Bazinio dažnio klaida (Base Rate Fallacy)

Trumpa apžvalga

1. Trumpa santrauka

Priimdami sprendimus apie tikimybę, žmonės linkę sutelkti dėmesį į ryškias, specifines detales apie konkretų atvejį, ignoruodami platesnį statistinį kontekstą, kuriuo turėtų remtis priimdami sprendimą. Jei kas nors apibūdina tylų, knygas ir poeziją mėgstantį žmogų, galite spėti, kad tai „bibliotekininkas“, nors pasaulyje yra kur kas daugiau mokytojų, buhalterių ar biuro darbuotojų, turinčių šių bruožų. Bazinio dažnio klaida kyla dėl to, kad mūsų smegenys yra linkusios atpažinti modelius ir pasakoti istorijas, o ne skaičiuoti tikimybes.

2. Mokslinis pagrindas

2.1. Atradimas ir istorija

Formalus bazinio dažnio nepaisymo identifikavimas atsirado kognityvinės revoliucijos metu psichologijoje aštuntajame dešimtmetyje. Nors įtampą tarp statistinio mąstymo ir klinikinės intuicijos dar 1955 m. pastebėjo Paulas Meehlas ir Albertas Rosenas (kurie perspėjo klinicistus dėl diagnostinių testų interpretavimo), būtent Amosas Tversky ir Danielis Kahnemanas formaliai identifikavo ir pavadino šį šališkumą.

Jų 1973 m. straipsnis „Apie prognozavimo psichologiją“ (On the Psychology of Prediction) metė iššūkį vyraujančiai ekonominei prielaidai apie racionalų veikėją. Jie įrodė, kad kai žmonių prašoma nuspėti rezultatus, jie neveikia kaip intuityvūs statistikai, atnaujinantys išankstines tikimybes pagal naujus įrodymus (kaip diktuotų Bajeso (Bayes) teorema). Vietoje to jie kliaujasi mentaliniais trumpaisiais keliais (euristikomis), kurie sistemingai ignoruoja bazinio dažnio informaciją.

Šis atradimas sukėlė vadinamuosius „Racionalumo karus“ – intensyvias teorines diskusijas apie tai, ar bazinio dažnio nepaisymas yra esminis žmogaus mąstymo trūkumas, ar atspindi adaptyvų atsaką į aplinkos struktūrą. Šios diskusijos formavo kognityvinį mokslą pastaruosius penkis dešimtmečius.

Svarbiausi tyrimų etapai:

• 1955: P. Meehl ir A. Rosen identifikuoja klinikinio ir aktuarinio prognozavimo problemą
• 1973: A. Tversky ir D. Kahneman publikuoja straipsnį „Apie prognozavimo psichologiją“
• 1980: Maya Bar-Hillel pristato Relevantiškumo teorijos kritiką
• 1995: Gerd Gigerenzer įrodo, kad natūralaus dažnio formatai sumažina klaidos tikimybę
• 2002: D. Kahneman ir S. Frederick formalizuoja „atribucijų pakeitimo“ (attribute substitution) teoriją
• 2010-ieji: Tyrimai išsiplečia apimant dirbtinio intelekto sistemas ir algoritminį šališkumą

2.2. Pagrindiniai tyrėjai

2.3. Svarbiausi tyrimai

„Tomo W.“ eksperimentas (Kahneman ir Tversky, 1973)

Šis pamatinis tyrimas parodė, kaip reprezentatyvumas užgožia bazinius dažnius net ir tada, kai dalyviai turi tikslių žinių apie bazinį dažnį.

Dizainas: Dalyviai buvo suskirstyti į tris grupes:

• Bazinio dažnio grupė: Vertino magistrantų procentinę dalį devyniose srityse. Jie teisingai nustatė, kad humanitariniai mokslai ir edukologija yra didelės sritys (aukštas bazinis dažnis), o kompiuterių mokslas – maža (žemas bazinis dažnis).
• Panašumo grupė: Gavę „Tomo W.“ asmenybės aprašymą (apibūdintą kaip protingą, bet stokojantį kūrybiškumo, tvarkingą, pasižymintį mechanišku rašymu ir maža užuojauta kitiems), jie reitingavo sritis pagal tai, kiek Tomas panašus į tipišką studentą.
• Prognozavimo grupė: Gavę tą patį aprašymą, turėjo reitinguoti sritis pagal tikimybę, kad Tomas W. šiuo metu studijuoja toje srityje – jiems buvo pabrėžta, kad aprašymas paremtas „riboto pagrįstumo“ testais.

Rezultatai: Prognozavimo grupės reitingai beveik idealiai koreliavo (r > 0.9) su Panašumo grupės vertinimais ir neigiamai koreliavo su Bazinio dažnio grupe. Nepaisant to, kad žinojo, jog kompiuterių mokslas yra maža sritis palyginti su humanitariniais mokslais, dalyviai prognozavo, kad Tomas yra kompiuterių mokslininkas, nes jis atrodė panašus į tokį. Individualizuota informacija visiškai užgožė bazinio dažnio informaciją, net ir tada, kai dalyviai buvo įspėti, jog informacija nepatikima.

Taksi problema (Kahneman ir Tversky, 1972)

Žinomiausias skaitinis šios klaidos pademonstravimas, izoliuojantis konfliktą tarp bazinių dažnių ir liudytojų parodymų.

Scenarijus: Naktį taksi automobilis partrenkė žmogų ir pabėgo. Mieste veikia dvi įmonės:

• Bazinis dažnis: 85 % žalių taksi, 15 % mėlynų taksi
• Liudytojas atpažino, kad taksi buvo mėlynas
• Teismo eksperimentas parodė, kad liudytojas teisingai atpažįsta spalvas 80 % atvejų

Klausimas: Kokia tikimybė, kad taksi buvo mėlynas?

Intuityvus atsakymas: Dauguma dalyvių atsako 80 %, tiesiogiai remdamiesi liudytojo tikslumu.

Bajeso analizė: $$P(Blue|Witness\ says\ Blue) = \frac{0.80 \times 0.15}{(0.80 \times 0.15) + (0.20 \times 0.85)} = \frac{0.12}{0.29} \approx 41%$$

Įžvalga: Nepaisant liudytojo teiginio, kad taksi buvo mėlynas, iš tikrųjų labiau tikėtina (59 %), kad jis buvo žalias. Didelis žalių taksi automobilių parkas sukuria daugiau klaidingų pranešimų apie mėlynus taksi nei mažas mėlynų taksi parkas sukuria teisingų pranešimų apie mėlynus taksi. Dalyviams nepavyksta intuityviai suprasti, kad žalio bazinio dažnio „svoris“ sumažina tikimybę, lyginant su liudytojo 80 % tikslumu.

Inžinieriaus ir teisininko problema (Tversky ir Kahneman, 1973)

Dizainas: Dalyviai gavo aprašymus, sudarytus iš 100 profesionalų imties:

• Sąlyga A: 70 inžinierių, 30 teisininkų
• Sąlyga B: 30 inžinierių, 70 teisininkų

„Džekas“ buvo apibūdintas su stereotipiškais inžinieriui būdingais bruožais (konservatyvus, atsargus, besidomintis dailidės amatu).

Rezultatai: Dalyviai abiem atvejais įvertino Džeko tikimybę būti inžinieriumi beveik identiškai (~90 %), visiškai ignoruodami tai, kad baziniai dažniai buvo apkeisti. Svarbu tai, kad kai jiems buvo pateiktas neutralus aprašymas, neatitinkantis jokio stereotipo, dalyviai teisingai naudojo bazinį dažnį (70 % arba 30 %), įrodydami, kad jie gali naudoti bazinius dažnius, bet juos atmeta iškart, gavę individualizuotus duomenis.

