기저율 오류 (Base Rate Fallacy)

한눈에 보기

1. 빠른 요약

확률에 대한 판단을 내릴 때, 인간은 결정을 내리는 데 바탕이 되어야 할 광범위한 통계적 맥락을 무시하고 특정 사례에 대한 생생하고 구체적인 세부 사항에 집중하는 경향이 있습니다. 누군가 조용하고 책을 좋아하며 시를 사랑하는 사람에 대해 설명하면, 여러분은 "사서"를 떠올릴 수 있습니다. 세상에는 이런 특징을 가진 교사, 회계사, 회사원이 훨씬 더 많은데도 말입니다. 기저율 오류는 우리의 뇌가 확률을 계산하는 것이 아니라 패턴을 맞추고 이야기를 만들어내도록 설계되어 있기 때문에 발생합니다.

2. 과학적 배경

2.1. 발견 및 역사

기저율 무시(base rate neglect)에 대한 공식적인 확인은 1970년대 심리학의 인지 혁명에서 비롯되었습니다. 통계적 추론과 임상적 직관 사이의 긴장은 1955년 폴 밀(Paul Meehl)과 알버트 로젠(Albert Rosen)(임상의들에게 진단 테스트 해석에 대해 경고함)에 의해 일찍이 주목받았지만, 이 편향을 공식적으로 확인하고 이름을 붙인 것은 아모스 트버스키(Amos Tversky)와 대니얼 카너먼(Daniel Kahneman)이었습니다.

그들의 1973년 논문 "예측의 심리학에 관하여(On the Psychology of Prediction)"는 합리적 행위자라는 당시 지배적인 경제학적 가정에 도전했습니다. 그들은 사람들이 결과 예측을 요구받을 때 새로운 증거로 사전 확률을 업데이트하는 직관적 통계학자처럼 기능하지 않는다는 것을 보여주었습니다(베이즈 정리가 지시하는 바와 같이). 대신 그들은 기저율 정보를 체계적으로 무시하는 정신적 지름길에 의존합니다.

이 발견은 "합리성 전쟁(The Rationality Wars)"이라 불리는 논쟁을 촉발시켰습니다. 기저율 무시가 인간 추론의 근본적인 결함인지, 아니면 환경 구조에 대한 적응적 반응인지를 둘러싼 격렬한 이론적 논쟁이었습니다. 이 논쟁은 50년 동안 인지 과학의 지형을 형성해 왔습니다.

연구의 주요 이정표:

• 1955년: 밀과 로젠이 임상적 대 보험수리적 예측 문제를 식별
• 1973년: 트버스키와 카너먼이 "예측의 심리학에 관하여" 발표
• 1980년: 마야 바-힐렐(Maya Bar-Hillel)이 관련성 이론 비판 도입
• 1995년: 게르트 기거렌처(Gerd Gigerenzer)가 자연 빈도 형식이 오류를 감소시킴을 입증
• 2002년: 카너먼과 프레더릭(Frederick)이 "속성 대체(attribute substitution)" 이론 공식화
• 2010년대: AI 시스템 및 알고리즘 편향으로 연구 확장

2.2. 주요 연구자

2.3. 기념비적 연구

"톰 W." 실험 (카너먼 & 트버스키, 1973)

이 기초적인 연구는 참가자들이 정확한 기저율 지식을 가지고 있을 때조차 대표성이 어떻게 기저율을 압도하는지를 보여주었습니다.

설계: 참가자들은 세 그룹으로 나뉘었습니다:

• 기저율 그룹: 9개 분야의 대학원생 비율을 추정했습니다. 이들은 인문학과 교육학이 큰 분야(높은 기저율)이고 컴퓨터 공학이 작은 분야(낮은 기저율)라는 것을 정확하게 파악했습니다.
• 유사성 그룹: "톰 W."에 대한 성격 묘사(지능적이지만 창의성이 부족하고, 질서정연하며, 기계적인 글쓰기를 하고 타인에 대한 동정심이 적음)를 받고 톰이 전형적인 학생과 얼마나 유사한지에 따라 전공 분야의 순위를 매겼습니다.
• 예측 그룹: 동일한 묘사를 받고 톰 W.가 현재 해당 분야에서 공부하고 있을 확률에 따라 분야 순위를 매기도록 요구받았습니다—결정적으로 묘사가 "제한된 타당성"의 테스트를 기반으로 했다는 말을 들었습니다.

결과: 예측 그룹의 순위는 유사성 그룹의 순위와 거의 완벽하게 양의 상관관계(r > 0.9)를 보였고 기저율 그룹과는 음의 상관관계를 보였습니다. 컴퓨터 공학이 인문학에 비해 아주 작은 분야라는 것을 알면서도, 참가자들은 톰이 컴퓨터 공학자와 닮았기 때문에 그를 컴퓨터 공학자로 예측했습니다. 참가자들이 정보의 신뢰성이 낮다는 경고를 받았음에도 불구하고, 개별 정보가 기저율 정보를 완전히 압도했습니다.

택시 문제 (카너먼 & 트버스키, 1972)

기저율과 목격자 증언 사이의 갈등을 분리하여 보여주는 가장 유명한 수치적 오류 시연입니다.

상황: 밤에 뺑소니 사건에 택시 한 대가 연루되었습니다. 도시에는 두 개의 회사가 운영됩니다:

• 기저율: 녹색 택시 85%, 파란색 택시 15%
• 한 목격자가 그 택시를 파란색으로 식별했습니다
• 법원 테스트 결과 목격자는 색상을 80% 확률로 정확하게 식별했습니다

질문: 택시가 파란색이었을 확률은 얼마입니까?

직관적 응답: 대부분의 참가자는 목격자의 정확도와 직접적으로 일치하는 80%라고 대답합니다.

베이즈 분석: $$P(파란색|목격자가\ 파란색이라\ 말함) = \frac{0.80 \times 0.15}{(0.80 \times 0.15) + (0.20 \times 0.85)} = \frac{0.12}{0.29} \approx 41%$$

통찰: 목격자가 파란색이라고 주장함에도 불구하고 실제로는 택시가 녹색이었을 가능성이 더 높습니다(59%). 대규모 녹색 택시 무리가 소규모 파란색 택시 무리가 진짜 파란색 보고를 생성하는 것보다 더 많은 거짓 파란색 보고를 생성합니다. 참가자들은 녹색 기저율의 "무게"가 목격자의 80% 정확도에서 확률을 끌어내린다는 것을 직관하지 못합니다.

엔지니어-변호사 문제 (트버스키 & 카너먼, 1973)

설계: 참가자들은 100명의 전문가 표본에서 추출한 설명을 받았습니다:

• 조건 A: 엔지니어 70명, 변호사 30명
• 조건 B: 엔지니어 30명, 변호사 70명

"잭"은 고정관념적으로 엔지니어 같은 특성(보수적, 신중함, 목공에 관심 있음)을 가진 것으로 묘사되었습니다.

