14 - La spécialité de Tom W

14

 

La spécialité de Tom W

 

Considérez cette énigme simple :

 

Tom W prépare son diplôme dans une université près de chez

vous. Veuillez classer les neuf domaines de spécialisation

suivants en fonction de la probabilité que Tom W les étudie.

Notez 1 pour le plus probable et 9 pour le moins probable.

Gestion

Informatique

Ingénierie

Lettres et enseignement

Droit

Médecine

Bibliothéconomie

Sciences de la vie et de la terre

Sciences sociales et assistance sociale

 

C'est une question facile, et vous avez immédiatement compris

que l'importance relative des inscriptions dans les différents

domaines était la clé. Pour ce que vous en savez, Tom W a été choisi

au hasard parmi les étudiants de l'université, comme une bille

prélevée dans un vase. Pour décider si une bille a plus de chances d'être rouge ou verte, vous devez savoir combien de billes de chaque

couleur il y a dans le vase. La proportion de billes d'un type

particulier est appelée le taux de base. De même, le taux de base des

lettres et de l'enseignement dans ce problème est la proportion

d'étudiants de ce secteur parmi l'ensemble de tous les étudiants. En

l'absence d'informations plus précises sur Tom W, vous vous

appuierez sur le taux de base et estimerez qu'il a plus de chances de

s'être inscrit en lettres qu'en informatique ou en bibliothéconomie,

parce que l'on trouve en général plus d'étudiants en lettres que dans

les deux autres domaines. Le recours aux informations du taux de

base est une décision évidente quand on ne dispose pas d'autres

données.

Vient ensuite une tâche qui n'a rien à voir avec les taux de base.

 

Ce qui suit est une description de la personnalité de Tom W

rédigée par un psychologue alors que Tom W était en dernière

année de lycée, sur la base de tests psychologiques d'une

validité douteuse :

Tom W est très intelligent, bien que manquant de véritable

créativité. Il a besoin d'ordre et de clarté, de systèmes

soigneusement ordonnés où chaque détail trouve la place qui lui

revient. Son style est plutôt monotone et mécanique, parfois

illuminé par un humour un peu éculé et des envolées

imaginatives proches de la science-fiction. Il tient fortement à

faire la preuve de ses compétences. Il semble éprouver peu de

compassion et de sympathie pour les autres, et n'aime pas

interagir avec eux. Centré sur lui-même, il n'en a pas moins un

profond sens moral.

Prenez maintenant une feuille de papier et classez les neuf

domaines de spécialisation ci-dessous en fonction de la

correspondance entre la description de Tom W et l'image de

l'étudiant typique de chacun de ces domaines. Notez 1 pour le

probable et 9 pour le moins probable.

Vous apprécierez mieux ce chapitre si vous vous prêtez

rapidement à ce test ; il est nécessaire de lire le rapport sur Tom W

pour juger des diverses spécialités universitaires.

Cette question est trop simple. Elle vous demande de retrouver,

ou peut-être de développer des stéréotypes des étudiants des

différents domaines. Quand cette expérience a été réalisée pour la

première fois, au début des années 1970, le classement moyen était

le suivant. Le vôtre n'est sans doute pas très différent :

 

1. Informatique

2. Ingénierie

3. Gestion

4. Sciences de la vie et de la terre

5. Bibliothéconomie

6. Droit

7. Médecine

8. Lettres et enseignement

9. Sciences sociales et assistance sociale

 

Vous avez probablement classé l'informatique parmi les choix les

plus adaptés du fait des allusions au côté « geek » de Tom W (son

« humour éculé »). En fait, la description de Tom W a été écrite pour

correspondre à ce stéréotype. Autre spécialité mise en avant par la

plupart des gens, l'ingénierie (« les systèmes soigneusement

ordonnés »). Vous vous êtes sûrement dit que Tom W ne collait pas

avec l'idée que vous vous faites des sciences sociales et de

l'assistance sociale (« peu de compassion et de sympathie pour les

autres »). Apparemment, les stéréotypes professionnels n'ont pas

beaucoup évolué durant les quarante années qui se sont écoulées

depuis que j'ai inventé la description de Tom W.