2.4. Neurologinis pagrindas

Tyrimai apie bazinio dažnio nepaisymo nervinius substratus rodo konfliktą tarp dviejų kognityvinių sistemų:

1 Sistema (Intuityvus apdorojimas): Prefrontalinė žievė ir limbinė sistema skatina greitą, automatinį modelių atpažinimą. Kai pateikiama individualizuota informacija, šie regionai stipriai aktyvuojasi, kurdami intuityvius, „panašumu pagrįstus“ sprendimus. Migdolinis kūnas (amygdala) gali sustiprinti ryškios, specifinės informacijos svarbą.

2 Sistema (Sąmoningas apdorojimas): Dorsolateralinė prefrontalinė žievė ir priekinė juostinė žievė palaiko pastangų reikalaujantį statistinį mąstymą. fMRI tyrimai rodo, kad teisingam bazinių dažnių integravimui reikalingas šių regionų aktyvavimas, o tai reikalauja kognityvinių pastangų ir yra lengvai sutrikdomas dėl laiko stokos ar kognityvinio krūvio.

Nervinė konkurencija: Atrodo, kad bazinio dažnio nepaisymas kyla iš to, kad 1 Sistema „laimi“ nervinę konkurenciją, nes:

• Modelių atpažinimas yra greitesnis ir reikalauja mažiau išteklių
• Konkrečios istorijos aktyvuoja emocinį apdorojimą labiau nei abstrakti statistika
• Numatytasis smegenų režimas yra kurti pasakojimus, o ne skaičiuoti tikimybes
• Darbinės atminties apribojimai varžo vienalaikį bazinių dažnių ir konkretaus atvejo informacijos apdorojimą

Neuromediatorių tyrimai rodo, kad dopamino keliai, susiję su atlygio prognozavimu, gali prisidėti prie specifinių „pataikymų“ patrauklumo lyginant su statistiniu mąstymu, o streso hormonai gali dar labiau slopinti sąmoningą apdorojimą.

3. Evoliucinė kilmė

Bazinio dažnio klaida egzistuoja dėl to, kad žmogaus kognityvinė sistema evoliucionavo kaip modelių atpažinimo variklis, optimizuotas naršyti tarp tiesioginių aplinkos grėsmių, o ne skaičiuoti abstrakčias tikimybes.

Mąstymo, pagrįsto konkrečiais atvejais, išgyvenimo pranašumai:

• Protėvių aplinkoje žolės šlamesys galėjo reikšti plėšrūną. Tie, kurie ignoravo vėjo „bazinį dažnį“ ir darė prielaidą apie grėsmę, išgyvendavo dažniau nei atsargūs statistikai
• Socialinis išgyvenimas priklausė nuo gebėjimo perskaityti konkrečių asmenų ketinimus, o ne populiacijos vidurkius
• Ištekliai ir partneriai buvo užtikrinami vertinant konkrečias galimybes, o ne abstrakčius dažnius
• Greitas sprendimų priėmimas, pagrįstas modelių atpažinimu, taupė brangią kognityvinę energiją

Potraukis pasakojimams: Mūsų protėviai, kurie kūrė rišlias priežastines istorijas iš įvykių, galėjo geriau mokytis, mokyti ir nuspėti nei tie, kurie apdorojo tikrovę kaip nesusijusią statistiką. Šis gebėjimas kurti pasakojimus tapo esminiu žmogaus intelektui, bet sukuria sistemingas akląsias zonas, kai prireikia formalios tikimybės.

Savybė, o ne klaida – atsižvelgiant į kontekstą: Daugumoje ikimodernių situacijų bazinio dažnio nepaisymas buvo adaptyvus. Konkretus tigras priešais jus yra svarbesnis nei vidutinis tigrų pasiskirstymas. Problema kyla, kai ši kognityvinė architektūra susiduria su šiuolaikiniais sprendimais, apimančiais retas ligas, teismo ekspertizės įrodymus ar finansines išvestines priemones – sritis, kuriose statistinis mąstymas yra būtinas, bet evoliuciškai beprecedentis.

Energijos taupymas: Bajesiškų tikimybių skaičiavimas yra metaboliškai brangus. Smegenys, sunaudojančios 20 % kūno energijos, sukūrė trumpuosius kelius, kurie daugumoje situacijų veikia „pakankamai gerai“. Trūkumo aplinkoje kognityvinė formalaus mąstymo kaina nusverdavo jos ribinę naudą.

4. Kaip šis šališkumas pasireiškia

4.1. Kasdieniame gyvenime

• Nepažįstamųjų stereotipizavimas: Sutikę žmogų su akiniais, kuris kalba tyliai, galite manyti, kad jis „profesorius“, nors profesorių bazinis dažnis yra labai mažas lyginant su kitomis profesijomis
• Rizikos vertinimas: Pamačius žiniasklaidoje reportažą apie lėktuvo katastrofą, pervertinamas skrydžio pavojus, ignoruojant statistinį oro kelionių saugumą
• Santykių vertinimas: Padaroma išvada, kad kas nors yra nesąžiningas, remiantis vienu įtartinu elgesiu, ignoruojant ilgą sąžiningo bendravimo istoriją (jų patikimumo bazinį dažnį)
• Loterijos ir lošimai: Laikymas „laimingo“ bilieto ar kazino ypatingu remiantis nesenais laimėjimais, ignoruojant matematinį praradimų bazinį dažnį
• Tėvystės baimės: Drastiškas tokių pavojų kaip pagrobimas pervertinimas remiantis ryškiomis žiniasklaidos istorijomis, kartu nuvertinant dažnas rizikas, pavyzdžiui, automobilių avarijas

4.2. Darbo vietoje

• Veiklos vertinimas: Darbuotojo įvertinimas kaip „turinčio didelį potencialą“ remiantis viena įspūdinga prezentacija, ignoruojant jo bazinius produktyvumo duomenis
• Įdarbinimo sprendimai: Pirmenybės teikimas kandidatams, kurių pasirodymas interviu atitinka sėkmės stereotipus, o ne atsižvelgimas į panašių darbuotojų sėkmės bazinį dažnį
• Projektų vertinimas: Tikėjimas, kad „šis projektas yra kitoks“, remiantis specifinėmis savybėmis, ignoruojant biudžeto viršijimo ir vėlavimo bazinį dažnį panašiuose projektuose
• Lyderystės vertinimas: Komandos sėkmės priskyrimas charizmatiškam lyderiui, ignoruojant rinkos sąlygas (sėkmės bazinį dažnį palankiose aplinkose)
• Konkurentų analizė: Per didelis svorio teikimas konkretiems konkurento veiksmams, ignoruojant visos pramonės sėkmės rodiklius panašioms strategijoms

4.3. Versle ir rinkodaroje

• Atsiliepimai ir atvejų analizės: Įmonės naudoja konkrečias sėkmės istorijas, nes vartotojai neatsižvelgia į tipiškų rezultatų bazinį dažnį
• „Kaip matėte per TV“: Ryškios demonstracijos užgožia statistinę informaciją apie produkto efektyvumą
• Draudimo pardavimai: Dramatiški katastrofų scenarijai verčia retus įvykius atrodyti tikėtinais
• Tikslinė reklama: Produktų rodymas konkrečiuose geidžiamuose kontekstuose, o ne statistinės naudos pateikimas
• Paleidimo pasakojimai: „Šis startuolis kitoks“ istorijos išlieka, nepaisant ~90 % nesėkmių bazinio dažnio
• Klientų segmentavimas: Per didelis dėmesys įsimintinoms klientų sąveikoms, o ne sistemingai duomenų analizei