결과: 참가자들은 두 조건 모두에서 잭이 엔지니어일 확률을 기저율이 뒤바뀌었다는 사실을 완전히 무시한 채 거의 동일하게(~90%) 추정했습니다. 결정적으로, 어떤 고정관념에도 맞지 않는 중립적인 설명을 주었을 때 참가자들은 기저율(70% 또는 30%)을 올바르게 사용했습니다. 이는 그들이 기저율을 사용할 수 있었지만 개별 데이터를 받자마자 즉시 폐기했음을 증명합니다.

2.4. 신경학적 근거

기저율 무시의 신경학적 기질에 대한 연구는 두 가지 인지 시스템 간의 충돌을 지적합니다:

시스템 1 (직관적 처리): 전전두엽 피질과 변연계는 빠르고 자동화된 패턴 매칭을 주도합니다. 개별 정보가 제시될 때 이 영역들이 강력하게 활성화되어 직관적인 "유사성 기반" 판단을 생성합니다. 편도체는 생생하고 구체적인 정보의 두드러짐(salience)을 향상시킬 수 있습니다.

시스템 2 (숙고적 처리): 배외측 전전두엽 피질과 전대상 피질은 노력이 필요한 통계적 추론을 지원합니다. fMRI를 사용한 연구에 따르면 기저율을 올바르게 통합하려면 이 영역의 활성화가 필요하며, 이는 인지적 노력을 요구하고 시간 압박이나 인지 부하에 의해 쉽게 중단됩니다.

신경 경쟁: 기저율 무시는 시스템 1이 신경 경쟁에서 "승리"한 결과로 보입니다. 그 이유는 다음과 같습니다:

• 패턴 매칭이 더 빠르고 더 적은 자원을 요구합니다
• 구체적인 이야기는 추상적인 통계보다 감정 처리를 더 많이 활성화합니다
• 뇌의 기본 모드는 확률을 계산하는 것이 아니라 서사를 구성하는 것입니다
• 작업 기억력의 한계가 기저율과 사례 정보의 동시 처리를 제약합니다

신경전달물질 연구에 따르면 보상 예측과 관련된 도파민 경로가 통계적 사고보다 특정 "적중(hits)"의 매력에 기여할 수 있는 반면, 스트레스 호르몬은 숙고적 처리를 더 억제할 수 있습니다.

3. 진화적 기원

기저율 오류가 존재하는 이유는 인간의 인지가 추상적인 확률을 계산하기 위해서가 아니라 즉각적인 환경적 위협을 탐색하는 데 최적화된 패턴 인식 엔진으로 진화했기 때문입니다.

특정 사례 추론의 생존 이점:

• 조상들의 환경에서 풀밭이 바스락거리는 소리는 포식자일 수도 있었습니다. 바람이라는 "기저율"을 무시하고 위협을 가정한 사람들이 신중한 통계학자들보다 더 자주 살아남았습니다
• 사회적 생존은 인구 평균이 아니라 특정 개인의 의도를 읽어내는 데 달려 있었습니다
• 자원과 짝은 추상적인 빈도가 아니라 특정 기회를 평가함으로써 확보되었습니다
• 패턴 매칭에 기반한 빠른 의사결정은 귀중한 인지 에너지를 절약했습니다

서사의 추동력: 사건들로부터 일관된 인과적 이야기를 구성한 우리 조상들은 현실을 단절된 통계로 처리하는 사람들보다 더 잘 배우고, 가르치고, 예측할 수 있었습니다. 이러한 서사 구축 능력은 인간 지능의 중심이 되었지만 공식적인 확률이 요구될 때 체계적인 사각지대를 만듭니다.

결함이 아닌 특성—맥락 내에서: 대부분의 근대 이전 상황에서 기저율 무시는 적응적이었습니다. 내 눈앞에 있는 특정한 호랑이가 호랑이의 평균 분포보다 더 중요합니다. 문제는 이러한 인지 구조가 희귀 질환, 법의학적 증거 또는 금융 파생 상품과 관련된 현대의 결정에 직면할 때 발생합니다. 이 영역들은 통계적 사고가 필수적이지만 진화적으로는 전례가 없는 영역입니다.

에너지 보존: 베이즈 확률을 계산하는 것은 대사적으로 비용이 많이 듭니다. 신체 에너지의 20%를 소비하는 뇌는 대부분의 경우에 "충분히 잘" 작동하는 지름길을 개발했습니다. 결핍의 환경에서 공식적인 추론의 인지적 비용은 한계 이익을 초과했습니다.

4. 편향의 발현

4.1. 일상 생활에서

• 낯선 사람에 대한 고정관념: 안경을 쓰고 부드럽게 말하는 사람을 만나면, 다른 직업에 비해 교수의 기저율이 아주 작음에도 불구하고 "교수"라고 가정할 수 있습니다
• 위험 평가: 비행기 추락 사고에 대한 뉴스 보도를 본 후, 항공 여행의 통계적 안전성을 무시하면서 비행의 위험성을 과대평가합니다
• 관계 판단: 정직한 상호 작용(신뢰성에 대한 기저율)에 대한 광범위한 역사를 무시하고 한 가지 의심스러운 행동을 바탕으로 누군가가 정직하지 않다고 결론 내립니다
• 복권 및 도박: 손실의 수학적 기저율을 무시한 채 최근의 승리에 기반하여 "행운의" 티켓이나 카지노를 특별하게 취급합니다
• 부모의 두려움: 생생한 미디어 이야기에 근거하여 유괴와 같은 위험을 급격하게 과대평가하는 반면, 자동차 사고와 같은 일반적인 위험은 과소평가합니다

4.2. 직장에서

• 성과 평가: 직원의 기준 생산성 데이터는 무시하고 단 한 번의 인상적인 프레젠테이션을 바탕으로 직원을 "고잠재력자"로 평가합니다
• 채용 결정: 유사한 채용자들 사이의 성공 기저율을 고려하기보다 인터뷰 성과가 성공의 고정관념과 일치하는 후보자를 선호합니다
• 프로젝트 예측: 유사한 프로젝트의 예산 초과 및 지연 기저율은 무시한 채 구체적인 특징에 근거하여 "이 프로젝트는 다르다"고 믿습니다
• 리더십 평가: 팀의 성공을 카리스마 넘치는 리더 덕분으로 돌리면서 시장 상황(유리한 환경에서의 성공 기저율)은 무시합니다
• 경쟁사 분석: 유사한 전략에 대한 업계 전반의 성공률을 무시하면서 경쟁사의 특정 움직임에 과도한 비중을 둡니다

