Rzadkie zdarzenie działa inaczej, gdy o nim czytasz i gdy go doświadczasz
Ta sama struktura ryzyka może prowadzić do innych wyborów zależnie od tego, czy prawdopodobieństwa są podane wprost, czy trzeba nauczyć się ich z doświadczenia. Metaanaliza obejmująca ponad 70 000 wyborów wykazała trwałą „description–experience gap”. Gdy ludzie swobodnie próbkują wyniki, często zbierają niewiele obserwacji, więc rzadkie zdarzenie może w próbce nie pojawić się wcale. W decyzjach z opisu rzadkie wyniki często są relatywnie silnie ważone; w decyzjach z doświadczenia mogą mieć za mały wpływ. To niezwykły przykład sytuacji, w której nie tylko ryzyko, lecz także sposób zdobycia wiedzy o nim zmienia decyzję.
Dwa sposoby poznawania tego samego ryzyka
Możesz przeczytać, że działanie ma 1% szansy negatywnego skutku. Możesz też niczego nie dostać na piśmie i przez serię prób obserwować, co się dzieje. W idealnym świecie, po nieskończenie wielu doświadczeniach, oba sposoby mogłyby dostarczyć podobnej wiedzy. W realnym świecie prób jest mało, pamięć jest ograniczona, a ostatnie zdarzenia mogą być szczególnie dostępne. Dlatego wybory oparte na opisie i wybory oparte na doświadczeniu systematycznie się różnią.
Największy problem to mała próbka
Metaanaliza Wulffa, Mergenthaler-Canseco i Hertwiga objęła ponad 70 000 decyzji dokonanych przez ponad 6000 uczestników w paradygmacie samplingowym. Największym czynnikiem wyjaśniającym różnicę między opisem a doświadczeniem było poleganie na małych próbkach. Jeśli rzadki wynik występuje raz na sto prób, a uczestnik sprawdzi opcję kilkanaście razy, bardzo łatwo może go nie zobaczyć. Nie jest to wtedy „ignorowanie znanego 1%” — w jego prywatnym doświadczeniu zdarzenie miało empirycznie częstość zero.
To nie tylko błąd próbkowania
Co ciekawe, luka description–experience nie znikała całkowicie nawet wtedy, gdy ograniczano problem niedostatecznego próbkowania. Metaanaliza wskazywała również na znaczenie świeżości doświadczeń i odmiennego ważenia informacji probabilistycznej. Efekt zależał też od struktury problemu. To ważne, bo prosty slogan „doświadczenie powoduje niedoważanie rzadkich zdarzeń” byłby zbyt mocny.
Dlaczego instrukcja i praktyka uczą czegoś innego
Zjawisko ma znaczenie wszędzie tam, gdzie ryzyko bywa opisywane statystycznie, ale ludzie jednocześnie uczą się na własnych przypadkach: skutki uboczne, awarie techniczne, cyberbezpieczeństwo czy decyzje inwestycyjne. Kilka spokojnych lat osobistego doświadczenia może nadawać zagrożeniu małą wagę. Najważniejsza lekcja: „wiem, jakie jest ryzyko” może oznaczać przeczytanie liczby albo zbudowanie intuicji z ograniczonej historii zdarzeń.
Dlaczego mała próbka jest zdradliwa matematycznie
Jeśli zdarzenie ma prawdopodobieństwo 1%, szansa, że nie pojawi się ani razu w 20 niezależnych próbach, wynosi około 82%. Oznacza to, że osoba, która „sprawdziła na własnej skórze” sytuację dwadzieścia razy, bardzo często nie zobaczy ani jednego rzadkiego wyniku. Jej doświadczenie jest prawdziwe, ale reprezentuje tylko małą próbkę. To sprawia, że osobista historia może systematycznie niedostarczać informacji o rzadkich zdarzeniach, nawet bez żadnego błędu pamięci czy rozumowania.
Doświadczenie nie jest gorszym źródłem — jest innym źródłem
Uczenie się z doświadczenia ma zalety: ujawnia cechy sytuacji, których opis mógł pominąć, i pozwala aktualizować przekonania w realnym środowisku. Problem pojawia się, gdy wydarzenia są bardzo rzadkie lub środowisko zmienia się szybciej, niż zbieramy próbki. Wtedy statystyka z dużych zbiorów danych może zawierać informacje niewidoczne dla pojedynczej osoby. Najrozsądniejsza strategia często łączy oba źródła: używa formalnych danych do kalibracji rzadkich zdarzeń, a doświadczenia do wychwytywania lokalnych warunków i zmian.
Dlaczego duże zbiory danych mogą korygować intuicję
Pojedynczy człowiek nigdy nie doświadczy tysięcy niezależnych powtórzeń wielu ważnych zdarzeń. Statystyka populacyjna agreguje doświadczenia, których nikt sam nie mógłby zebrać. To szczególnie cenne przy rzadkich awariach, komplikacjach i ekstremalnych wynikach. Jednocześnie dane zbiorcze mogą nie pasować idealnie do lokalnej sytuacji. Najlepsze decyzje często wymagają więc połączenia szerokiej częstości bazowej z informacją o własnym przypadku, zamiast wybierania między „liczbami” a „doświadczeniem” jako konkurencyjnymi źródłami. Description–experience gap jest też przestrogą przed automatycznym przenoszeniem wyników między laboratorium a życiem. Wiele klasycznych eksperymentów podaje dokładne prawdopodobieństwa, podczas gdy w codzienności często trzeba je samemu oszacować. Z drugiej strony laboratorium pozwala kontrolować, co uczestnik naprawdę wie. Oba typy badań są potrzebne: pierwszy izoluje mechanizm decyzji przy znanych szansach, drugi pokazuje, co dzieje się, gdy częścią problemu jest samo uczenie się rozkładu. Różnica między nimi jest informacją, a nie wadą jednej z metod.