4.4. Politikoje ir žiniasklaidoje

• Nusikaltimų nušvietimas: Ryškus retų smurtinių nusikaltimų nušvietimas formuoja politiką, nepaisant mažėjančių smurto bazinių dažnių
• Rinkimų prognozavimas: Ekspertai sutelkia dėmesį į konkrečius kampanijos momentus („klaidas“), ignoruodami istorinius dabartinių pareigūnų pranašumo bazinius dažnius
• Diskusijos apie imigraciją: Konkrečios istorijos apie imigrantų nusikaltimus užgožia statistinius įrodymus, kad imigrantai nusikalsta rečiau nei vietiniai gyventojai
• Politikos pasakojimai: Argumentai „šį kartą viskas bus kitaip“ dėl naujų politikos krypčių ignoruoja politikos nesėkmių bazinius dažnius
• Terorizmo rizika: Didžiulės investicijos į saugumą paremtos ryškiais išpuoliais, nors baziniai dažniai rodo, kad kitos grėsmės (eismo įvykiai, širdies ligos) nusipelno daugiau išteklių

4.5. Sveikatos apsaugoje

Klaidingai teigiamų rezultatų paradoksas: Kai liga reta (žemas bazinis dažnis), net ir labai tikslūs testai duoda daugiausia klaidingai teigiamų rezultatų.

ŽIV patikros pavyzdys:

• Populiacija: 100 000 su 0,01 % ŽIV paplitimu

• Testas: 99,9 % jautrumas, 99,9 % specifiškumas

• Tikrai teigiami: ~10 (užsikrėtę asmenys teisingai identifikuoti)

• Klaidingai teigiami: ~100 (sveiki asmenys neteisingai pažymėti)

• Rezultatas: Teigiamas testas reiškia tik ~9 % realios infekcijos tikimybę

• Diagnostinės klaidos: Gydytojai prisiriša prie simptomų, kurie atitinka dramatišką diagnozę, ignoruodami kasdienių būklių bazinį dažnį

• Vaistų efektyvumas: Pacientai sutelkia dėmesį į konkrečias pasveikimo istorijas, o ne į statistinius gydymo sėkmės rodiklius

• Sprendimai dėl patikros: Pacientai klaidingai interpretuoja teigiamus testų rezultatus, nesuprasdami klaidingai teigiamų rezultatų bazinių dažnių

• Gydymo režimo laikymasis: Ryškios istorijos apie šalutinį poveikį užgožia statistinius saugumo profilius

• COVID-19 vakcinos nesusipratimas: „70 % hospitalizuotų pacientų yra paskiepyti“ buvo klaidingai suprasta kaip vakcinos nesėkmė, ignoruojant tai, kad daugiau nei 95 % pažeidžiamų grupių buvo paskiepytos (vardiklio problema)

4.6. Finansuose ir investavime

• „Šį kartą bus kitaip“: Investuotojai pateisina ekstremalius vertinimus sutelkdami dėmesį į specifinius pasakojimus (Naujoji ekonomika, DI revoliucija), ignoruodami istorinius rinkos korekcijų bazinius dažnius
• Dot-Com burbulas: P/E rodikliai viršijantys 100 kartų buvo pateisinami interneto potencialu, ignoruojant istorinį bazinį dažnį – vidutiniškai ~15 kartų vertinimus
• Atskirų akcijų atrinkimas: Bendrovės specifinės informacijos traktavimas kaip lemiamos, ignoruojant bazinius dažnius, kai akcijos atsilieka nuo indeksų
• Rizikos kapitalo optimizmas: Finansavimo sprendimai paremti įkūrėjo charizma, o ne startuolių nesėkmių baziniais dažniais
• LTCM žlugimas: Nobelio premijos laureatų modeliai neseną mažą kintamumą vertino kaip bazinį dažnį, ignoruodami istorinį rinkos panikos dažnį („storos uodegos“ (fat tails))
• Nekilnojamojo turto spekuliacija: Tikėjimas, kad „ši rinka yra kitokia“, ignoruoja istorinius būsto ciklų bazinius dažnius

5. Realių atvejų analizė

1 atvejis: Sally Clark – Neteisingai įkalinta motina

• Kontekstas: 1999 m. britų advokatė Sally Clark neteko dviejų kūdikių sūnų – pirmojo būnant 11 savaičių, antrojo 8 savaičių. Ji buvo apkaltinta dvigubu kūdikių nužudymu.

• Kas nutiko: Ekspertas liudytojas seras Roy'us Meadow liudijo, kad dviejų SIDS (staigios kūdikių mirties sindromo) mirties atvejų tikimybė pasiturinčioje šeimoje buvo maždaug 1 iš 73 milijonų (apskaičiuota kaip (1/8543)²). Jis tai prilygino lažybų šansams dėl labai mažai tikėtino įvykio.

• Veikiantis šališkumas: Susikaupė dvi kritinės klaidos:

  1. Nepriklausomumo pažeidimas: Meadow padarė prielaidą, kad SIDS mirtys yra nepriklausomi įvykiai. Genetiniai ir aplinkos veiksniai iš tikrųjų daro antrą mirtį daug labiau tikėtina, jei viena jau įvyko – įvykiai yra sąlyginai priklausomi.
  2. Bazinio dažnio nepaisymas: Netgi priimant skaičių 1 iš 73 milijonų, prisiekusiesiems reikėjo jį palyginti su dvigubo kūdikių nužudymo baziniu dažniu. Motinos įvykdyta dviguba žmogžudystė taip pat yra nepaprastai reta (galbūt 1 iš 100 milijonų). Lyginant du itin retus įvykius, svarbus yra santykis. Jei dvigubas SIDS yra 1 iš 73 milijonų, o dviguba žmogžudystė yra 1 iš 100 milijonų, SIDS iš tikrųjų yra labiau tikėtinas. Izoliuotai pateikiant „1 iš 73 milijonų“, kaltinimas leido suprasti, kad žmogžudystė yra numatytasis variantas.

• Pasekmės: Sally Clark buvo nuteista ir nubausta kalėti iki gyvos galvos. Karališkoji statistikos draugija ėmėsi ypatingo žingsnio ir viešai pasmerkė naudotą statistinį mąstymą. Clark buvo paleista 2003 m. po antrosios apeliacijos. Nesugebėjusi atsigauti po neteisingo įkalinimo ir vaikų netekties traumos, ji mirė nuo ūminio apsinuodijimo alkoholiu 2007 m.

• Išmoktos pamokos: Statistiniai įrodymai reikalauja tinkamo Bajesiško rėminimo. Teismai turi lyginti įrodymų tikimybę pagal konkuruojančias hipotezes, o ne vertinti vieną hipotezę izoliuotai. Ekspertams liudytojams reikia statistinio raštingumo mokymų.

2 atvejis: Lucia de Berk – Olandų slaugytoja

• Kontekstas: Olandų slaugytoja Lucia de Berk 2003 m. buvo nuteista už septynias žmogžudystes ir tris pasikėsinimus nužudyti remiantis statistine pacientų mirčių analizę jos pamainų metu.

• Kas nutiko: Ligoninės statistikas liudijo, kad tikimybė atsitiktinai įvykti tiek daug mirčių jos pamainų metu buvo 1 iš 342 milijonų.

