Zanedbání základní míry🔗

Pole	Hodnota
Identifikátor	AF-05.01
Katalog	Argumentační fauly
Rodina	Statistické a pravděpodobnostní klamy
Druh	neformální klam
Anglicky	Base-rate neglect
Jiné názvy	klam základní míry, přehlížení apriorní pravděpodobnosti
Užití	chyba i taktika
Riziko zneužití	vysoké
Stav textu	text čeká na odbornou recenzi

Definice🔗

Zanedbání základní míry je chyba pravděpodobnostního úsudku, při níž člověk hodnotí, jak pravděpodobná je určitá hypotéza, jen podle toho, jak dobře k ní sedí konkrétní důkaz, a přehlíží, jak častá je hypotéza sama. Základní míra je podíl případů, v nichž jev nastává v dané populaci ještě předtím, než se cokoli zjistí o jednotlivci: kolik lidí trpí určitou nemocí, kolik transakcí je podvodných, kolik zaměstnanců patří do určitého oddělení. Tversky a Kahneman popsali tento jev jako necitlivost k apriorní pravděpodobnosti výsledků a ukázali, že jakmile mají lidé k dispozici popis jednotlivce, opírají úsudek o jeho podobnost se stereotypem a údaj o četnostech téměř nepoužijí (Tversky a Kahneman 1974). Klam je tím závažnější, čím vzácnější je hledaný jev: u vzácné nemoci, vzácného trestného činu nebo vzácného rizika může i velmi přesný test vést k závěru, který je častěji mylný než správný.

V argumentaci se klam objevuje dvojím způsobem. Jako chyba vzniká spontánně, protože názorný důkaz je živější než abstraktní podíl (Kahneman 2011). Jako taktika se objevuje tam, kde mluvčí předkládá přesnost testu, svědectví nebo profilu a mlčí o tom, jak často se hledaný jev vůbec vyskytuje, protože by tato informace jeho závěr oslabila.

Původ a souvislosti🔗

Normativní měřítko, proti němuž se klam posuzuje, je Bayesova věta: pravděpodobnost hypotézy po zjištění důkazu závisí na její pravděpodobnosti předem a na tom, o kolik je důkaz pravděpodobnější, když hypotéza platí, než když neplatí. Psychologický výzkum v sedmdesátých letech ukázal, že intuitivní úsudek tuto strukturu soustavně nerespektuje. V jednom z pokusů, které Tversky a Kahneman shrnuli, dostávali účastníci krátké popisy osob náhodně vybraných ze skupiny inženýrů a právníků se známým poměrem obou profesí. Odhad, zda jde o inženýra, se řídil hlavně tím, jak popis odpovídal představě inženýra, a poměr ve skupině ho skoro neovlivnil. Když popis chyběl, lidé poměr použili správně; když byl popis bezcenný, poměr přesto přestali brát v úvahu (Tversky a Kahneman 1974). Autoři jev vysvětlili heuristikou reprezentativnosti, kterou kniha podrobněji rozebírá u heuristik úsudku za nejistoty.

Kahneman později shrnul poučení z této linie výzkumu do dvou zásad: ukotvit odhad pravděpodobnosti na věrohodné základní míře a zpochybňovat diagnostickou hodnotu důkazu, protože živý popis působí přesvědčivěji, než jak mnoho skutečně vypovídá (Kahneman 2011). Gigerenzer přenesl otázku do medicíny a práva a upozornil, že potíž často nevzniká v hlavě posluchače, ale ve způsobu, jak jsou čísla podána. Údaje ve formě podmíněných procent mátli lékaře i laiky, kdežto stejné údaje převedené na přirozené četnosti vedly k podstatně lepšímu úsudku (Gigerenzer 2002).

Struktura argumentu🔗

Klamavý argument má typicky tuto stavbu. První premisa uvádí, že důkaz D se u nositelů vlastnosti H vyskytuje velmi často: test je citlivý, popis sedí, profil odpovídá. Druhá premisa konstatuje, že u zkoumaného jednotlivce byl D zjištěn. Závěr tvrdí, že jednotlivec má H s vysokou pravděpodobností. Chybí v něm dvě veličiny: jak často se D vyskytuje u těch, kdo H nemají, a jak častá je H v populaci, z níž jednotlivec pochází. Bez nich závěr nevyplývá. Pokud je H vzácná, pak i malý podíl falešně pozitivních nálezů mezi velkým počtem lidí bez H může převážit nad skutečně pozitivními nálezy mezi malým počtem lidí s H (Gigerenzer 2002).

