Il y a environ 40 ans, Danny Kahneman et Amos Tversky ont fait de merveilleuses découvertes. Ils ont identifié un ensemble d'heuristiques que les gens utilisent – la disponibilité, la représentativité, l'ancrage et l'ajustement, même en tirant des inférences à partir de petits échantillons. Précédemment, des leaders d'opinion comme Karl Duncker et Alan Newell et Herb Simon avaient discuté de l'importance de l'heuristique, mais Kahneman et Tversky ont identifié un ensemble de types spécifiques d'heuristiques que nous appliquons couramment, et pour cela, Kahneman et Tversky méritent les félicitations. et les prix qu'ils ont reçus.
Cependant, la communauté Heuristics and Biases née de leur travail a pris une trajectoire malheureuse. Il assimile l'heuristique aux biais. Le terme «biais» peut signifier préférence ou prédisposition mais la compréhension primaire est qu'un jugement biaisé n'est pas logique ou justifié. Cette confusion était logique parce que la méthodologie de recherche utilisée par Kahneman et Tversky et d'autres était de démontrer que les gens utilisent l'heuristique même lorsque les heuristiques donnent des jugements inexacts. Les études ont donc illustré comment l'heuristique peut nous induire en erreur, mais cette démonstration n'est pas la même chose que montrer que nous serions mieux sans les heuristiques. Oui, dans certaines circonstances que les chercheurs pourraient concevoir, les heuristiques nous gênent. Mais il existe de nombreuses autres circonstances dans lesquelles les heuristiques sont inestimables.
Je pense que la communauté Heuristics & Biases a utilisé un critère inapproprié: évaluer l'exactitude de l'heuristique par rapport aux méthodes analytiques formelles telles que la théorie des probabilités et les statistiques bayésiennes. Les statistiques bayésiennes n'ont pris de l'importance que dans les années 1980. La théorie des probabilités a atteint sa formulation actuelle par Laplace il y a un peu plus de 200 ans. Pourquoi devrions-nous nous attendre à ce que les heuristiques communes que nous utilisons correspondent à des formalismes tels que les statistiques bayésiennes et la théorie des probabilités? C'est comme essayer de manger de la soupe avec une fourchette et ensuite blâmer la fourchette pour être mal conçu.
Envisager la recherche par Lichtenstein et al. (1978) montrant que les participants, généralement des étudiants, avaient des croyances inexactes sur la fréquence des différentes causes de décès. Les participants ont surestimé des causes sensationnelles comme les tornades, les inondations, les homicides et les accidents – causes susceptibles d'être couvertes par les médias – et sous-estimé les tueurs silencieux qui ont été peu médiatisés comme l'asthme, la tuberculose, les accidents vasculaires cérébraux et le diabète. Donc, oui, les participants étaient inexacts mais comment étaient-ils censés connaître les données réelles? Étaient-ils censés avoir examiné les archives et consigné leurs découvertes? Qu'est-ce que cela signifie d'accuser les participants de partialité pour s'aligner sur les reportages des médias? Je suis d'accord avec Lichtenstein et al. que des croyances inexactes affecteront la politique publique, ce qui se traduira par une allocation inefficace des fonds pour des causes de basse fréquence mais dramatiques. Mon problème est que je ne vois pas ce que nous gagnons en qualifiant les participants de partiaux parce qu'ils ont utilisé une stratégie de jugement raisonnable, quoique limitée.
Aujourd'hui, nous voyons une affirmation populaire selon laquelle les gens sont irrationnels. Même les experts sont souvent calomniés de cette façon, une partie de ce que j'ai appelé une guerre contre les experts.
L'affirmation selon laquelle les humains sont intrinsèquement irrationnels n'a pas beaucoup de sens. L'argument est basé sur une norme inappropriée. Certes, nous devrions utiliser des méthodes analytiques et statistiques plus puissantes, le cas échéant (bien que l'application de ces méthodes ne soit pas toujours aussi simple que leurs adhérents le suggèrent). Et nous ne devrions pas automatiquement faire confiance aux jugements issus de l'intuition et de l'heuristique. Pourtant, la prise de décision et la construction de sens ne se limitent pas à l'évaluation des risques.
Heureusement, je pense qu'il existe une meilleure référence pour l'évaluation des heuristiques: la pensée spéculative. Les gens n'ont souvent pas le luxe de porter des jugements et des décisions soutenus par des données claires et abondantes. Nous devons généralement nous étirer, en construisant des arguments à partir de fragments. Nous devons spéculer plutôt qu'analyser. Ben Shneiderman qualifie ce type de raisonnement de «pensée de frontière»: traiter des informations incomplètes, incorrectes et contradictoires pour prendre des décisions.
Et c'est là qu'interviennent les heuristiques de Kahneman et Tversky. Ce sont des outils cognitifs que nous utilisons pour spéculer. Nous faisons des sauts spéculatifs basés sur de petits échantillons. Nous comptons sur la disponibilité des précédents dans nos mémoires. Nous utilisons des estimations de la représentativité. Nous trouvons une ancre et travaillons à partir de là. C'est ce que j'appelle l'heuristique positive. Ce sont des heuristiques dont nous dépendons pour naviguer dans un monde ambigu. Des heuristiques qui ne vont pas nous donner des réponses parfaites, mais qui peuvent fonctionner dans des sphères où nous ne pouvons pas avoir la perfection.
Ce ne sont pas des préjugés qui nous rendent irrationnels. Les heuristiques positives sont des forces qui nous rendent adaptables et réussies.
Nous pouvons ajouter à ce petit ensemble d'heuristiques positives, en utilisant des heuristiques supplémentaires que d'autres chercheurs de jugement ont découvert. La corrélation illusoire fait référence à notre propension à voir des relations qui ne sont pas là, mais le côté positif de cette heuristique est que nous sommes rapides pour repérer les connexions et voir les modèles sans attendre que des quantités complètes de données soient collectées. L'heuristique de simulation que Kahneman décrit plus tard est un moyen précieux de faire des diagnostics et d'imaginer des conséquences; C'est une partie centrale du modèle de décision à reconnaissance de reconnaissance (RPD) que j'ai étudié. L'heuristique Affect nous permet de tirer parti des réactions émotionnelles afin de porter un jugement rapide sur les risques et les avantages.
Danny Kahneman semble ambivalent quant à l'idée d'une heuristique positive. Il m'a expliqué que son travail avec Tversky traitait les heuristiques comme des raccourcis mentaux, et se concentrait sur leurs responsabilités. En outre, Kahneman et Tversky ont considéré les heuristiques comme des réactions subconscientes involontaires, et non comme des outils que nous appliquons délibérément. Il est vrai que des chercheurs antérieurs tels que Herbert Simon et George Polya avaient considéré les heuristiques comme des outils délibérés, mais Kahneman et Tversky ont choisi de ne pas suivre cet usage. Ma réaction est que je ne m'inquiète pas si des heuristiques positives sont utilisées inconsciemment ou délibérément – ce qui compte, c'est comment elles nous aident à avancer malgré la confusion.
Imaginez ce qui se serait passé si les chercheurs s'étaient basés sur les premières découvertes de Kahneman et de Tversky en prenant cette trajectoire différente – en étudiant des heuristiques positives pour nous permettre de faire des réflexions spéculatives. Les chercheurs pourraient considérer les heuristiques comme une source de force plutôt que comme une source de biais et d'erreur, et pourraient évaluer les heuristiques à quel point elles nous permettent de spéculer plutôt que de voir à quel point leur utilisation est conforme aux analyses statistiques.