• Veikiantis šališkumas:

  1. Post-hoc atranka: Mirtys buvo klasifikuojamos kaip „įtartinos“ tik sužinojus, kad Lucia budėjo – klasikinis patvirtinimo šališkumas kartu su bazinio dažnio nepaisymu
  2. Ignoruojamas klasterių bazinis dažnis: Bet kurioje didelėje ligoninių sistemoje didelių skaičių dėsnis garantuoja, kad kuri nors slaugytoja ilgainiui turės pamainų modelį, kuris atrodys labai mažai tikėtinas vien atsitiktinumo atveju (Teksaso snaiperio klaida)
  3. Nepaisytos alternatyvios hipotezės: Nebuvo tinkamai atsižvelgta į pacientų, mirštančių naktinėse pamainose (kai sunkesni pacientai stebimi atidžiau), bazinį dažnį

• Pasekmės: Lucia kalėjime praleido daugiau nei šešerius metus. Įkalinimo metu ji patyrė insultą. Nepriklausomų statistikų matematinė analizė vėliau parodė, kad nekaltumo tikimybė iš tikrųjų buvo didelė. 2010 m. ji buvo reabilituota, ką olandų valdžios institucijos pripažino kaip vieną baisiausių teisingumo klaidų šalies istorijoje.

• Išmoktos pamokos: Statistinis sutapimas dideliuose duomenų rinkiniuose nėra priežastingumo įrodymas. Post-hoc analizė reikalauja ypatingo atsargumo. Teismams reikalinga nepriklausoma statistinė tikimybinių įrodymų peržiūra.

3 atvejis: Robert Williams – Veido atpažinimo nesėkmė

• Kontekstas: 2020 m. sausio mėn. Robertas Williamsas, juodaodis iš Detroito, buvo suimtas savo namuose šeimos akivaizdoje, kai veido atpažinimo algoritmas susiejo jo vairuotojo pažymėjimo nuotrauką su stebėjimo kamerų vaizdo įrašu iš vagystės parduotuvėje.

• Kas nutiko: Detektyvai parodė Williamsui stebėjimo kameros atvaizdą ir pasakė: „kompiuteris sako, kad tai jūs.“ Jis buvo sulaikytas 30 valandų prieš jį paleidžiant.

• Veikiantis šališkumas:

  1. Klaidingai teigiamų rezultatų paradoksas: Net 99 % tiksli veido atpažinimo sistema, atliekant paiešką milijonų veidų duomenų bazėse, sukuria tūkstančius klaidingų atitikmenų
  2. Automatizacijos šališkumas: Tyrėjai algoritmo „atitiktį“ traktavo kaip galutinį įrodymą, o ne kaip tikimybinį pasiūlymą, reikalaujantį patvirtinimo
  3. Atsitiktinių atitikmenų bazinis dažnis: Kaip ir Taksi problemos atveju, „liudytojas“ (algoritmas) turi klaidų lygį, o „nekaltų žmonių populiacija“ yra didžiulė – kas sukuria daug klaidingai teigiamų rezultatų

• Pasekmės: Williamsas buvo neteisėtai suimtas, sulaikytas, o jo DNR, pirštų atspaudai ir nuotrauka įtraukti į nusikaltėlių duomenų bazes. Jis pateikė ieškinį Detroito policijos departamentui. Byla tapo reikšmingu algoritminio šališkumo pavyzdžiu teisėsaugoje.

• Išmoktos pamokos: Algoritminiai įrodymai turi būti vertinami tikimybiškai, o ne traktuojami kaip neklystami. Klaidingų atitikmenų baziniai dažniai turi būti pranešami sprendimus priimantiems asmenims. Prieš areštus, pagrįstus algoritminiais atitikmenimis, turėtų būti reikalaujama patvirtinančių įrodymų.

Istorinis pavyzdys: „Long-Term Capital Management“ žlugimas

1998 m. „Long-Term Capital Management“ (LTCM), rizikos draudimo fondas, kuriam vadovavo Nobelio premijos laureatai Myronas Scholesas ir Robertas Mertonas, įspūdingai žlugo ir vos nedestabilizavo pasaulinės finansų sistemos.

Sudėtingi LTCM Rizikos vertės (VaR) modeliai rėmėsi naujausiais istoriniais duomenimis, rodančiais mažą rinkos kintamumą. Jie apskaičiavo, kad dideli nuostoliai buvo „10 sigmų įvykiai“ – statistiškai neįmanomi. Modeliai nepaisė finansinių panikų istorinio bazinio dažnio – rinkos pasiskirstymo „storų uodegų“ (fat tails). Jie taip pat ignoravo sisteminės koreliacijos bazinį dažnį: krizių metu, plintant panikai, visos koreliacijos artėja prie 1.

Kai 1998 m. rugpjūčio mėn. Rusija neįvykdė savo skolinių įsipareigojimų (defoltas), nutiko tai, kas „neįmanoma“. LTCM prarado 4,6 mlrd. dolerių greičiau nei per keturis mėnesius, dėl ko prireikė Federalinio rezervo koordinuoto gelbėjimo paketo, kad būtų išvengta platesnio finansinio užkrato.

Pamoka: Sudėtingi modeliai, ignoruojantys istorinius retų įvykių bazinius dažnius, sukuria katastrofiškas akląsias zonas. Specifinės netolimos praeities sąlygos nėra patikimi kraštutinių rizikų (tail risks) rodikliai.

6. Šio šališkumo kaina

6.1. Asmeninė kaina

• Baimė ir nerimas: Retų grėsmių pervertinimas (lėktuvų avarijos, smurtiniai nusikaltimai, ligos) sukuria lėtinį stresą, ignoruojant labiau tikėtinas rizikas
• Žala santykiams: Žmonių vertinimas pagal ryškius pavienius incidentus, o ne pagal jų nuoseklaus elgesio bazinį dažnį, lemia neteisingus vertinimus ir sugriautą pasitikėjimą
• Praleistos galimybės: Naudingos veiklos (skraidymo, operacijų, karjeros pokyčių) vengimas dėl ryškių nesėkmių istorijų, ignoruojant sėkmės bazinius dažnius
• Finansiniai nuostoliai: Investicinių sprendimų priėmimas remiantis įtikinamais pasakojimais, o ne statistiniais įrodymais
• Medicininis nerimas: Klaidingas patikros rezultatų interpretavimas, nesuprantant klaidingai teigiamų rezultatų bazinių dažnių

6.2. Profesinė kaina

• Klaidingi karjeros sprendimai: Darbo sprendimų priėmimas remiantis konkrečiais dramatiškais rezultatais, o ne statistinėmis karjeros trajektorijomis
• Projektų nesėkmės: Mąstymas „šis projektas yra kitoks“ veda prie nuolatinio išlaidų ir terminų nepakankamo įvertinimo
• Įdarbinimo klaidos: Kandidatų atranka remiantis interviu pasirodymo stereotipais, o ne prognozuojamais baziniais dažniais
• Strateginės klaidos: Verslo sprendimai, paremti konkurentų anekdotais, o ne pramonės statistika
• Prognozavimo nesėkmės: Prognozės, pagrįstos dabartiniais pasakojimais, kurie ignoruoja panašių situacijų istorinius bazinius dažnius

6.3. Visuomeninė kaina

• Neteisėti nuteisimai: Kaip matyti Sally Clark ir Lucios de Berk bylose, bazinio dažnio nepaisymas teismo procesuose griauna nekaltų žmonių gyvenimus
• Netinkamas politikos išteklių paskirstymas: Ištekliai nukreipiami į ryškias, bet retas grėsmes (terorizmą), o labiau tikėtina žala (žūtys eismo įvykiuose, ligos) yra ignoruojama
• Algoritminė neteisybė: DI sistemos, apmokytos su šališkais duomenimis, įtvirtina ir sustiprina bazinio dažnio klaidas, dėl ko atsiranda diskriminacija teisėsaugoje, skolinant ar priimant į darbą
• Visuomenės sveikatos nesėkmės: Klaidingas patikros statistikos supratimas lemia netinkamus masinio testavimo ir gydymo sprendimus
• Finansinės krizės: Rinkos, ignoruojančios vertinimo bazinius dažnius, kuria burbulus, kurie jiems neišvengiamai sprogus, pakenkia milijonams