4.3. 비즈니스 및 마케팅에서

• 추천사 및 사례 연구: 소비자가 전형적인 결과의 기저율을 할인하여 평가하기 때문에 기업은 구체적인 성공 사례를 활용합니다
• "TV에서 본 상품": 생생한 시연은 제품 효과에 대한 통계 정보를 압도합니다
• 보험 영업: 재앙의 극적인 시나리오는 드문 사건을 일어날 법하게 느끼게 만듭니다
• 타겟 광고: 통계적 이점을 제시하기보다 구체적인 바람직한 맥락에서 제품을 보여줍니다
• 출시 서사: 약 90%의 실패 기저율에도 불구하고 "이 스타트업은 다르다"는 이야기가 지속됩니다
• 고객 세분화: 체계적인 데이터 분석보다 기억에 남는 고객 상호 작용에 과도하게 의존합니다

4.4. 정치 및 미디어에서

• 범죄 보도: 드물게 발생하는 강력 범죄에 대한 생생한 보도는 폭력 범죄 기저율 감소에도 불구하고 정책을 주도합니다
• 선거 예측: 전문가들은 현직 우위의 역사적 기저율을 무시하면서 캠페인의 특정 순간("실언")에 집중합니다
• 이민 논쟁: 이민자 범죄에 대한 구체적인 이야기는 이민자가 내국인보다 범죄율이 낮다는 통계적 증거를 압도합니다
• 정책 서사: 새로운 정책에 대한 "이번에는 다르다"는 주장은 정책 실패의 기저율을 무시합니다
• 테러 위험: 기저율에 따르면 다른 위협(교통사고, 심장병)이 더 많은 자원을 받을 자격이 있음을 시사하지만, 생생한 공격에 기반하여 막대한 보안 투자가 이루어집니다

4.5. 의료 분야에서

거짓 양성의 역설: 질병이 드물 때(낮은 기저율), 매우 정확한 검사조차도 대부분 거짓 양성을 생성합니다.

HIV 스크리닝의 예:

• 인구: 0.01%의 HIV 유병률을 가진 100,000명

• 검사: 99.9% 민감도, 99.9% 특이도

• 참 양성: ~10명 (감염된 사람을 올바르게 식별)

• 거짓 양성: ~100명 (건강한 사람을 잘못 분류)

• 결과: 검사 결과가 양성이라는 것은 실제 감염될 확률이 약 9%에 불과하다는 의미입니다

• 진단 오류: 의사들은 평범한 질환의 기저율은 무시하면서 극적인 진단과 일치하는 발현 증상에 고정(anchoring)됩니다

• 약물 효과: 환자들은 통계적인 치료 성공률보다 구체적인 회복 이야기에 초점을 맞춥니다

• 검사 결정: 환자들은 거짓 양성 기저율을 이해하지 못한 채 양성 검사 결과를 오해합니다

• 치료 순응도: 생생한 부작용 이야기는 통계적인 안전성 프로필을 압도합니다

• 코로나19 백신에 대한 오해: 취약 계층의 95% 이상이 백신을 접종했다는 사실(분모 문제)을 무시한 채, "입원 환자의 70%가 백신 접종자"라는 사실이 백신 실패로 오해되었습니다

4.6. 금융 및 투자에서

• "이번에는 다르다": 투자자들은 시장 조정의 역사적 기저율을 무시하면서 구체적인 서사(신경제, AI 혁명)에 초점을 맞추어 극단적인 가치 평가를 정당화합니다
• 닷컴 버블: 약 15배의 평균 가치 평가라는 역사적 기저율을 무시하고 인터넷의 잠재력으로 100배 이상의 P/E 비율이 정당화되었습니다
• 개별 주식 종목 선정: 지수 대비 주식 수익률 하회라는 기저율을 무시하면서 회사별 정보를 확정적인 것으로 취급합니다
• 벤처 캐피탈의 낙관주의: 스타트업 실패 기저율보다 창업자의 카리스마에 기반한 자금 조달 결정
• LTCM 붕괴: 노벨상 수상자들의 모델은 시장 패닉("꼬리 위험")의 역사적 빈도를 무시하고 최근의 낮은 변동성을 기저율로 취급했습니다
• 부동산 투기: "이 시장은 다르다"는 믿음은 주택 사이클의 역사적 기저율을 무시합니다

5. 실제 사례 연구

사례 연구 1: 샐리 클라크(Sally Clark)—억울하게 수감된 어머니

• 상황: 1999년, 영국의 사무 변호사 샐리 클라크는 첫째 아들을 생후 11주에, 둘째 아들을 8주에 잃었습니다. 그녀는 이중 영아 살해 혐의로 기소되었습니다.

• 발생한 일: 전문 증인인 로이 미도우(Roy Meadow) 경은 부유한 가정에서 두 번의 영아돌연사증후군(SIDS) 사망이 발생할 확률이 약 7,300만 분의 1((1/8543)²)이라고 증언했습니다. 그는 이를 "희박한 승률(long shot)"에 돈을 거는 것에 비유했습니다.

• 작동한 편향: 두 가지 치명적인 오류가 겹쳤습니다:

  1. 독립성 위반: 미도우는 SIDS 사망을 독립적인 사건으로 가정했습니다. 실제로는 유전적, 환경적 요인으로 인해 한 번의 사망이 발생한 경우 두 번째 사망이 발생할 가능성이 훨씬 더 높습니다. 즉, 사건들은 조건부로 종속적입니다.
  2. 기저율 무시: 7,300만 분의 1이라는 수치를 받아들인다 하더라도, 배심원은 이를 이중 영아 살해의 기저율과 비교해야 했습니다. 어머니에 의한 이중 살인 역시 극도로 드뭅니다(아마도 1억 분의 1). 두 개의 극히 드문 사건을 비교할 때 중요한 것은 그 비율입니다. 이중 SIDS가 7,300만 분의 1이고 이중 살인이 1억 분의 1이라면 SIDS가 실제로는 더 가능성이 높습니다. 고립된 상태로 "7,300만 분의 1"을 제시함으로써 검찰은 살인이 기본값임을 암시했습니다.

• 결과: 샐리 클라크는 유죄 판결을 받고 종신형을 선고받았습니다. 영국 왕립통계학회는 사용된 통계적 추론에 대해 공개적으로 질책하는 이례적인 조치를 취했습니다. 클라크는 두 번째 항소 후 2003년에 풀려났습니다. 억울한 수감과 자녀 상실의 트라우마를 극복하지 못한 그녀는 2007년 급성 알코올 중독으로 사망했습니다.

• 교훈: 통계적 증거는 적절한 베이즈 프레이밍을 요구합니다. 법원은 단일 가설을 분리하여 평가할 것이 아니라, 경합하는 가설들 하에서 증거의 확률을 비교해야 합니다. 전문 증인에게는 통계 리터러시 교육이 필요합니다.

사례 연구 2: 루시아 데 베르크(Lucia de Berk)—네덜란드의 간호사

• 상황: 네덜란드 간호사 루시아 데 베르크는 근무 시간 동안 발생한 환자 사망에 대한 통계 분석을 바탕으로 2003년 7건의 살인 및 3건의 살인 미수 혐의로 유죄 판결을 받았습니다.