Představme si pro ilustraci, že porucha postihuje jednoho člověka z tisíce, test ji zachytí téměř vždy a u zdravých se mýlí jen v malém zlomku případů. Mezi tisícem vyšetřených je jeden nemocný s pozitivním výsledkem a k němu několik zdravých s výsledkem falešně pozitivním. Pozitivní výsledek tedy zvyšuje pravděpodobnost poruchy mnohonásobně, ale ta i tak zůstává menšinová. Gigerenzer ukazuje, že právě takové převedení na počty lidí odstraňuje většinu zmatku, protože základní míra je v něm obsažena přímo (Gigerenzer 2002). Logicky jde o příbuzný jev ke klamu žalobce, který zaměňuje pravděpodobnost důkazu za předpokladu neviny s pravděpodobností neviny za předpokladu důkazu; obě chyby mají společný kořen v přehlédnutí apriorní pravděpodobnosti (Thompson a Schumann 1987).

Detekční znaky🔗

Prvním znakem je, že argument uvádí přesnost, citlivost nebo shodu, ale žádný údaj o tom, jak častý je hledaný jev v populaci, z níž případ pochází. Druhým znakem je přechod od popisu k jistotě: „sedí to na něj“, „test byl pozitivní“, „profil odpovídá“ se mění v „takže to je on“ nebo „takže to máte“. Třetím znakem je živý, konkrétní popis jednotlivce stojící proti suchému statistickému údaji, který se v rozhovoru odsune jako nepodstatný nebo „jen obecný“. Kahneman upozorňuje, že názorná informace o jednotlivém případu vytlačuje ze soudu informaci o kategorii, i když je ta druhá pro správný odhad důležitější (Kahneman 2011). Čtvrtým znakem je plošné testování: kde se vyšetřuje celá populace nebo velká skupina bez předchozího podezření, je základní míra nízká a riziko klamu nejvyšší. Ve forenzním a zpravodajském prostředí se klam projevuje i tak, že se k profilu hledá osoba v rozsáhlé databázi a shoda se pak podává, jako by šlo o osobu, která byla podezřelá z jiných důvodů.

Odlišení od platné argumentace🔗

Ne každý úsudek, který se opírá o konkrétní důkaz, zanedbává základní míru. Úvaha je platná, pokud apriorní pravděpodobnost výslovně nebo implicitně zahrnuje, například když lékař interpretuje výsledek testu u pacienta s typickými příznaky, u něhož je pravděpodobnost nemoci předem vysoká, nebo když vyšetřovatel posuzuje shodu u osoby, kterou s činem spojují i jiné, nezávislé stopy. Platný je také úsudek, v němž je důkaz tak silný, že by převážil i velmi nízkou základní míru; i tehdy však musí být síla důkazu doložena, ne jen tvrzena. Hahn a Oaksford ukazují, že bayesovský rámec umožňuje rozlišit silné a slabé případy téže argumentační formy podle apriorní pravděpodobnosti a diagnostické síly důkazu, takže označení „zanedbání základní míry“ nepatří na každý úsudek z jednotlivého případu (Hahn a Oaksford 2007). Spornou situací je, kdy se má použít která základní míra: populace celé země, populace pacientů dané ambulance nebo populace lidí s určitým příznakem. Volba referenční třídy je věcná otázka a rozumní lidé se v ní mohou lišit; klamem se stává teprve tehdy, když se základní míra nebere v úvahu vůbec.

Stav poznání🔗

Zanedbání základní míry patří k nejlépe doloženým jevům výzkumu úsudku za nejistoty (Tversky a Kahneman 1974; Kahneman 2011). Výzkum zároveň ukázal, že míra chyby silně závisí na podání úlohy. Když jsou údaje formulovány jako přirozené četnosti, lidé je používají výrazně lépe, a to včetně lékařů (Gigerenzer 2002). Kahneman navíc upozorňuje, že základní míra, která má v příběhu příčinnou roli, se do úsudku dostává snáz než údaj čistě statistický (Kahneman 2011). Stanovich a West ukázali, že u úloh z výzkumu heuristik se lidé soustavně liší a že normativní odpovědi souvisejí s kognitivními schopnostmi a se sklonem k rozvažujícímu myšlení; spor o to, nakolik je odchylka od normy chybou a nakolik jiným porozuměním úloze, tím podle nich nelze jednoduše uzavřít (Stanovich a West 2000). Z tohoto stavu poznání plyne pro praxi dvojí závěr. Klam je reálný a má vážné důsledky v medicíně a soudnictví. Zároveň je do značné míry odstranitelný, pokud se čísla podávají srozumitelně a pokud se otázka po základní míře stane rutinní součástí posuzování.