6.4. Statistinis poveikis

Tyrimų išvados apie išmatuojamą bazinio dažnio nepaisymo poveikį:

• Medicininių sprendimų priėmimas: Tyrimai rodo, kad tik ~15 % gydytojų teisingai interpretuoja teigiamus testų rezultatus, kai ligos baziniai dažniai yra žemi, o tai lemia masinę perteklinę diagnostiką
• Prisiekusiųjų sprendimai: Imituoti prisiekusiųjų tyrimai rodo, kad bazinio dažnio informacija didžiąja dalimi ignoruojama, kai pateikiami ryškūs liudijimai
• Prognozavimo tikslumas: Philipo Tetlocko tyrimai atskleidė, kad „superprognozuotojai“ (superforecasters), kurie įveikia bazinio dažnio nepaisymą, pranoksta ekspertus daugiau nei 30 %
• Algoritmų našumas: „ProPublica“ atlikta COMPAS recidyvizmo algoritmo analizė parodė, kad dėl bazinio dažnio šališkumo klaidingai teigiamų rezultatų lygis juodaodžiams kaltinamiesiems buvo dvigubai didesnis nei baltaodžiams

7. Paslėpta nauda

Bazinio dažnio klaida nėra grynai kognityvinis defektas – pagrindiniai mechanizmai atlieka svarbias adaptyvias funkcijas.

Greitas grėsmių aptikimas: Aplinkoje, kur nepastebėtas plėšrūnas reiškia mirtį, geriau pernelyg reaguoti į specifinius pavojaus signalus, nei atidžiai skaičiuoti populiacijos statistiką. Klaidingai teigiamo rezultato (nereikalingo budrumo) kaina yra maža palyginus su klaidingai neigiamu rezultatu (buvimu suvalgytam).

Socialinis intelektas: Gebėjimas perskaityti konkrečių asmenų ketinimus socialinei sėkmei yra svarbesnis nei populiacijos lygio statistikos apie žmogaus elgesį žinojimas. Prieš jus stovintis asmuo nėra vidutinis žmogus – jis yra konkretus individas, kurio konkrečius ketinimus turite suprasti.

Mokymasis per pasakojimus: Istorijos yra būdas, kuriuo žmonės perduoda žinias iš kartos į kartą. „Šališkumas“ ryškių atvejų, o ne statistikos atžvilgiu, daro mokymąsi iš savo ir kitų patirties įmanomą.

Energijos vartojimo efektyvumas: Atidus Bajesiškas mąstymas yra metaboliškai brangus. Daugumai kasdienių sprendimų greitas modelių atpažinimas duoda pakankamai gerus rezultatus su gerokai mažesnėmis kognityvinėmis išlaidomis.

Kompromisas: Visiškas bazinio dažnio nepaisymo pašalinimas reikalautų nuolatinių pastangų reikalaujančių skaičiavimų, kurie paralyžiuotų sprendimų priėmimą. Tikslas nėra pašalinti euristiką, bet atpažinti, kada reikalingas statistinis mąstymas – ypač teisinėse, medicinos, finansų ir politikos srityse, kur baziniai dažniai yra svarbiausi.

8. Įsivertinimas: Ar turite šį šališkumą?

8.1. Įspėjamųjų ženklų kontrolinis sąrašas

• Jūs dažnai galvojate „ši situacija yra kitokia“, nepatikrindami statistinių panašumų su ankstesnėmis situacijomis
• Jums konkretūs pavyzdžiai atrodo įtikinamesni nei statistinės santraukos
• Esate priėmę sprendimus remdamiesi įsimintinais anekdotais, o ne konsultuodamiesi su duomenimis
• Jums sunku patikėti, kad medicininio tyrimo rezultatas gali būti klaidingai teigiamas
• Tikimybes vertinate pagal tai, kaip lengvai galite įsivaizduoti rezultatą
• Žmones vertinate greitai, remdamiesi pirmuoju įspūdžiu ar pavieniais elgesio atvejais
• Ignoravote „foninę informaciją“, nes ji atrodė mažiau svarbi nei konkrečios detalės
• Diskusijose bazinio dažnio statistika jums atrodo „šalta“ arba „ne į temą“
• Buvote nustebinti, kai statistinės prognozės skyrėsi nuo jūsų intuicijos
• Priešinatės mąstymui procentais ir pirmenybę teikiate taip/ne vertinimams

Rezultatų vertinimas:

• Pažymėta 0-2: Mažas jautrumas
• Pažymėta 3-5: Vidutinis jautrumas
• Pažymėta 6-8: Didelis jautrumas
• Pažymėta 9-10: Labai didelis jautrumas

8.2. Klausimai savirefleksijai

1. Kada paskutinį kartą pakeitėte savo nuomonę dėl statistinių įrodymų, o ne dėl įtikinamos istorijos ar pavyzdžio?
2. Pagalvokite apie neseniai priimtą svarbų sprendimą – ar tyrinėjote panašių sprendimų sėkmės/nesėkmės bazinius dažnius?
3. Ar kada nors atmetėte aktualią statistiką, nes atrodė, kad ji nesusijusi su jūsų konkrečia situacija?
4. Kai kas nors jums pasakoja anekdotą (istoriją), ar instinktyviai susimąstote, kiek tipiška ar netipiška yra ta patirtis?
5. Ar kiti yra jums sakę, kad skiriate per daug dėmesio pavieniams pavyzdžiams arba nepakankamai duomenims?

8.3. Greitas diagnostinis scenarijus

Scenarijus: Buvo sukurtas naujas medicininis testas sunkiai ligai diagnozuoti. Testas yra 99 % tikslus (tiek nustatant ligą, kai ji yra, tiek teisingai patvirtinant, kad žmogus sveikas). Bendrojoje populiacijoje šia liga serga 1 iš 1000 žmonių. Jūsų testo rezultatas teigiamas. Kokia tikimybė, kad iš tikrųjų sergate šia liga?

Kaip atsakytumėte?

• A) Apie 99 % → Didelis jautrumas (pritaikote atsakymą prie testo tikslumo, ignoruodami bazinį dažnį)
• B) Apie 50 % → Vidutinis jautrumas (jaučiate, kad kažkas ne taip, bet negalite apskaičiuoti tikrosios tikimybės)
• C) Apie 9 % → Mažas jautrumas (teisingai integravote bazinį dažnį; ~10 tikrai teigiamų ir ~100 klaidingai teigiamų iš 1000 tirtų žmonių)

9. Kaip atpažinti šį šališkumą kituose

9.1. Elgesio indikatoriai

• Statistinių argumentų kaip „šaltų“ ar „ne į temą“ atmetimas asmeninių istorijų naudai
• Dažnas frazių, tokių kaip „remiantis mano patirtimi“ arba „pažįstu žmogų, kuris...“, naudojimas darant bendro pobūdžio pareiškimus
• Pavienių atvejų traktavimas kaip galutinių įrodymų plačioms tendencijoms
• Sunkumai priimant tai, kad statistiniai apibendrinimai taikomi jų konkrečiai situacijai
• Per didelis dėmesys neseniems ar įsimintiniems įvykiams vertinant tikimybes
• Pasipriešinimas nuomonės keitimui pateikus bazinio dažnio duomenis