La tâche qui consiste à classer les neuf domaines de spécialisation

est complexe et requiert certainement la discipline et l'organisation

séquentielle dont seul le Système 2 est capable. Cependant, les

indices disséminés dans la description (les blagues nulles et d'autres) étaient destinés à activer une association avec un stéréotype, une

activité automatique du Système 1.

Pour mener à bien cette tâche de reconnaissance d'une

ressemblance, il est nécessaire de comparer la description de Tom W

aux stéréotypes des divers domaines de spécialisation. Dans ce cas

précis, l'exactitude de la description – qu'il s'agisse ou non d'un

véritable portrait de Tom W – importe peu. Pas plus que votre

connaissance des taux de base des divers domaines. La

ressemblance entre un individu et les stéréotypes d'un groupe n'est

pas affectée par la taille du groupe. En fait, vous pourriez comparer

la description de Tom à une image d'étudiant en bibliothéconomie,

même si l'université ne disposait pas de ce département.

Si vous examinez de nouveau Tom W, vous verrez qu'il

correspond bien aux stéréotypes de certains petits groupes

d'étudiants (les informaticiens, les bibliothécaires, les ingénieurs),

mais beaucoup moins aux groupes plus importants (lettres, sciences

sociales). D'ailleurs, les participants ont presque toujours situé les

deux plus grands domaines en bas du classement. Tom W a été

sciemment conçu comme un personnage « anti-taux de base »,

adapté aux petites catégories plutôt qu'aux spécialités les plus

courues.

 

Représentativité et probabilité

 

La troisième tâche de la séquence a été imposée à des étudiants en

psychologie, et c'est l'étape critique : classer les neuf domaines de

spécialisation suivants en fonction de la probabilité que Tom W les

étudie. Les membres de ce groupe de prédiction connaissaient les

faits statistiques appropriés : ils étaient au courant des taux de base

des différents domaines, et savaient que la source de la description

de Tom W n'était pas très fiable. Toutefois, nous nous attendions à

ce qu'ils se concentrent exclusivement sur la ressemblance entre la

description et les stéréotypes – ce que nous appelons la

représentativité – et qu'ils ignorent tant les taux de base que les

doutes quant à la véracité de la description. Ils classeraient alors la

spécialité la moins fréquentée, l'informatique, comme étant extrêmement probable, puisque ce résultat est celui qui obtient le

score de représentativité le plus élevé.

Amos et moi travaillions dur durant l'année que nous avons

passée à Eugene, et il m'arrivait de rester toute la nuit au bureau.

J'occupai une de ces nuits à deviser de la formulation d'un problème

qui opposerait la représentativité aux taux de base. Tom W fut le

produit de mes efforts, et c'est au petit matin que j'en ai peaufiné les

détails. La première personne qui se présenta au travail ce matin-là

était notre collègue et ami Robyn Dawes, un statisticien de haut

niveau qui doutait de la validité du jugement intuitif. Si quelqu'un

était à même de déceler l'importance du taux de base, c'était Robyn.

Je l'appelai, lui donnai la question que je venais de dactylographier

et lui demandai de deviner la profession de Tom W. Je revois encore

son sourire rusé quand il répond, hésitant : « Informaticien ? »

C'était un moment formidable – même les meilleurs succombaient.

Bien sûr, dès que j'eus mentionné le « taux de base », Robyn comprit

son erreur, mais il n'y avait pas pensé spontanément. Bien qu'en

sachant plus que quiconque sur le rôle des taux de base dans les

prédictions, il les avait négligés quand je lui avais soumis la

description de la personnalité d'un individu. Comme prévu, il avait

substitué un jugement de représentativité à la probabilité qu'il était

censé évaluer.

Amos et moi recueillîmes ensuite les réponses à la même question

de 114 étudiants en psychologie répartis sur trois grandes

universités, tous ayant suivi des cours de statistiques. Ils ne nous

déçurent pas. Leur classement des neuf domaines par probabilité ne

différait pas des classements par ressemblance aux stéréotypes. Dans

leur cas, la substitution était parfaite : rien ne montrait que les

participants avaient fait autre chose que juger la représentativité. La

question sur la probabilité était difficile, alors que celle portant sur

la ressemblance était plus facile, et c'était à cette dernière qu'ils

avaient répondu. C'est une grave erreur, parce que les jugements de

similarité et de probabilité ne sont pas limités par les mêmes règles

logiques. Pour des jugements de similarité, il est tout à fait

acceptable de ne pas être affecté par les taux de base, ainsi que par la

possibilité que la description soit inexacte, mais quiconque ignore les taux de base et la qualité des indices dans des évaluations de

probabilité commettra certainement des erreurs.

