in formati a frequenza naturale
• Tempo richiesto: 15 minuti
• Materiali necessari: Elenco di dichiarazioni di probabilità (da articoli di giornale, articoli di ricerca)
• Livello di difficoltà: Principiante
• Istruzioni:
  1. Raccogli 5 dichiarazioni di probabilità dalle notizie recenti (es. "5% di rischio di complicanze")
  2. Riformula ciascuna come una frequenza naturale (es. "5 pazienti su 100")
  3. Per ognuna, scrivi cosa succede agli altri 95 (o al numero rilevante)
  4. Nota come questo cambia la tua percezione intuitiva della probabilità
  5. Esercitati a spiegare la versione della frequenza a qualcun altro
• Domande di riflessione:
  • Quale formato ha reso le probabilità più facili da capire?
  • Qualche probabilità è sembrata più o meno preoccupante nel formato a frequenza?
  • Come puoi applicare questa riformulazione nella vita quotidiana?
• Frequenza: Settimanale

Pratica Quotidiana

La Domanda sul Tasso di Base: Ogni giorno, quando ti formi un'opinione o fai una previsione, fermati e chiediti: "Qual è il tasso di base?" Se non lo sai, dedica 60 secondi a cercarlo.

• Durata suggerita: 1-2 minuti per istanza
• Momento migliore della giornata: Quando prendi decisioni o formuli giudizi durante il giorno
• Come tracciare i progressi: Annota in un diario quando ti sei ricordato di chiederlo e cosa hai imparato

Sfida Settimanale

L'Audit delle Previsioni: Ogni settimana, rivedi 3 previsioni o giudizi che hai fatto. Per ciascuno:

1. Identifica se hai considerato il tasso di base
2. Ricerca quale fosse effettivamente il tasso di base
3. Valuta se le informazioni sul tasso di base avrebbero cambiato il tuo giudizio

• Risultati attesi dopo 4 settimane: Maggiore consapevolezza della trascuratezza del tasso di base nel proprio pensiero; considerazione più automatica dei tassi di base
• Spunti di scrittura per il diario per la riflessione:
  • Quali tipi di decisioni innescano più spesso la trascuratezza del tasso di base per me?
  • Quali strategie mi aiutano a ricordare di controllare i tassi di base?
  • Come è cambiata la qualità delle mie decisioni da quando mi esercito?

12. Per Pubblici Specifici

Per Leader e Manager

La fallacia del tasso di base è particolarmente pericolosa nei contesti organizzativi in cui i successi e i fallimenti vividi guidano la strategia più dell'analisi sistematica.

Vulnerabilità chiave:

• Decisioni di assunzione basate sulle impressioni dei colloqui piuttosto che sui tassi di base dei candidati
• Valutazioni delle prestazioni ancorate a incidenti memorabili piuttosto che a metriche coerenti
• Pianificazione strategica guidata da aneddoti sui concorrenti piuttosto che da statistiche del settore
• Allocazione delle risorse basata sui risultati di progetti recenti piuttosto che sui tassi di successo storici

Strategie:

• Implementare colloqui strutturati con punteggi standardizzati per ridurre l'impatto delle impressioni individuali
• Creare esercizi di "pre-mortem" che considerino esplicitamente i tassi di base del fallimento del progetto
• Richiedere previsioni per classe di riferimento per le grandi iniziative
• Costruire dashboard che mettano in primo piano i tassi di base accanto ai casi individuali
• Coltivare "scettici statistici" a cui è conferito il potere di contestare il ragionamento basato su casi vividi

Per Genitori ed Educatori

I bambini sono particolarmente suscettibili alla trascuratezza del tasso di base in quanto apprendono a conoscere il mondo principalmente attraverso esempi e storie.