9.2. Įspėjamieji ženklai pokalbiuose

Frazės, kurias žmonės sako būdami paveikti šio šališkumo:

• „Bet šis atvejis yra kitoks...“
• „Statistika neparodo viso vaizdo“
• „Aš žinau, ką sako skaičiai, bet...“
• „Leiskite papasakoti apie žmogų, kurį pažįstu...“
• „Su statistika gali įrodyti bet ką“

Argumentų tipai, kuriuos jie pateikia:

• Individualių sėkmės/nesėkmės istorijų citavimas kaip įrodymo bendroms strategijoms
• Išskirtinių atvejų traktavimas kaip tipiškų rezultatų atstovų

Klausimai, kurių jie vengia užduoti:

• „Kaip dažnai tai paprastai nutinka?“
• „Koks yra sėkmės rodiklis panašiose situacijose?“

9.3. Situaciniai trigeriai

• Emocinė svarba: Kai rezultatai labai rūpi, konkretaus atvejo informacija tampa įtikinamesnė
• Ryškūs pavyzdžiai: Neseni, dramatiški ar asmeniškai patirti įvykiai užgožia statistines bazes
• Sudėtingumas: Kai statistinė analizė yra sunki, žmonės grįžta prie reprezentatyvių pavyzdžių
• Laiko spaudimas: Greiti sprendimai teikia pirmenybę modelių atpažinimui, o ne tikimybių skaičiavimui
• Pasakojimo kontekstas: Kai informacija gaunama istorijų pavidalu, o ne statistikos forma
• Ekspertų rėminimas: Kai autoritetai pateikia konkretaus atvejo informaciją be bazinio dažnio konteksto

10. Kognityvinio dešališkumo strategijos

10.1. Skubios technikos

• Klauskite „Kaip dažnai?“: Prieš priimdami individualizuotą informaciją, atvirai paklauskite apie bazinį dažnį. „Kaip dažnai šis rezultatas pasitaiko bendrai?“
• „100 žmonių“ perfrazavimas: Kai pateikiama tikimybė, įsivaizduokite 100 žmonių tokioje situacijoje. Kiek jų turėtų kiekvieną rezultatą?
• Apsvarstykite alternatyvą: Koks yra konkuruojančios hipotezės bazinis dažnis? (Kaip lyginant dvigubo SIDS ir dvigubos žmogžudystės rodiklius)
• Palyginamosios klasės prognozavimas: Nustatykite atitinkamą palyginamąją klasę jūsų situacijai ir patikrinkite istorinius rezultatus
• Laikraščio testas: Ar šis konkretus atvejis patektų į žinias todėl, kad yra neįprastas? Jei taip, jis tikriausiai nėra reprezentatyvus

10.2. Ilgalaikės strategijos

• Praktikuokite Bajesišką mąstymą: Reguliariai spręskite tikimybių problemas, kurioms reikia integruoti bazinius dažnius
• Veskite prognozių žurnalą: Fiksuokite prognozes su nurodytomis tikimybėmis, tada patikrinkite rezultatus, kad sukalibruotumėte savo intuiciją
• Siekite statistikos mokymų: Formalus tikimybių ir statistikos išsilavinimas pagerina atsparumą šiai klaidai
• Kurkite bazinių dažnių bibliotekas: Svarbioms sritims (sveikata, karjera, finansai) tyrinėkite ir įsiminkite atitinkamus bazinius dažnius
• Ugdykite statistiškai mąstančius draugus: Kurkite santykius su žmonėmis, kurie mąsto tikimybiškai ir mes iššūkį jūsų samprotavimams

10.3. Aplinkos dizainas

• Naudokite natūralaus dažnio formatus: Konvertuokite tikimybes į formato „X iš Y“ tipą, kurį smegenys apdoroja intuityviau
• Kurkite sprendimų kontrolinius sąrašus: Įtraukite bazinio dažnio klausimus kaip privalomus žingsnius priimant svarbius sprendimus
• Naudokite piktogramų masyvus: Vizualūs tikimybių atvaizdai sumažina vardiklio nepaisymą
• Iš anksto įsipareigokite statistiniams kriterijams: Prieš susidurdami su konkrečia informacija, apibrėžkite, kokia statistika pakeistų jūsų nuomonę
• Kurkite informacijos ekranus: Bazinius dažnius pateikite ryškiai ir prieš pateikiant individualizuotą informaciją

10.4. Kada ieškoti išorinio indėlio

• Sprendimai su dideliais panardais: Medicininės diagnozės, teismo nuosprendžiai, didelės investicijos, įdarbinimo sprendimai
• Kai turite stiprią intuiciją: Stiprūs jausmai gali rodyti, kad valdo 1 Sistema – atlikite statistinį patikrinimą
• Sudėtingos tikimybinės situacijos: Kai sąveikauja kelios sąlyginės tikimybės
• Emocinis įsitraukimas: Kai dėl asmeninių interesų sunku objektyviai mąstyti
• Ekspertizės neatitikimas: Kai sprendimui reikia statistinių žinių, kurių jums trūksta

11. Praktiniai pratimai

1 pratimas: Patikros testo skaičiuotuvas

• Tikslas: Ugdyti intuiciją Bajesiškam mąstymui analizuojant medicininių patikrų scenarijus
• Reikalingas laikas: 20 minučių
• Reikalingos priemonės: Skaičiuotuvas, popierius
• Sudėtingumo lygis: Vidutinis
• Instrukcijos:
  1. Pasirinkite sveikatos sutrikimą ir suraskite jo paplitimą (bazinį dažnį) jūsų demografinėje grupėje
  2. Suraskite bendrų patikros testų šiam sutrikimui jautrumą ir specifiškumą
  3. Apskaičiuokite teigiamą nuspėjamąją vertę: koks procentas teigiamų testų yra tikrai teigiami?
  4. Apskaičiuokite neigiamą nuspėjamąją vertę: koks procentas neigiamų testų yra tikrai neigiami?
  5. Vizualizuokite tai 2x2 lentele 10 000 žmonių populiacijai
• Klausimai apmąstymui:
  • Ar jus nustebino teigiama nuspėjamoji vertė?
  • Kaip tai keičia jūsų požiūrį į medicinines patikras?
  • Kokių klausimų turėtumėte paklausti savo gydytojo gavę tyrimo rezultatus?
• Dažnumas: Kas mėnesį, naudojant skirtingus sveikatos sutrikimus

2 pratimas: Palyginamosios klasės prognozavimas

• Tikslas: Išsiugdyti įprotį prieš darant prognozes surasti atitinkamus bazinius dažnius
• Reikalingas laikas: 30 minučių
• Reikalingos priemonės: Interneto prieiga, skaičiuoklė
• Sudėtingumo lygis: Vidutinis
• Instrukcijos:
  1. Nustatykite artėjantį sprendimą arba prognozę, kurią turite padaryti
  2. Apibrėžkite palyginamąją klasę: kokios panašios situacijos egzistuoja?
  3. Ištirkite rezultatų bazinį dažnį toje palyginamojoje klasėje
  4. Koreguokite bazinį dažnį atsižvelgdami į specifinius veiksnius, dėl kurių jūsų situacija skiriasi
  5. Dokumentuokite savo samprotavimus ir galutinį tikimybės įvertinimą
• Klausimai apmąstymui:
  • Kaip bazinio dažnio suradimas pakeitė jūsų pirminį įvertinimą?
  • Kokie konkretūs veiksniai pateisino nukrypimą nuo bazinio dažnio?
  • Ar jautėte pagundą vertinti savo situaciją kaip „kitokią“ neturint įrodymų?
• Dažnumas: Prieš bet kokį didelį sprendimą