« La probabilité que Tom W étudie l'informatique » n'est pas un

concept simple. Les logiciens et les statisticiens ne sont pas d'accord

sur son sens, et certains diront même qu'il n'en a aucun. Pour de

nombreux spécialistes, il représente un certain degré subjectif de

conviction. Il y a certains événements dont vous êtes sûr, par

exemple, que le soleil s'est levé ce matin, et d'autres que vous

considérez comme impossibles, comme que l'océan Pacifique gèle

en une nuit. Mais il y en a beaucoup, comme le fait que votre voisin

soit informaticien, auxquels vous attribuez un degré intermédiaire de

conviction – qui représente à vos yeux la probabilité de cet

événement.

Les logiciens et les statisticiens ont développé des définitions

concurrentes de la probabilité, toutes étant très précises. Pour les

profanes, cependant, la probabilité (un synonyme de vraisemblance

dans le langage courant) est une notion vague, rattachée à

l'incertitude, la propension, la plausibilité et la surprise. Ce caractère

flou n'est pas particulier à ce concept, et n'est au demeurant pas très

gênant. Nous savons, plus ou moins, ce que nous voulons dire quand

nous utilisons un mot comme démocratie ou beauté, et les gens à

qui nous parlons comprennent, plus ou moins, ce que nous avions

l'intention de dire. Tout au long des années que j'ai passées à poser

des questions sur la probabilité des événements, personne n'a jamais

levé la main pour me demander : « Monsieur, qu'entendez-vous par

probabilité ? », ce que les gens auraient fait si je leur avais demandé

de réfléchir à un concept étrange comme la « globability ». Tous

agissaient comme s'ils savaient comment répondre à mes questions,

même si, nous en étions d'accord tacitement, nous aurions trouvé

injuste que je leur demande d'expliquer le sens du mot.

Les gens à qui l'on demande d'évaluer une probabilité ne sont pas

bloqués, parce qu'ils ne cherchent pas à juger la probabilité au sens

où l'entendent les statisticiens et les philosophes. Une question sur la

probabilité ou la vraisemblance déclenche une décharge de

chevrotine mentale et évoque des réponses à des questions plus

simples. Une des réponses faciles est une évaluation automatique de la représentativité – qui est banale dans la compréhension du

langage. Si je dis que « les parents d'Elvis Presley voulaient qu'il

devienne dentiste », c'est une affirmation (fausse) légèrement

amusante à cause de l'hiatus entre les images de Presley et celles

d'un dentiste, un hiatus détecté automatiquement. Le Système

engendre sans en avoir l'intention une impression de similarité.

L'heuristique de la représentativité intervient quand quelqu'un dit :

« Elle va remporter les élections ; on peut voir que c'est une

gagnante. » Ou : « Il n'ira pas loin en tant qu'universitaire ; trop de

tatouages. » Nous nous appuyons sur la représentativité quand nous

jugeons de la capacité à diriger d'un candidat en fonction de la forme

de son menton ou de la force de ses discours.

Bien qu'elle soit commune, la prédiction par la représentativité

n'est pas statistiquement idéale. Moneyball, le best-seller de Michael

Lewis, s'articule autour de l'inefficacité de ce mode de prédiction.

Les recruteurs du base-ball professionnel ont coutume de prédire le

succès de joueurs potentiels en se fondant en partie sur leur

morphologie et leur aspect. Le livre de Lewis a pour principal

protagoniste Billy Beane, l'entraîneur des A's d'Oakland, qui a pris

la décision, impopulaire, de passer outre ses recruteurs et de choisir

ses joueurs en fonction des statistiques de leurs performances

passées. Les joueurs choisis par les A's ne coûtaient pas cher, parce

que les autres équipes les avaient rejetés puisqu'ils n'avaient pas l'air

taillés pour la réussite. Très vite, l'équipe obtint d'excellents résultats

à un moindre coût.