• 발생한 일: 병원 통계학자는 우연히 그녀의 근무 시간에 그렇게 많은 사망자가 발생할 확률이 3억 4,200만 분의 1이라고 증언했습니다.

• 작동한 편향:

  1. 사후 선택(Post-hoc selection): 사망 사건들은 루시아가 근무 중이었다는 사실을 안 후에야 "의심스러운" 것으로 분류되었습니다. 이는 기저율 무시와 결합된 전형적인 확증 편향입니다.
  2. 군집의 기저율 무시: 대규모 병원 시스템에서는 대수의 법칙에 따라 언젠가 어떤 간호사가 우연만으로도 매우 확률이 낮아 보이는 근무 패턴을 갖게 될 것임이 보장됩니다(텍사스 명사수의 오류).
  3. 대안 가설 무시: (더 아픈 환자들이 더 면밀히 모니터링되는) 야간 교대 근무 중 환자 사망의 기저율이 제대로 고려되지 않았습니다.

• 결과: 루시아는 6년 이상 복역했습니다. 수감 중 뇌졸중을 앓았습니다. 독립적인 통계학자들의 수학적 분석 결과 실제 무죄 확률이 높다는 것이 나중에 밝혀졌습니다. 네덜란드 당국이 국가 역사상 최악의 오판 중 하나로 인정한 이 사건에서 그녀는 2010년에 무죄 판결을 받았습니다.

• 교훈: 대규모 데이터 세트에서의 통계적 우연은 인과관계의 증거가 아닙니다. 사후 분석은 극도의 주의가 필요합니다. 법원은 확률 증거에 대한 독립적인 통계적 검토가 필요합니다.

사례 연구 3: 로버트 윌리엄스(Robert Williams)—안면 인식 실패

• 상황: 2020년 1월, 디트로이트에 사는 흑인 남성 로버트 윌리엄스는 안면 인식 알고리즘이 절도 사건의 감시 영상과 그의 운전면허증 사진을 일치시킨 후 가족들 앞에서 자택에서 체포되었습니다.

• 발생한 일: 형사들은 윌리엄스에게 감시 이미지를 보여주며 "컴퓨터가 당신이라고 한다"고 말했습니다. 그는 풀려나기 전까지 30시간 동안 구금되었습니다.

• 작동한 편향:

  1. 거짓 양성의 역설: 99% 정확도를 가진 안면 인식 시스템이라도 수백만 명의 얼굴 데이터베이스를 검색할 때는 수천 개의 거짓 일치를 생성합니다.
  2. 자동화 편향: 수사관들은 알고리즘의 "일치"를 확증이 필요한 확률적 제안이 아니라 결정적인 증거로 취급했습니다.
  3. 무작위 일치의 기저율: 택시 문제와 마찬가지로 "목격자"(알고리즘)에게는 오류율이 존재하고 "무고한 인구"는 거대하기 때문에 많은 거짓 양성을 생성합니다.

• 결과: 윌리엄스는 부당하게 체포 및 구금되었고 그의 DNA, 지문, 머그샷이 범죄 데이터베이스에 입력되었습니다. 그는 디트로이트 경찰국을 상대로 소송을 제기했습니다. 이 사건은 법 집행에서 알고리즘 편향의 기념비적인 사례가 되었습니다.

• 교훈: 알고리즘 증거는 절대 무오한 것으로 취급할 것이 아니라 확률적으로 평가해야 합니다. 거짓 일치의 기저율을 의사 결정자에게 전달해야 합니다. 알고리즘 일치에 기반한 체포 전에는 확증 증거가 요구되어야 합니다.

역사적 예시: 롱텀캐피털매니지먼트(LTCM)의 붕괴

1998년 노벨상 수상자인 마이런 숄스(Myron Scholes)와 로버트 머튼(Robert Merton)이 운영하던 헤지펀드 롱텀캐피털매니지먼트(LTCM)가 극적으로 붕괴하여 글로벌 금융 시스템을 거의 불안정하게 만들었습니다.

LTCM의 정교한 위험 평가(VaR, Value-at-Risk) 모델은 낮은 시장 변동성을 보여주는 최근의 역사적 데이터에 의존했습니다. 그들은 주요 손실을 "10-시그마 사건", 즉 통계적으로 불가능한 일로 계산했습니다. 이 모델들은 금융 패닉의 역사적 기저율인 시장 분포의 "꼬리 위험(fat tails)"을 무시했습니다. 또한 시스템적 상관관계의 기저율도 무시했습니다. 위기가 발생하면 패닉이 퍼지면서 모든 상관관계가 1로 수렴하기 때문입니다.

1998년 8월 러시아가 부채 상환을 지불 유예(모라토리엄)했을 때 "불가능한" 일이 일어났습니다. LTCM은 4개월도 안 돼 46억 달러를 잃었고, 광범위한 금융 전염을 막기 위해 연방준비제도 주도의 구제 금융이 필요했습니다.

교훈: 희귀 사건의 역사적 기저율을 무시하는 정교한 모델은 파괴적인 사각지대를 만듭니다. 최근 과거의 특수한 상황은 꼬리 위험(tail risks)을 안내하는 신뢰할 수 있는 지표가 아닙니다.

6. 이 편향의 비용

6.1. 개인적 비용

• 두려움과 불안: 드문 위협(비행기 추락, 강력 범죄, 질병)을 과대평가하면 만성적인 스트레스를 유발하는 반면 더 발생 확률이 높은 위험은 무시하게 됩니다
• 관계 손상: 일관된 행동의 기저율보다 생생한 단일 사건으로 사람을 판단하면 불공정한 판단과 신뢰 붕괴로 이어집니다
• 기회 상실: 성공의 기저율은 무시한 채 생생한 실패 이야기 때문에 유익한 활동(비행, 수술, 이직)을 기피합니다
• 재정적 손실: 통계적 증거보다 설득력 있는 서사에 기반하여 투자 결정을 내립니다
• 의료적 불안: 거짓 양성 기저율을 이해하지 못한 채 스크리닝 결과를 오해합니다

6.2. 직업적 비용

• 경력에 대한 오판: 통계적인 경력 궤적보다 구체적이고 극적인 결과에 기반하여 직업과 관련된 결정을 내립니다
• 프로젝트 실패: "이 프로젝트는 다르다"는 생각은 비용과 일정에 대한 반복적인 과소평가로 이어집니다
• 채용 오류: 예측 가능한 기저율보다 인터뷰 성과의 고정관념을 바탕으로 후보자를 선택합니다
• 전략적 실수: 업계 통계보다 경쟁사의 일화에 이끌린 비즈니스 결정
• 예측 실패: 유사한 상황의 역사적 기저율을 무시한 현재의 서사에 기반한 예측