3 pratimas: Dažnio perfrazavimas

• Tikslas: Praktikuotis paversti tikimybių teiginius į natūralaus dažnio formatus
• Reikalingas laikas: 15 minučių
• Reikalingos priemonės: Tikimybių teiginių sąrašas (iš naujienų straipsnių, tyrimų)
• Sudėtingumo lygis: Pradedantiesiems
• Instrukcijos:
  1. Surinkite 5 tikimybių teiginius iš naujausių žinių (pvz., „5 % komplikacijų rizika“)
  2. Perfrazuokite kiekvieną į natūralų dažnį (pvz., „5 iš kiekvieno 100 pacientų“)
  3. Kiekvienam parašykite, kas nutinka likusiems 95 (ar atitinkamam skaičiui)
  4. Atkreipkite dėmesį, kaip tai keičia jūsų intuityvų tikimybės suvokimą
  5. Pasipraktikuokite paaiškinti dažnio versiją kam nors kitam
• Klausimai apmąstymui:
  • Kuris formatas padarė tikimybes lengviau suprantamas?
  • Ar kokios nors tikimybės atrodė daugiau ar mažiau keliančios nerimą dažnio formatu?
  • Kaip galite pritaikyti šį perfrazavimą kasdieniame gyvenime?
• Dažnumas: Kas savaitę

Kasdieninė praktika

Bazinio dažnio klausimas: Kiekvieną dieną, kai formuojate nuomonę arba darote prognozę, stabtelkite ir paklauskite: „Koks yra bazinis dažnis?“. Jei nežinote, skirkite 60 sekundžių tam ištirti.

• Siūloma trukmė: 1-2 minutės kiekvienam atvejui
• Geriausias dienos laikas: Priimant sprendimus ar vertinimus dienos bėgyje
• Kaip sekti pažangą: Užsirašykite žurnale, kai prisiminėte paklausti ir ką sužinojote

Savaitės iššūkis

Prognozių auditas: Kiekvieną savaitę peržiūrėkite 3 savo padarytas prognozes ar vertinimus. Kiekvienam iš jų:

1. Nustatykite, ar atsižvelgėte į bazinį dažnį
2. Ištirkite, koks iš tikrųjų buvo bazinis dažnis
3. Įvertinkite, ar bazinio dažnio informacija būtų pakeitusi jūsų vertinimą

• Tikėtini rezultatai po 4 savaičių: Padidėjęs supratimas apie bazinio dažnio nepaisymą jūsų pačių mąstyme; automatiškesnis bazinių dažnių apsvarstymas
• Žurnalo užuominos apmąstymui:
  • Kokie sprendimų tipai man dažniausiai sukelia bazinio dažnio nepaisymą?
  • Kokios strategijos padeda man prisiminti patikrinti bazinius dažnius?
  • Kaip pasikeitė mano sprendimų kokybė man praktikuojantis?

12. Specifinėms auditorijoms

Lyderiams ir vadovams

Bazinio dažnio klaida yra ypač pavojinga organizacinėje aplinkoje, kur ryškios sėkmės ir nesėkmės lemia strategiją labiau nei sisteminga analizė.

Pagrindiniai pažeidžiamumai:

• Įdarbinimo sprendimai, pagrįsti interviu įspūdžiais, o ne kandidatų baziniais dažniais
• Veiklos vertinimai, susieti su įsimintinais incidentais, o ne nuosekliomis metrikos priemonėmis
• Strateginis planavimas, varomas konkurentų anekdotų, o ne pramonės statistikos
• Išteklių paskirstymas, paremtas neseniais projektų rezultatais, o ne istoriniais sėkmės rodikliais

Strategijos:

• Diekite struktūruotus interviu su standartizuotu vertinimu, kad sumažintumėte individualių įspūdžių poveikį
• Kurkite „premortem“ (išankstinės analizės) pratimus, kuriuose atvirai atsižvelgiama į projektų nesėkmių bazinius dažnius
• Reikalaukite palyginamosios klasės prognozavimo pagrindinėms iniciatyvoms
• Kurkite informacijos suvestines, kurios iškelia bazinius dažnius šalia individualių atvejų
• Ugdykite „statistinius skeptikus“, kuriems suteikta teisė mesti iššūkį mąstymui pagal ryškius atvejus

Tėvams ir pedagogams

Vaikai yra ypač jautrūs bazinio dažnio nepaisymui, nes jie mokosi apie pasaulį pirmiausia per pavyzdžius ir istorijas.

Mokymo metodai:

• Naudokite žaidimus, susijusius su tikimybe (kauliukus, kortas), kad ugdytumėte intuiciją baziniams dažniams
• Aptariant rizikas (nepažįstamųjų pavojų, ligas, nelaimingus atsitikimus), pateikite kontekstą apie tai, kaip dažnai kiekviena iš jų iš tikrųjų pasitaiko
• Atkreipkite dėmesį, kai naujienų istorijose rodomi įvykiai, kurie verti žinių todėl, kad yra reti
• Modeliuokite statistinį mąstymą: „Tai įdomus pavyzdys. Įdomu, kiek jis tipiškas?“
• Mokykite skirtumo tarp „tai nutiko“ ir „tai paprastai nutinka“

Amžių atitinkantys paaiškinimai:

• 6-10 metų: „Kai kurie dalykai nutinka dažnai, o kai kurie yra reti. Istorijos dažnai būna apie retus dalykus, nes jie stebina.“
• 11-14 metų: „Skaičiai gali mums pasakyti, kaip dažnai dalykai iš tikrųjų nutinka, o tai skiriasi nuo to, kaip dažnai apie juos girdime.“
• 15+ metų: Tikimybių koncepcijų, Bajeso teoremos ir formalaus mąstymo įvadas

Sveikatos priežiūros specialistams

Bazinio dažnio nepaisymas turi gilių pasekmių diagnozei, patikroms ir bendravimui su pacientais.

Klinikinės pasekmės:

• Retos ligos pernelyg dažnai diagnozuojamos, kai simptomų atitikimas užgožia paplitimo duomenis
• Patikros programų efektyvumas priklauso nuo populiacijos bazinių dažnių, o ne tik nuo testo tikslumo
• Pacientų nerimas dėl teigiamų patikros rezultatų dažnai viršija tinkamą susirūpinimą
• Gydymo sprendimai gali teikti per daug svorio dramatiškoms atvejų analizėms, o ne klinikinių tyrimų statistikai

Strategijos:

• Naudokite natūralaus dažnio formatus pranešant tyrimų rezultatus pacientams
• Diekite klinikinę sprendimų palaikymo sistemą, kuri iškelia aktualius bazinius dažnius
• Reikalaukite aiškaus bazinio dažnio apsvarstymo diagnostikos kontroliniuose sąrašuose
• Naudokite piktogramų masyvus ir vizualines priemones paaiškinti teigiamą nuspėjamąją vertę
• Mokykite Bajesiško mąstymo kaip medicininio išsilavinimo dalies

Finansų specialistams

Rinkas valdo pasakojimai, todėl bazinio dažnio disciplina yra būtina investavimo sėkmei.