Obrana a odpověď🔗

Nejúčinnější odpovědí je doplnit chybějící veličinu. Kdo slyší, že test, svědectví nebo profil „sedí“, může se zeptat, jak častý je hledaný jev ve skupině, z níž případ pochází, a jak často by stejný důkaz vznikl u někoho, kdo jev nemá. Druhou odpovědí je převést procenta na počty lidí: kolik z tisíce vyšetřených by mělo pozitivní výsledek a kolik z nich by skutečně bylo nemocných. Tento převod nevyžaduje vzorce a podle Gigerenzera dělá bayesovský úsudek přístupným i lidem bez statistického vzdělání (Gigerenzer 2002). Třetí odpovědí je odlišit, zda byl jednotlivec vybrán kvůli důkazu, nebo kvůli jiným důvodům: kdo byl nalezen hledáním v databázi, má jinou apriorní pravděpodobnost než ten, na koho ukázaly nezávislé stopy.

V institucích je obranou standardizace. Klinická pracoviště, laboratoře a znalecké ústavy mohou uvádět u výsledků prediktivní hodnotu pro danou populaci, ne jen citlivost a specifičnost, a v soudním řízení lze trvat na tom, aby statistický údaj zazněl ve své podmíněné podobě. Kahneman doporučuje jako osobní návyk začínat úsudek od základní míry a teprve potom ji upravovat podle konkrétního důkazu, a to střídmě (Kahneman 2011). Pro čtenáře kompendia je důležité i to, že klam bývá součástí širších vzorců, v nichž se člověku nebo skupině připisuje nebezpečnost na základě jediného „sedícího“ znaku. Otázka po základní míře je proto i ochranou proti stigmatizaci, protože vrací do úsudku všechny ty, na které znak sedí také, a přitom hledanou vlastnost nemají.

Literatura🔗

• Gigerenzer, G. (2002). Calculated Risks: How to Know When Numbers Deceive You. New York: Simon & Schuster.
• Hahn, U., & Oaksford, M. (2007). The rationality of informal argumentation: A Bayesian approach to reasoning fallacies. Psychological Review, 114(3), 704–732.
• Kahneman, D. (2011). Thinking, Fast and Slow. New York: Farrar, Straus and Giroux.
• Stanovich, K. E., & West, R. F. (2000). Individual differences in reasoning: Implications for the rationality debate? Behavioral and Brain Sciences, 23(5), 645–665.
• Thompson, W. C., & Schumann, E. L. (1987). Interpretation of statistical evidence in criminal trials: The prosecutor's fallacy and the defense attorney's fallacy. Law and Human Behavior, 11(3), 167–187.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.

Související🔗

Rodina a hierarchie

• Statistické a pravděpodobnostní klamy – rodina, do níž heslo patří, s přehledem všech jejích hesel

Příbuzná hesla

• Potvrzení důsledku – příbuzné heslo (Formální klamy, Affirming the consequent)
• Nedovolená konverze – příbuzné heslo (Formální klamy, Illicit conversion)
• Klam konjunkce – příbuzné heslo (Statistické a pravděpodobnostní klamy, Conjunction fallacy)
• Klam žalobce – příbuzné heslo (Statistické a pravděpodobnostní klamy, Prosecutor's fallacy)
• Klam obhájce – příbuzné heslo (Statistické a pravděpodobnostní klamy, Defence attorney's fallacy)
• Zavádějící živost – příbuzné heslo (Statistické a pravděpodobnostní klamy, Misleading vividness)
• Záměna relativního a absolutního rizika – příbuzné heslo (Statistické a pravděpodobnostní klamy, Relative versus absolute risk)
• Odvolání na anekdotu – příbuzné heslo (Klamy hodnot, přírody a vědy, Anecdotal fallacy)
• Bayesovské pojetí klamů – příbuzné heslo (Principy kritické diskuse a teorie argumentace, Bayesian account of fallacies)

V kompendiu

• EA-7.3.2 Tversky a Kahneman: Heuristiky – stránka knihy, na které se toto heslo projevuje nebo s ní souvisí
• 6.1 Diagnostické indikátory a markery EA – stránka knihy, na které se toto heslo projevuje nebo s ní souvisí
• 7.5 Kognitivní vědy a EA — duální systém, predikční zpracování, embodied cognition – stránka knihy, na které se toto heslo projevuje nebo s ní souvisí

V katalogu

• Klam konjunkce – další heslo rodiny