Approcci educativi:

• Usare giochi che coinvolgono la probabilità (dadi, carte) per sviluppare l'intuizione sui tassi di base
• Quando si discutono i rischi (pericolo da parte di estranei, malattie, incidenti), fornire un contesto su quanto sia effettivamente comune ciascuno
• Evidenziare quando i telegiornali presentano eventi che fanno notizia perché sono rari
• Modellare il pensiero statistico: "Questo è un esempio interessante. Mi chiedo quanto sia tipico?"
• Insegnare la differenza tra "questo è successo" e "questo di solito succede"

Spiegazioni adeguate all'età:

• Età 6-10: "Alcune cose succedono spesso e alcune cose sono rare. Le storie parlano spesso di cose rare perché sono sorprendenti."
• Età 11-14: "I numeri possono dirci quanto spesso accadono realmente le cose, il che è diverso da quanto spesso ne sentiamo parlare."
• Età 15+: Introduzione ai concetti di probabilità, al teorema di Bayes e al ragionamento formale

Per i Professionisti del Settore Sanitario

La trascuratezza del tasso di base ha profonde implicazioni per la diagnosi, lo screening e la comunicazione con il paziente.

Implicazioni cliniche:

• Le malattie rare vengono sovradiagnosticate quando l'abbinamento dei sintomi prevale sui dati di prevalenza
• L'efficacia del programma di screening dipende dai tassi di base della popolazione, non solo dall'accuratezza del test
• L'ansia del paziente per risultati di screening positivi spesso supera la preoccupazione appropriata
• Le decisioni di trattamento possono attribuire un peso eccessivo a casi di studio drammatici piuttosto che alle statistiche degli studi clinici

Strategie:

• Utilizzare i formati a frequenza naturale quando si comunicano i risultati dei test ai pazienti
• Implementare un supporto alle decisioni cliniche che faccia emergere i tassi di base rilevanti
• Richiedere l'esplicita considerazione del tasso di base nelle liste di controllo diagnostiche
• Utilizzare array di icone e ausili visivi per spiegare il valore predittivo positivo
• Formare al ragionamento bayesiano come parte della formazione medica

Per i Professionisti Finanziari

I mercati sono guidati da narrazioni, rendendo la disciplina del tasso di base essenziale per il successo degli investimenti.

Vulnerabilità chiave:

• Pensiero "Questa volta è diverso" nelle valutazioni delle bolle
• Bias di recenza nei modelli di rischio (trattare la volatilità recente come tasso di base)
• Sovrappesare le raccomandazioni di analisti specifici rispetto ai tassi di base del settore
• Trattare i track record di successo dei gestori di fondi come abilità piuttosto che fortuna

Strategie:

• Mantenere grafici di riferimento del tasso di base di valutazione a lungo termine (rapporti P/E, tassi di default, ecc.)
• Implementare un ribilanciamento sistematico che faccia rispettare le ipotesi di ritorno alla media (mean reversion)
• Utilizzare simulazioni Monte Carlo con distribuzioni calibrate storicamente
• Richiedere documentazione esplicita del tasso di base per le tesi di investimento
• Studiare bolle e crolli storici per calibrare le aspettative

13. Interazioni con Altri Bias

Bias Che Amplificano Questo

Bias Che Contrastano Questo

Catene di Bias Comuni

Catena 1: Esempio Vivido (Disponibilità) → Abbinamento del Pattern (Rappresentatività) → Trascuratezza del Tasso di Base → Errore di Valutazione Fiducioso (Eccesso di Sicurezza) → Conferma dell'Errore (Bias di Conferma)

Catena 2: Ancoraggio a un Caso Specifico → Ignorare i Dati sulla Popolazione → Costruire una Narrazione di Supporto (Fallacia Narrativa) → Resistere alle Prove Correttive

Interrompere la cascata: Il punto di intervento più efficace è precoce: prima che l'esempio vivido catturi l'attenzione. Precaricare le informazioni sul tasso di base, usare i formati di frequenza e creare abitudini esplicite di controllo del tasso di base possono impedire l'inizio della cascata.

14. Prospettive Culturali

La ricerca sulle variazioni culturali nell'uso del tasso di base rivela pattern interessanti, sebbene la tendenza centrale verso la trascuratezza sembri universale.

Risultati interculturali:

• Gli studi riscontrano costantemente la trascuratezza del tasso di base attraverso i contesti culturali occidentali, asiatici e altri
• Alcune prove suggeriscono che i partecipanti dell'Asia orientale mostrano un uso leggermente migliore del tasso di base in determinati contesti, forse correlato a stili cognitivi olistici
• I sistemi educativi che enfatizzano probabilità e statistica producono una migliore integrazione del tasso di base indipendentemente dal background culturale
• Il trattamento delle prove statistiche da parte dei sistemi legali varia in modo significativo a seconda della cultura

Aspetti universali: Il fenomeno centrale — preferire informazioni vivide e specifiche alle linee guida statistiche astratte — sembra essere un universale umano, radicato in un'architettura cognitiva che precede la differenziazione culturale.