6.3. 사회적 비용

• 오판: 샐리 클라크와 루시아 데 베르크 사건에서 볼 수 있듯이 법적 절차에서 기저율 무시는 무고한 사람들의 삶을 파괴합니다
• 정책 오배분: 발생 확률이 더 높은 피해(교통 사망, 질병)는 방치되면서 생생하지만 드문 위협(테러)에 자원이 집중됩니다
• 알고리즘적 불의: 편향된 데이터로 훈련된 AI 시스템은 기저율 오류를 영속화하고 증폭시켜 차별적인 치안 유지, 대출 및 채용으로 이어집니다
• 공중 보건의 실패: 스크리닝 통계에 대한 오해는 대규모의 부적절한 검사 및 치료 결정으로 이어집니다
• 금융 위기: 가치 평가의 기저율을 무시하는 시장은 필연적으로 붕괴할 때 수백만 명에게 피해를 입히는 거품을 만듭니다

6.4. 통계적 영향

기저율 무시의 측정 가능한 영향에 대한 연구 결과:

• 의료적 의사결정: 연구에 따르면 질병 기저율이 낮을 때 의사의 약 15%만이 양성 검사 결과를 올바르게 해석하여 대규모 과잉 진단으로 이어집니다
• 배심원 결정: 모의 배심원 연구에 따르면 생생한 증언이 제시될 때 기저율 정보는 대체로 무시됩니다
• 예측 정확도: 필립 테틀록(Philip Tetlock)의 연구에 따르면 기저율 무시를 극복한 "초예측가(superforecasters)"는 전문가보다 30% 이상 뛰어난 성과를 보였습니다
• 알고리즘 성능: 프로퍼블리카(ProPublica)가 COMPAS 재범 예측 알고리즘을 분석한 결과, 기저율 편향으로 인해 흑인 피고인의 거짓 양성률이 백인 피고인보다 두 배나 높은 것으로 나타났습니다

7. 숨겨진 이점

기저율 오류가 순전히 인지적 결함인 것만은 아닙니다. 근본적인 메커니즘은 중요한 적응적 기능을 수행합니다.

빠른 위협 탐지: 포식자를 놓치는 것이 곧 죽음을 의미하는 환경에서는 모집단 통계를 신중하게 계산하는 것보다 특정 위험 신호에 과잉 반응하는 것이 더 낫습니다. 거짓 양성(불필요한 경계)의 비용은 거짓 음성(잡혀먹히는 것)에 비해 낮습니다.

사회적 지능: 특정 개인의 의도를 읽는 것은 인간 행동에 대한 인구 수준의 통계를 아는 것보다 사회적 성공에 더 중요합니다. 당신 앞에 있는 사람은 평균적인 인간이 아닙니다. 당신이 파악해야 할 구체적인 의도를 가진 특정한 개인입니다.

서사적 학습: 이야기는 인간이 세대를 걸쳐 지식을 전달하는 방식입니다. 통계보다 생생한 사례에 대한 "편향"은 경험과 타인의 경험으로부터 학습하는 것을 가능하게 만듭니다.

에너지 효율: 신중한 베이즈 추론은 대사적으로 많은 비용이 듭니다. 대부분의 일상적인 결정에서 빠른 패턴 매칭은 인지 비용의 일부만으로도 충분히 좋은 결과를 생성합니다.

상충 관계(Trade-off): 기저율 무시를 완전히 없애려면 의사 결정을 마비시킬 정도의 끊임없고 노력이 필요한 계산이 요구될 것입니다. 목표는 휴리스틱을 제거하는 것이 아니라 통계적 사고가 언제 요구되는지 인식하는 것입니다. 특히 기저율이 가장 중요한 법률, 의료, 금융 및 정책 영역에서 그렇습니다.

8. 자가 진단: 이 편향이 있나요?

8.1. 경고 신호 체크리스트

• 과거 상황과의 통계적 유사성을 확인하지 않고 "이 상황은 다르다"고 자주 생각합니다
• 통계 요약보다 구체적인 사례를 더 설득력 있다고 느낍니다
• 데이터를 참조하기보다 기억에 남는 일화를 바탕으로 결정을 내린 적이 있습니다
• 의학 검사 결과가 거짓 양성일 수 있다는 사실을 믿기 어려워합니다
• 결과를 얼마나 쉽게 상상할 수 있는지에 따라 확률을 추정합니다
• 첫인상이나 단일 행동에 기초하여 사람을 빨리 판단합니다
• "배경 정보"가 특정 세부 사항보다 덜 관련이 있어 보인다는 이유로 이를 무시한 적이 있습니다
• 토론에서 기저율 통계가 "차갑다"거나 "요점을 놓치고 있다"고 생각합니다
• 통계적 예측이 여러분의 직관과 달랐을 때 놀란 적이 있습니다
• 퍼센트로 생각하는 것에 저항감을 느끼고 예/아니오로 판단하는 것을 선호합니다

점수:

• 0-2개 체크: 낮음
• 3-5개 체크: 중간
• 6-8개 체크: 높음
• 9-10개 체크: 매우 높음

8.2. 자기 성찰 질문

1. 설득력 있는 이야기나 사례가 아니라 통계적 증거 때문에 마음을 바꾼 마지막 경험은 언제입니까?
2. 최근에 내린 중요한 결정을 떠올려 보십시오. 유사한 결정에 대한 성공/실패의 기저율을 조사했습니까?
3. 관련된 통계가 여러분의 구체적인 상황과 관련이 없게 느껴진다는 이유로 이를 일축한 적이 있습니까?
4. 누군가 일화를 들려줄 때, 그 경험이 얼마나 전형적인지 혹은 이례적인지 본능적으로 궁금해합니까?
5. 개별 사례에 너무 많은 무게를 두거나 데이터에 충분한 무게를 두지 않는다는 말을 다른 사람에게서 들은 적이 있습니까?

8.3. 빠른 진단 시나리오

시나리오: 심각한 질병을 위한 새로운 의료 검사가 개발되었습니다. 이 검사는 99% 정확합니다(질병이 있을 때 검출하는 것과 건강한 사람을 올바르게 판별하는 것 모두에서). 일반 인구 중 1,000명당 1명이 이 질병에 걸립니다. 여러분의 검사 결과가 양성으로 나왔습니다. 여러분이 실제로 이 질병에 걸렸을 확률은 얼마입니까?

어떻게 대답하시겠습니까?