 

Les vices de la représentativité

 

Le fait de juger la probabilité par la représentativité a ses vertus,

et elles sont importantes : les impressions intuitives que celle-ci

engendre son souvent – généralement, en fait – plus précises que ne

le seraient des conjectures aléatoires.

 

◆ La plupart du temps, les gens qui ont l'air aimable le sont vraiment.

◆ Un sportif professionnel grand et mince sera plus sûrement un basketteur qu'un rugbyman.

◆ Les titulaires de doctorats sont plus susceptibles de s'abonner au New York Times que ceux qui ne sont pas allés au-

delà du lycée.

◆ Les hommes jeunes sont plus susceptibles de conduire avec agressivité que les femmes âgées.

 

Dans tous ces cas comme dans bien d'autres, il y a une certaine

part de vérité dans les stéréotypes qui président aux jugements de

représentativité, et les prédictions qui suivent cette heuristique

peuvent se révéler exactes. Dans d'autres situations, les stéréotypes

sont faux et l'heuristique de la représentativité peut être source

d'erreur, surtout si elle pousse les gens à négliger des informations

sur les taux de base qui vont dans une autre direction. Cela dit,

même quand l'heuristique présente une certaine validité, ce serait

prêcher gravement contre la logique statistique que de s'appuyer

exclusivement sur elle.

Un des vices de la représentativité est la volonté excessive de

prédire l'occurrence d'événements improbables (dont le taux de base

est faible). En voici un exemple : vous voyez une personne lire le

New York Times dans le métro de New York. Laquelle des

propositions suivantes correspond le plus sûrement à cette inconnue

en train de lire ?

 

Elle a un doctorat.

Elle n'a pas de diplôme universitaire.

 

La représentativité vous conseillerait de parier sur le doctorat,

mais cela n'est pas forcément avisé. Vous devriez sérieusement

envisager la seconde solution, parce que l'on croise plus souvent des

non-diplômés que des titulaires de doctorats dans le métro new-

yorkais. Et s'il vous faut deviner si une femme décrite comme « une

amoureuse timide de la poésie » étudie la littérature chinoise ou la

gestion, vous devriez pencher pour la seconde option 146 . Même si

toutes les étudiantes en littérature chinoise étaient timides et

amoureuses de la poésie, il est presque sûr que l'on rencontre encore

plus d'amoureux timides de la poésie dans la population beaucoup

plus importante des étudiants en gestion.

Les gens qui n'ont pas de formation en statistiques sont tout à fait

capables d'avoir recours aux taux de base dans des prédictions, dans

certaines conditions. Dans la première version du problème de

Tom W, qui ne donne aucun détail à son sujet, il est évident pour

tous que la probabilité que Tom W étudie un domaine précis est

simplement la fréquence du taux de base des inscriptions dans le

domaine en question. Mais dès que la personnalité de Tom W est

décrite, on ne se soucie manifestement plus des taux de base.

À l'origine, Amos et moi pensions, en nous fondant sur les

premières preuves dont nous disposions, que l'information liée au

taux de base serait toujours négligée quand une information sur

l'exemple spécifique serait disponible. Mais nous allions trop vite en

besogne. Les psychologues ont mené de nombreuses expériences où

l'information sur les taux de base est explicite dans le cadre du

problème, et beaucoup de participants sont influencés par ces taux

de base, même si les informations concernant le cas individuel

bénéficient presque toujours d'une attention plus soutenue que de

simples statistiques 147 . Norbert Schwarz et ses collègues ont montré

qu'en demandant aux gens de « penser comme un statisticien », on

accroissait leur recours aux taux de base, tandis que l'instruction

« pensez comme un clinicien » avait l'effet inverse 148 .