Implicazioni interculturali: Le prove statistiche necessitano di un inquadramento attento attraverso i contesti culturali. Ciò che funziona in un sistema legale o medico potrebbe non essere trasferibile direttamente a un altro.

15. Miti e Malintesi

16. Approfondimenti degli Esperti

"La riluttanza dei soggetti a dedurre il particolare dal generale è stata eguagliata solo dalla loro disponibilità a dedurre il generale dal particolare." — Amos Tversky & Daniel Kahneman, 1973

"La somiglianza non è influenzata dai tassi di base, eppure i giudizi intuitivi di probabilità sono dominati dalla somiglianza." — Daniel Kahneman, Pensieri lenti e veloci, 2011

"Il problema non è che le persone siano incapaci di ragionare statisticamente, ma che la maggior parte dei problemi viene presentata in un formato che non corrisponde al formato in cui la mente umana si è evoluta per ragionare." — Gerd Gigerenzer, 2002

"Gli psicologi stanno valutando la razionalità dei loro soggetti attraverso uno standard che non è appropriato per il compito." — L.J. Cohen, 1981

17. Punti Chiave

1. La trascuratezza del tasso di base è universale: Tutti gli esseri umani tendono a sottopesare i tassi di base statistici quando sono disponibili informazioni specifiche; questa è una caratteristica dell'architettura cognitiva umana, non un fallimento individuale.

2. L'euristica della rappresentatività è il meccanismo: Giudichiamo la probabilità per somiglianza ai prototipi piuttosto che per frequenza nella popolazione.

3. Il formato conta enormemente: Presentare le informazioni come frequenze naturali (X su Y) piuttosto che come probabilità riduce drasticamente la fallacia.

4. Il contesto guida l'uso del tasso di base: Le persone usano i tassi di base quando sembrano causalmente rilevanti; li ignorano quando sembrano "meramente statistici".

5. Le conseguenze sono catastrofiche: Dalle condanne errate (Sally Clark, Lucia de Berk) alle crisi finanziarie (LTCM, Dot-Com) alle discriminazioni algoritmiche, la trascuratezza del tasso di base dà forma a gravi fallimenti della società.

6. Il debiasing richiede progettazione: Non possiamo semplicemente "decidere" di rispettare i tassi di base: abbiamo bisogno di architetture informative, liste di controllo e processi decisionali che rendano i tassi di base visibili e rilevanti.

7. Il bias ha vantaggi: In molti contesti quotidiani, il rapido riconoscimento di pattern che ignora i tassi di base è adattivo ed efficiente; l'obiettivo è riconoscere quando è genuinamente richiesto il pensiero statistico.

18. Ulteriori Risorse

Articoli Accademici

• 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. In 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.

Libri

• Kahneman, D. (2011). Pensieri lenti e veloci. Mondadori.
• 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.

Capitoli di Libri

• 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. Scheda Riassuntiva

20. Glossario dei Termini Utilizzati

21. Domande di Discussione

Per club del libro, aule scolastiche o auto-riflessione:

1. Riesci a pensare a una decisione importante nella tua vita in cui in seguito hai capito di aver ignorato il tasso di base? Cosa faresti diversamente?

2. Le "Guerre della Razionalità" si chiedono se la trascuratezza del tasso di base sia un "difetto" (bug) o una "caratteristica" (feature) della cognizione umana. Qual è la tua opinione, e quali sono le implicazioni?

3. Come dovrebbero i tribunali gestire le prove statistiche, dato ciò che sappiamo sulla trascuratezza del tasso di base nelle giurie? Dovrebbero esserci requisiti di formazione speciale o di esperti?

4. Gigerenzer sostiene che presentare le informazioni con frequenze naturali "risolve" in gran parte la trascuratezza del tasso di base. Se questo è vero, chi è responsabile della presentazione delle informazioni nel formato corretto: individui, istituzioni o educatori?

5. Man mano che i sistemi di intelligenza artificiale prendono sempre più decisioni che influenzano le vite umane, quali obblighi esistono per affrontare il bias del tasso di base negli algoritmi? Come dovrebbe essere definita l'equità algoritmica?