• A) 약 99% → 높음 (기저율을 무시하고 검사 정확도와 답을 일치시키고 있습니다)
• B) 약 50% → 중간 (무언가 잘못되었다고 느끼지만 실제 확률을 계산할 수 없습니다)
• C) 약 9% → 낮음 (기저율을 올바르게 통합했습니다; 검사받은 1,000명 중 참 양성 약 10명, 거짓 양성 약 100명)

9. 타인에게서 이 편향 식별하기

9.1. 행동 지표

• 개인적인 이야기를 선호하여 통계적 주장을 "차갑다"거나 "요점을 벗어났다"며 묵살합니다
• 일반적인 주장을 할 때 "내 경험상" 또는 "내가 아는 사람 중에..."와 같은 문구를 자주 사용합니다
• 개별 사례를 광범위한 패턴에 대한 결정적인 증거로 취급합니다
• 통계적 일반화가 그들의 특정한 상황에 적용된다는 것을 받아들이기 어려워합니다
• 확률을 추정할 때 최근의 또는 기억에 남는 사건에 과도한 비중을 둡니다
• 기저율 데이터가 제시될 때 의견을 바꾸는 데 저항합니다

9.2. 대화의 적신호(Red Flags)

이 편향의 영향을 받을 때 사람들이 하는 말:

• "하지만 이 경우는 다릅니다..."
• "통계가 모든 것을 말해주진 않습니다"
• "숫자가 무슨 뜻인지는 알겠지만..."
• "내가 아는 사람 이야기를 해볼게요..."
• "통계로는 무엇이든 증명할 수 있습니다"

그들이 펼치는 주장의 유형:

• 개별 성공/실패 스토리를 일반 전략에 대한 증거로 인용합니다
• 예외적인 사례를 전형적인 결과의 대표적인 것으로 취급합니다

그들이 피하는 질문:

• "보통 이런 일이 얼마나 자주 발생합니까?"
• "유사한 상황에서의 성공률은 얼마입니까?"

9.3. 상황적 방아쇠

• 감정적 이해관계: 결과가 매우 중요할 때 구체적인 사례 정보가 더 설득력을 얻습니다
• 생생한 예시: 최근의, 극적이거나 개인적으로 경험한 사건은 통계적 기준선을 압도합니다
• 복잡성: 통계 분석이 어려울 때 사람들은 대표적인 예시로 되돌아갑니다
• 시간 압박: 빠른 결정은 확률 계산보다 패턴 매칭을 선호합니다
• 서사적 맥락: 정보가 통계가 아니라 이야기로 전달될 때
• 전문가의 프레이밍: 권위자가 기저율 맥락 없이 사례 정보를 제시할 때

10. 인지 편향 제거(Debiasing) 전략

10.1. 즉각적인 기술

• "얼마나 자주?" 묻기: 개별 정보를 받아들이기 전에 기저율에 대해 명시적으로 질문하세요. "일반적으로 이런 결과가 얼마나 흔합니까?"
• "100명" 리프레이밍: 확률이 주어졌을 때 그 상황에 있는 100명을 상상해 보세요. 몇 명에게 각 결과가 발생할까요?
• 대안 고려하기: 경합하는 가설의 기저율은 무엇입니까? (이중 SIDS와 이중 살인율을 비교하는 것처럼)
• 참조 집단(Reference class) 예측: 상황과 관련된 참조 집단을 식별하고 역사적 결과를 확인하세요
• 신문 테스트: 이 특정한 사건이 이례적이기 때문에 뉴스에 나올 만한가요? 그렇다면 대표성이 없을 가능성이 높습니다

10.2. 장기 전략

• 베이즈적 사고 연습: 기저율을 통합해야 하는 확률 문제를 정기적으로 풀어보세요
• 예측 기록장 유지: 명시된 확률과 함께 예측을 기록한 다음 결과를 확인하여 직관을 조정하세요
• 통계 교육 받기: 확률과 통계에 대한 공식 교육은 오류에 대한 저항력을 향상시킵니다
• 기저율 라이브러리 구축: 중요한 분야(건강, 경력, 금융)와 관련하여 기저율을 조사하고 암기하세요
• 통계적인 친구 사귀기: 확률적으로 사고하고 당신의 추론에 이의를 제기할 사람들과 관계를 발전시키세요

10.3. 환경 설계

• 자연 빈도 형식 사용: 확률을 뇌가 더 직관적으로 처리하는 "Y명 중 X명" 형식으로 변환하세요
• 의사 결정 체크리스트 작성: 중요한 결정의 필수 단계로 기저율 질문을 포함시키세요
• 아이콘 배열 사용: 확률을 시각적으로 표현하여 분모 무시를 줄이세요
• 통계적 기준 사전 약속: 구체적인 정보를 접하기 전에 마음을 바꿀 통계가 무엇인지 미리 정의하세요
• 정보 표시 디자인: 기저율을 눈에 띄게, 개별 정보보다 먼저 제시하세요

10.4. 외부 의견을 구해야 할 때

• 위험 부담이 큰 결정: 의료 진단, 법적 판단, 대규모 투자, 채용 결정
• 직관이 강할 때: 강한 느낌은 시스템 1이 압도했음을 나타낼 수 있습니다. 통계적 점검을 받으세요
• 복잡한 확률 상황: 여러 조건부 확률이 상호 작용할 때
• 감정적 개입: 개인적 이해관계로 인해 객관적 추론이 어려울 때
• 전문성 불일치: 의사 결정에 자신에게 부족한 통계적 전문 지식이 필요할 때

11. 실천 연습

연습 1: 스크리닝 검사 계산기

• 목표: 의료 스크리닝 시나리오를 통해 베이즈 추론에 대한 직관 개발
• 소요 시간: 20분
• 필요 도구: 계산기, 종이
• 난이도: 중급
• 지침:
  1. 의학적 질환을 선택하고 인구통계에서 해당 질환의 유병률(기저율)을 찾아보세요
  2. 해당 질환에 대한 일반적인 스크리닝 검사의 민감도와 특이도를 찾아보세요
  3. 양성 예측도를 계산하세요: 양성 검사 중 진짜 양성인 비율은 얼마입니까?
  4. 음성 예측도를 계산하세요: 음성 검사 중 진짜 음성인 비율은 얼마입니까?
  5. 10,000명의 인구를 기준으로 2x2 표를 만들어 이를 시각화하세요
• 성찰 질문:
  • 양성 예측도에 놀라셨나요?
  • 이것이 의료 스크리닝에 대해 생각하는 방식을 어떻게 바꾸나요?
  • 검사 결과를 받은 후 의사에게 어떤 질문을 해야 할까요?
• 빈도: 매월, 각기 다른 질환을 사용하여

연습 2: 참조 집단 예측

• 목표: 예측을 하기 전에 관련 기저율을 찾는 습관 기르기
• 소요 시간: 30분
• 필요 도구: 인터넷 접속, 스프레드시트
• 난이도: 중급
• 지침:
  1. 다가오는 결정이나 수행해야 할 예측을 식별하세요
  2. 참조 집단을 정의하세요: 어떤 유사한 상황이 존재합니까?
  3. 해당 참조 집단의 결과 기저율을 조사하세요
  4. 상황을 다르게 만드는 특정 요인을 기반으로 기저율을 조정하세요
  5. 추론 과정과 최종 확률 추정치를 문서화하세요
• 성찰 질문:
  • 기저율을 찾는 것이 초기 추정치를 어떻게 바꿨습니까?
  • 기저율에서 조정할 만한 구체적인 정당화 요인은 무엇이었습니까?
  • 증거 없이 자신의 상황을 "다르다"고 취급하려는 유혹을 받았습니까?
• 빈도: 주요 결정을 내리기 전마다

