Nesta quarta parte vamos conhecer um viés cognitivo que é talvez por excelência aquele que mais nos estimula a errar. Observamos um exemplo e de imediato julgamos já saber tudo, precipitando-nos logo em conclusões erradas.
“O meu vizinho foi assaltado… A criminalidade anda a aumentar!” Será que um só acontecimento é representativo?!
Negligência de extensão
Este viés cognitivo consiste em desprezar o tamanho das amostras ou evidências que deveríamos considerar para tirar uma dada conclusão. Observamos um ou dois exemplos e temos logo a tendência de assumir que é algo genérico. Por um lado, analisar milhares de factos é difícil e moroso, por outro lado também temos dificuldade em compreender o significado de probabilidades ou de números enormes. Assim, focamo-nos em exemplos específicos e negligenciamos a extensão dos factos.
As consequências deste viés são enormes e estão na base de muitos outros vieses.
Exemplos? Creio que as famosas TED talks to Hans Rosling oferecem alguns:
Vemos uma ou duas notícias sobre acidentes nas estradas e imaginamos que conduzir nunca foi tão perigoso. Vemos uma notícia sobre um país em África que tem neste momento dificuldade em alimentar a sua população e imaginamos que todos os países em África têm gente a morrer à fome. Um amigo conta-nos que o vizinho foi assaltado e pensamos que temos que ter cuidado. Etc etc.
Antes de generalizar deveríamos considerar a questão: serão os exemplos representativos? Para o sabermos não há como evitar a Estatística e a Probabilidade.
Como é claro, este viés pode condicionar muitas das nossas escolhas. Por exemplo, quando queremos ser altruístas, temos tendência a focar-nos em problemas específicos que provavelmente afectam pessoas que conhecemos ou com quem já tivemos contacto.
A consequência é que o nosso altruísmo pode ser assim muito ineficiente. Aproveito para partilhar uma outra TED talk, desta vez do filósofo Peter Singer, sobre altruísmo efectivo:
Um dos exemplos dados por Peter Singer é que o custo de oferecer um cão-guia para cegos nos Estados Unidos é semelhante ao custo de curar entre 400 a 2000 pessoas com certos tipos de cegueira em países em desenvolvimento. Este exemplo ilustra a necessidade de pensar e pesquisar antes de ajudar, para que a nossa ajuda possa ser o mais eficaz possível. O mesmo se aplica a muitas outras decisões.
Este viés também está relacionado com a nossa incapacidade de compreender certos conceitos estatísticos de forma nata. (E mesmo depois de os aprendermos, temos tendência a esquecê-los em situações práticas.) Por exemplo, não compreendemos a relação entre a variabilidade e o número de amostras: quanto mais amostras temos, menor é a variabilidade esperada. Qual o peso médio de 10 pessoas? E de 100 pessoas? E de 1000? À medida que aumentamos o número de pessoas, a média tende para um valor mais “estável”. Isto é, o peso médio de 1000 pessoas é à partida mais parecido ao peso médio de 10.000, do que ao peso médio de 10 pessoas. Por outras palavras, o peso médio de um maior número de pessoas é à partida mais representativo de uma média geral de todas as pessoas. Por outro lado, quando avaliamos a variabilidade de pesos num dado grupo, isto é, os desvios em relação à média desse grupo, é mais fácil encontrar uma elevada variabilidade num grupo pequeno não só porque a média não é representativa, mas também porque cada amostra individual tem um maior peso na variabilidade total do grupo.
Façamos um teste: assumindo que os grupos de 10, 100 e 1000 pessoas foram escolhidos de forma aleatória, qual deles tem uma maior probabilidade de ter mais de 60% de mulheres no grupo? No grupo mais pequeno? No maior? É igual em todos? Como o grupo de 10 tem uma maior variabilidade, há uma maior probabilidade de ter mais de 60% de mulheres nesse grupo em relação aos outros grupos. Este resultado torna-se mais óbvio se exagerarmos os números da questão: tendo um grupo de duas pessoas e outro de um milhão (escolhidas de forma aleatória), em qual dos dois é mais fácil encontrar 100% de mulheres (isto é, nenhum homem)?
Na verdade, a nossa compreensão de probabilidade é tão fraca que temos tendência ou a negligenciar por completo probabilidades reduzidas, ou então a exagerá-las de forma injustificada. O que nos faz tender para um extremo ou para o outro? Os exemplos potencialmente não representativos que conhecemos.
Um outro viés cognitivo associado a estes é o viés do risco nulo. Na vida temos que ponderar muitos riscos. Que riscos podemos desprezar? Que riscos devemos procurar minimizar? Quando nos é dada a opção de reduzir um risco de 1% para 0%, ou de reduzir um outro de 10% para 5%, temos uma maior tendência a escolher reduzir o primeiro, ainda que a redução do segundo fizesse uma diferença maior. Trata-se mais uma vez de uma simplificação inconsciente que fazemos: num caso reduzir a zero significa eliminar o risco, enquanto que no outro caso é apenas uma redução relativa. Eliminar um risco parece melhor que reduzir um outro, mas não tem que o ser. De facto, este viés pode conduzir a decisões muito idiotas, pois muitas vezes a redução de um risco a zero é muito difícil, enquanto que uma redução significativa de um outro risco pode ser muito mais fácil e relevante. Este viés pode não só afectar-nos a nível individual, como até a nível social, em decisões políticas. Um político poderá receber maior apoio público se defender a eliminação de um dado problema, ao invés de procurar mitigar de forma mais significativa outros problemas usando os mesmos recursos.
Na próxima parte iremos conhecer os vieses relacionados com a nossa interpretação do que é a “verdade”.
“Permanecer ignorante será um direito?”
“Não sei, mas recuso-me a descobrir!”
Últimos comentários