Pagrindiniai pažeidžiamumai:

• Mąstymas „šį kartą bus kitaip“ burbulų vertinimuose
• Naujumo šališkumas rizikos modeliuose (neseno kintamumo traktavimas kaip bazinio dažnio)
• Per didelis svoris specifinėms analitikų rekomendacijoms lyginant su sektoriaus baziniais dažniais
• Sėkmingų fondų valdytojų pasiekimų traktavimas kaip įgūdžio, o ne atsitiktinumo

Strategijos:

• Prižiūrėkite ilgalaikio vertinimo bazinio dažnio pamatines diagramas (P/E rodikliai, įsipareigojimų nevykdymo lygiai ir kt.)
• Diekite sistemingą perbalansavimą, kuris užtikrintų prielaidas apie grįžimą prie vidurkio
• Naudokite Monte Karlo simuliacijas su istoriškai sukalibruotais pasiskirstymo rodikliais
• Reikalaukite aiškios bazinio dažnio dokumentacijos investicinėms tezėms
• Studijuokite istorinius burbulus ir žlugimus, kad sukalibruotumėte lūkesčius

13. Sąveika su kitais šališkumais

Šališkumai, kurie stiprina šį

Šališkumai, kurie neutralizuoja šį

Dažnos šališkumo grandinės

1 grandinė: Ryškus pavyzdys (Prieinamumas) → Modelio atpažinimas (Reprezentatyvumas) → Bazinio dažnio nepaisymas → Užtikrintas klaidingas vertinimas (Per didelis pasitikėjimas) → Klaidos patvirtinimas (Patvirtinimo šališkumas)

2 grandinė: Prisirišimas prie konkretaus atvejo (Inkaravimas) → Populiacijos duomenų ignoravimas → Palaikančio pasakojimo kūrimas (Pasakojimo klaida) → Pasipriešinimas koreguojantiems įrodymams

Kaskados pertraukimas: Efektyviausias intervencijos taškas yra ankstyvas – prieš ryškiam pavyzdžiui patraukiant dėmesį. Išankstinis bazinio dažnio informacijos įkėlimas, dažnio formatų naudojimas ir aiškių bazinio dažnio tikrinimo įpročių kūrimas gali užkirsti kelią kaskados pradžiai.

14. Kultūrinės perspektyvos

Tyrimai apie kultūrinius skirtumus naudojant bazinį dažnį atskleidžia įdomių dėsningumų, nors pagrindinė tendencija nepaisyti bazinio dažnio atrodo universali.

Tarpkultūriniai atradimai:

• Tyrimai nuosekliai nustato bazinio dažnio nepaisymą Vakarų, Azijos ir kituose kultūriniuose kontekstuose
• Kai kurie įrodymai rodo, kad Rytų Azijos dalyviai tam tikruose kontekstuose šiek tiek geriau naudoja bazinį dažnį, galbūt dėl holistinių kognityvinių stilių
• Švietimo sistemos, pabrėžiančios tikimybes ir statistiką, sukuria geresnę bazinio dažnio integraciją, nepriklausomai nuo kultūrinio fono
• Teisinių sistemų požiūris į statistinius įrodymus labai skiriasi priklausomai nuo kultūros

Universalūs aspektai: Pagrindinis reiškinys – pirmenybės teikimas specifinei ryškiai informacijai prieš abstrakčias statistines bazes – atrodo esąs žmogiškas universalas, įsišaknijęs kognityvinėje architektūroje, atsiradusioje prieš kultūrinę diferenciaciją.

Tarpkultūrinės pasekmės: Statistiniams įrodymams reikia atidaus rėminimo skirtinguose kultūriniuose kontekstuose. Tai, kas veikia vienoje teisinėje ar medicininėje sistemoje, gali būti nepritaikoma kitoje.

15. Mitai ir klaidingi įsitikinimai

16. Ekspertų įžvalgos

„Tiriamųjų nenoras daryti išvadas apie konkretų dalyką iš bendro buvo prilygstamas tik jų norui daryti išvadas apie bendrą dalyką iš konkretaus.“ — Amos Tversky ir Daniel Kahneman, 1973

„Panašumo neįtakoja baziniai dažniai, tačiau intuityvius tikimybės vertinimus dominuoja panašumas.“ — Daniel Kahneman, Mąstymas, greitas ir lėtas (Thinking, Fast and Slow), 2011

„Problema ne ta, kad žmonės nesugeba mąstyti statistiškai, bet ta, kad dauguma problemų pateikiamos formatu, kuris neatitinka to, kaip žmogaus protas evoliucionavo mąstyti.“ — Gerd Gigerenzer, 2002

„Psichologai vertina savo tiriamųjų racionalumą pagal standartą, kuris nėra tinkamas užduočiai.“ — L.J. Cohen, 1981

17. Pagrindinės išvados

1. Bazinio dažnio nepaisymas yra universalus: Visi žmonės linkę nepakankamai vertinti statistinius bazinius dažnius, kai prieinama specifinė informacija – tai žmogaus kognityvinės architektūros savybė, o ne individuali nesėkmė.

2. Reprezentatyvumo euristika yra mechanizmas: Tikimybę vertiname pagal panašumą į prototipus, o ne pagal dažnį populiacijoje.

3. Formatas turi didžiulę reikšmę: Informacijos pateikimas kaip natūralių dažnių (X iš Y), o ne kaip tikimybių, dramatiškai sumažina klaidos tikimybę.

4. Kontekstas lemia bazinio dažnio naudojimą: Žmonės naudoja bazinius dažnius, kai jie atrodo priežastingai susiję; jie ignoruoja juos, kai šie atrodo „tik statistiniai“.

5. Pasekmės yra katastrofiškos: Nuo neteisėtų nuteisimų (Sally Clark, Lucia de Berk) iki finansinių krizių (LTCM, Dot-Com) ir algoritminės diskriminacijos, bazinio dažnio nepaisymas formuoja dideles visuomenės nesėkmes.

6. Dešališkumui reikalingas dizainas: Negalime tiesiog „nuspręsti“ gerbti bazinius dažnius – mums reikia informacijos architektūros, kontrolinių sąrašų ir sprendimų procesų, kurie paverstų bazinius dažnius matomais ir aktualiais.

7. Šališkumas turi naudos: Daugelyje kasdienių kontekstų greitas modelių atpažinimas, ignoruojantis bazinius dažnius, yra adaptyvus ir efektyvus – tikslas yra atpažinti, kada iš tikrųjų reikalingas statistinis mąstymas.

18. Papildomi ištekliai

Akademiniai straipsniai

• 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.

Knygos

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• 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.

Knygų skyriai

• 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. Santraukos kortelė

20. Naudotų terminų žodynėlis

21. Klausimai diskusijai

Knygų klubams, klasėms ar savirefleksijai:

1. Ar galite prisiminti svarbų sprendimą savo gyvenime, kai vėliau supratote, jog ignoravote bazinį dažnį? Ką darytumėte kitaip?

2. „Racionalumo karuose“ keliamas klausimas, ar bazinio dažnio nepaisymas yra žmogaus kognicijos „klaida“, ar „savybė“. Kokia jūsų nuomonė ir kokios to pasekmės?

3. Kaip teismai turėtų elgtis su statistiniais įrodymais, atsižvelgiant į tai, ką žinome apie bazinio dažnio nepaisymą tarp prisiekusiųjų? Ar turėtų būti specialūs mokymai ar ekspertų reikalavimai?

4. Gigerenzer teigia, kad informacijos pateikimas natūraliais dažniais iš esmės „išsprendžia“ bazinio dažnio nepaisymą. Jei tai tiesa, kas atsakingas už informacijos pateikimą tinkamu formatu – asmenys, institucijos ar pedagogai?

5. Kadangi DI sistemos vis dažniau priima sprendimus, turinčius įtakos žmonių gyvenimams, kokie įsipareigojimai egzistuoja sprendžiant bazinio dažnio šališkumą algoritmuose? Kaip turėtų būti apibrėžiamas algoritminis teisingumas?