연습 3: 빈도 리프레이밍

• 목표: 확률 문장을 자연 빈도 형식으로 변환하는 연습
• 소요 시간: 15분
• 필요 도구: 확률 문장 목록(뉴스 기사, 연구 논문 등)
• 난이도: 초급
• 지침:
  1. 최근 뉴스에서 5개의 확률 문장을 수집하세요(예: "합병증 발생 위험 5%")
  2. 각각을 자연 빈도로 재구성하세요(예: "환자 100명 중 5명")
  3. 각각에 대해 나머지 95명(또는 관련 숫자)에게 어떤 일이 일어나는지 쓰세요
  4. 이것이 확률에 대한 여러분의 직관적인 감각을 어떻게 바꾸는지 주목하세요
  5. 빈도 버전을 다른 사람에게 설명하는 연습을 하세요
• 성찰 질문:
  • 어떤 형식이 확률을 더 이해하기 쉽게 만들었나요?
  • 빈도 형식에서 더 우려되거나 덜 우려되는 느낌을 준 확률이 있었나요?
  • 이 리프레이밍을 일상 생활에 어떻게 적용할 수 있나요?
• 빈도: 매주

매일의 실천

기저율 질문: 매일 의견을 형성하거나 예측을 할 때 잠시 멈추고 질문하세요. "기저율은 무엇인가?" 모른다면 60초 동안 그것을 조사해 보세요.

• 권장 지속 시간: 사례당 1-2분
• 하루 중 가장 좋은 시간: 하루 종일 결정을 내리거나 판단을 할 때
• 진행 상황 추적 방법: 질문하는 것을 기억했을 때, 그리고 배운 내용을 일지에 적어두세요

주간 챌린지

예측 감사: 매주 여러분이 내린 예측이나 판단 3가지를 검토하세요. 각각에 대해:

1. 기저율을 고려했는지 확인합니다
2. 실제 기저율이 얼마인지 조사합니다
3. 기저율 정보가 판단을 바꿨을지 평가합니다

• 4주 후 기대되는 결과: 여러분의 사고에서 기저율 무시에 대한 인식이 향상됨; 기저율에 대한 보다 자동적인 고려
• 성찰을 위한 일지 프롬프트:
  • 나에게 기저율 무시를 가장 자주 유발하는 결정 유형은 무엇인가?
  • 기저율 확인을 기억하는 데 도움이 되는 전략은 무엇인가?
  • 연습하면서 의사 결정의 질이 어떻게 변했는가?

12. 특정 독자를 위한 가이드

리더 및 관리자용

기저율 오류는 생생한 성공과 실패가 체계적인 분석보다 전략을 주도하는 조직 환경에서 특히 위험합니다.

주요 취약점:

• 후보자의 기저율보다 인터뷰 인상에 기반한 채용 결정
• 일관된 지표가 아니라 기억에 남는 사건에 고정된 성과 검토
• 업계 통계보다 경쟁사의 일화에 이끌린 전략적 계획
• 과거 성공률보다 최근 프로젝트 결과에 기반한 자원 할당

전략:

• 개별 인상의 영향을 줄이기 위해 표준화된 채점 방식의 구조화된 인터뷰를 도입하세요
• 프로젝트 실패 기저율을 명시적으로 고려하는 "사전 부검(premortem)" 연습을 만드세요
• 주요 이니셔티브에 대해 참조 집단 예측을 요구하세요
• 개별 사례와 함께 기저율을 전면에 배치하는 대시보드를 구축하세요
• 생생한 사례 추론에 도전할 권한을 부여받은 "통계적 회의론자"를 양성하세요

부모 및 교육자용

어린이들은 주로 예시와 이야기를 통해 세상에 대해 배우기 때문에 기저율 무시에 특히 취약합니다.

교육 접근법:

• 확률과 관련된 게임(주사위, 카드)을 사용하여 기저율에 대한 직관을 기르세요
• 위험(낯선 사람, 질병, 사고)에 대해 논의할 때 실제로 각각 얼마나 흔한지에 대한 맥락을 제공하세요
• 뉴스 기사가 드물기 때문에 뉴스 가치가 있는 사건을 언제 다루는지 지적하세요
• 통계적 사고의 본보기 보이기: "그거 흥미로운 예시구나. 보통 얼마나 자주 일어날까?"
• "이런 일이 일어났다"와 "보통 이런 일이 일어난다"의 차이 가르치기

연령별 설명:

• 6-10세: "어떤 일은 많이 일어나고 어떤 일은 드물어. 이야기들은 종종 드문 일에 관한 거야. 왜냐하면 그게 더 놀랍기 때문이지."
• 11-14세: "숫자는 일이 얼마나 자주 일어나는지 알려줄 수 있어. 우리가 들어본 빈도와는 다르지."
• 15세 이상: 확률 개념, 베이즈 정리 및 공식적인 추론 소개

의료 전문가용

기저율 무시는 진단, 스크리닝 및 환자 의사 소통에 심오한 영향을 미칩니다.

임상적 영향:

• 증상 일치가 유병률 데이터를 압도할 때 희귀 질환이 과잉 진단됩니다
• 스크리닝 프로그램의 효과는 단지 검사 정확도뿐만 아니라 인구 기저율에 달려 있습니다
• 양성 스크리닝 결과에 대한 환자의 불안은 흔히 적절한 우려 수준을 초과합니다
• 치료 결정은 임상 시험 통계보다 극적인 사례 연구에 과도한 비중을 둘 수 있습니다

전략:

• 환자에게 검사 결과를 전달할 때 자연 빈도 형식을 사용하세요
• 관련 기저율을 표면화하는 임상 의사 결정 지원 시스템을 도입하세요
• 진단 체크리스트에서 기저율 고려를 명시적으로 요구하세요
• 아이콘 배열 및 시각 자료를 사용하여 양성 예측도를 설명하세요
• 의학 교육의 일부로 베이즈 추론을 훈련하세요

금융 전문가용

시장은 서사에 의해 움직이므로 투자 성공을 위해서는 기저율 훈련이 필수적입니다.

주요 취약점:

• 버블 가치 평가에서의 "이번에는 다르다"는 생각
• 리스크 모델의 최신성 편향 (최근의 변동성을 기저율로 취급)
• 섹터 기저율보다 특정 애널리스트의 추천에 과도한 비중 두기
• 성공적인 펀드 매니저의 실적을 우연이 아닌 기술로 취급

전략:

• 장기적인 가치 평가 기저율 참고 차트(P/E 비율, 부도율 등)를 유지 관리하세요
• 평균 회귀 가정을 적용하는 체계적인 리밸런싱을 도입하세요
• 역사적으로 보정된 분포를 사용하여 몬테카를로 시뮬레이션을 활용하세요
• 투자 테제에 대해 명시적인 기저율 문서화를 요구하세요
• 과거의 버블과 폭락을 연구하여 기대치를 조정하세요

13. 다른 편향과의 상호작용

이 편향을 증폭시키는 편향들

이 편향을 상쇄하는 편향들

일반적인 편향 사슬

사슬 1: 생생한 예시 (가용성) → 패턴 일치 (대표성) → 기저율 무시 → 자신감 있는 오판 (과신) → 오류의 확인 (확증 편향)

사슬 2: 특정 사례에 고정(앵커링) → 모집단 데이터 무시 → 뒷받침하는 서사 구성 (서사 오류) → 교정 증거에 대한 저항

연쇄 반응 끊기: 가장 효과적인 개입 지점은 초기, 즉 생생한 예시가 주의를 사로잡기 전입니다. 기저율 정보를 미리 로드하고, 빈도 형식을 사용하고, 명시적인 기저율 확인 습관을 만드는 것이 연쇄 반응이 시작되는 것을 막을 수 있습니다.

14. 문화적 관점

기저율 사용의 문화적 차이에 대한 연구는 흥미로운 패턴을 밝혀내지만, 무시하는 핵심적인 경향은 보편적인 것으로 보입니다.

비교 문화적 연구 결과:

• 서양, 아시아 및 기타 문화적 맥락 전반에서 기저율 무시를 일관되게 발견하는 연구들
• 일부 증거에 따르면 동아시아 참가자들은 특정 맥락에서 약간 더 나은 기저율 사용을 보여주며, 이는 아마도 전체론적 인지 스타일과 관련이 있을 수 있음
• 문화적 배경에 관계없이 확률과 통계를 강조하는 교육 시스템은 더 나은 기저율 통합을 생성함
• 통계적 증거에 대한 법률 시스템의 취급은 문화에 따라 크게 다름

보편적 측면: 추상적인 통계 기준선보다 특정한 생생한 정보를 선호하는 핵심 현상은 문화적 차별화 이전의 인지 구조에 뿌리를 둔 인간의 보편적 특성인 것으로 보입니다.

비교 문화적 시사점: 통계적 증거는 문화적 맥락 전반에 걸쳐 신중한 프레이밍이 필요합니다. 한 법률 또는 의료 시스템에서 작동하는 것이 다른 시스템에 직접 적용되지 않을 수 있습니다.

15. 신화와 오해

16. 전문가 통찰

"특수한 것에서 일반적인 것을 연역하려는 피험자들의 꺼림칙함은 개별 사례에서 일반성을 추론하려는 그들의 의지 만큼이나 컸다." — 아모스 트버스키 & 대니얼 카너먼, 1973

"유사성은 기저율의 영향을 받지 않지만, 직관적인 확률 판단은 유사성에 의해 지배된다." — 대니얼 카너먼, 생각에 관한 생각, 2011

"문제는 사람들이 통계적으로 추론할 능력이 없다는 것이 아니라, 인간의 마음이 진화하면서 익숙해진 추론 형식과 일치하지 않는 형식으로 대부분의 문제가 제시된다는 것이다." — 게르트 기거렌처, 2002

"심리학자들은 그 작업에 적절하지 않은 기준을 적용하여 피험자의 합리성을 평가하고 있다." — L.J. 코헨, 1981

17. 핵심 요약

1. 기저율 무시는 보편적이다: 모든 인간은 특정한 정보가 있을 때 통계적 기저율에 과소 가중치를 두는 경향이 있습니다. 이는 개인의 실패가 아니라 인간 인지 구조의 특성입니다.

2. 대표성 휴리스틱이 메커니즘이다: 우리는 인구 집단에서의 빈도가 아니라 원형(prototype)과의 유사성을 바탕으로 확률을 판단합니다.

3. 형식이 엄청나게 중요하다: 확률보다 자연 빈도(Y명 중 X명)로 정보를 제시하면 오류가 극적으로 감소합니다.

4. 맥락이 기저율 사용을 주도한다: 사람들은 인과적으로 관련이 있어 보일 때 기저율을 사용합니다. 단순히 "통계적"인 것처럼 보일 때는 이를 무시합니다.

5. 그 결과는 치명적이다: 오판(샐리 클라크, 루시아 데 베르크)부터 금융 위기(LTCM, 닷컴 버블), 알고리즘 차별에 이르기까지, 기저율 무시는 중대한 사회적 실패를 형성합니다.

6. 편향 제거에는 설계가 필요하다: 단순히 기저율을 존중하기로 "결정"할 수는 없습니다. 기저율을 가시적이고 관련성 있게 만드는 정보 구조, 체크리스트, 의사결정 프로세스가 필요합니다.

7. 편향에는 이점도 있다: 많은 일상적인 상황에서 기저율을 무시하는 빠른 패턴 매칭은 적응적이고 효율적입니다. 목표는 통계적 사고가 진정으로 필요한 시점을 인식하는 것입니다.

18. 추가 자료

학술 논문

• 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.

도서

• 대니얼 카너먼 (2011). 생각에 관한 생각 (Thinking, Fast and Slow). Farrar, Straus and Giroux.
• 게르트 기거렌처 (2002). 숫자에 속아 위험한 선택을 하는 사람들 (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.
• 필립 테틀록, 댄 가드너 (2015). 슈퍼예측, 그들은 어떻게 미래를 읽어내는가 (Superforecasting: The Art and Science of Prediction). Crown.
• Meehl, P. E. (1954). Clinical vs. Statistical Prediction. University of Minnesota Press.

단행본 챕터

• 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. 요약 카드

20. 용어 사전

21. 토론 질문

북클럽, 교실, 또는 자기 성찰을 위해:

1. 나중에 기저율을 무시했다는 것을 깨달았던, 인생의 중대한 결정을 떠올릴 수 있습니까? 다르게 행동한다면 어떻게 하시겠습니까?

2. 합리성 전쟁은 기저율 무시가 인간 인지의 "결함"인지 "특성"인지를 묻습니다. 당신의 견해는 무엇이며, 그것이 시사하는 바는 무엇입니까?

3. 기저율 무시가 배심원들에게 미치는 영향을 고려할 때, 법원은 통계적 증거를 어떻게 다루어야 할까요? 특별 교육이나 전문가 요건이 있어야 할까요?

4. 기거렌처는 자연 빈도로 정보를 제시하면 기저율 무시가 대부분 "해결"된다고 주장합니다. 이것이 사실이라면, 올바른 형식으로 정보를 제시할 책임은 개인, 기관, 교육자 중 누구에게 있습니까?

5. AI 시스템이 인간의 삶에 영향을 미치는 결정을 내리는 일이 점점 늘어남에 따라, 알고리즘의 기저율 편향을 해결하기 위해 어떤 의무가 존재합니까? 알고리즘의 공정성을 어떻게 정의해야 할까요?