Une expérience réalisée il y a quelques années sur des étudiants

de première année à Harvard a abouti à un résultat qui m'a surpris :

une activation renforcée du Système 2 entraînait une amélioration

significative de la précision des prédictions dans le problème de

Tom W. L'expérience associait ce vieux problème à une variation

moderne sur la fluidité cognitive. Il était demandé à la moitié des

étudiants de gonfler les joues pendant l'expérience, et aux autres de

froncer les sourcils 149 . Nous le savons, cette mimique accroît

généralement la vigilance du Système 2 et réduit à la fois la trop

grande confiance en soi et le recours à l'intuition. Les étudiants aux

joues gonflées (une expression neutre sur le plan émotionnel) ont

reproduit les résultats d'origine : ils se sont exclusivement appuyés

sur la représentativité et ont ignoré les taux de base. Comme

l'avaient prédit les auteurs, cependant, les boudeurs, eux, ont fait preuve d'une certaine sensibilité aux taux de base. Une découverte

instructive.

Quand on se livre à un jugement intuitif incorrect, il faut rejeter la

faute tant sur le Système 1 que sur le Système 2. C'est le Système 1

qui a suggéré l'intuition incorrecte, mais le Système 2 l'a approuvée

et exprimée sous forme de jugement. Il y a deux raisons pour

expliquer l'échec du Système 2, l'ignorance et la paresse. Certaines

personnes ignorent les taux de base parce qu'ils croient qu'ils n'ont

aucune importance en présence d'informations individuelles.

D'autres font la même erreur parce qu'ils ne sont pas concentrés sur

la tâche. Si le fait de froncer les sourcils change le résultat, il semble

que la paresse soit la bonne explication pour la négligence des taux

de base, du moins chez les étudiants de Harvard. Leur Système 2

« sait » que les taux de base sont importants même quand ils ne sont

pas explicitement mentionnés, mais n'applique cette connaissance

que s'il investit un effort particulier dans la tâche.

Le second vice de la représentativité est l'insensibilité à la qualité

des indices. Souvenez-vous de la règle du Système 1 : COVERA.

Dans l'exemple de Tom W, c'est une description de Tom, un portrait

exact ou non de lui, qui active votre machinerie associative. L'idée

que Tom W a « peu de compassion et de sympathie pour les autres »

a probablement suffi à vous convaincre (ainsi que la plupart des

autres lecteurs) qu'il est fort probable qu'il étudie les sciences

sociales ou souhaite devenir assistant social. Pourtant, on vous a

explicitement dit que l'on ne pouvait pas faire confiance à cette

description !

Vous comprenez sûrement, en principe, qu'il faudrait traiter des

informations sans valeur comme un manque total d'information,

mais COVERA fait qu'il est très difficile d'appliquer ce principe. À

moins de décider immédiatement de rejeter des preuves (par

exemple, en déterminant qu'elles vous ont été fournies par un

menteur), votre Système 1 traitera automatiquement les informations

disponibles comme si elles étaient vraies. Il y a une chose que vous

pouvez faire quand vous doutez de la qualité des indices : ne laissez

pas vos jugements de probabilité s'éloigner des taux de base. Ne vous attendez pas à ce que cet exercice de discipline soit facile – il

nécessite un effort considérable de surveillance et de contrôle de soi.

La bonne réponse à l'énigme de Tom W, c'est que vous devriez

rester très près de vos convictions initiales, en réduisant légèrement

la forte probabilité de départ des domaines très fréquentés (lettres et

enseignement ; sciences sociales et assistance sociale) et en

augmentant légèrement la faible probabilité des spécialités rares

(bibliothéconomie, informatique). Vous ne vous retrouverez pas

exactement là où vous en seriez si vous ne saviez absolument rien de

Tom W, mais le peu d'information dont vous disposez n'étant pas

fiable, ce sont les taux de base qui devraient prédominer dans vos

estimations.

 

Comment discipliner l'intuition

 

Si vous pensez qu'il va pleuvoir demain, c'est une conviction

subjective, mais vous ne devriez pas vous laisser aller à croire tout

ce qui vous vient à l'esprit. Pour être utiles, vos convictions

devraient être limitées par la logique de la probabilité. Donc, si vous

pensez qu'il y a 40 % de chances qu'il pleuve à un moment donné

dans la journée de demain, vous devez également croire qu'il y a

60 % de chances qu'il ne pleuve pas demain, et vous ne devez pas

croire qu'il y a 50 % de chances qu'il pleuve demain matin. Et si

vous croyez qu'il y a 30 % de chances que le candidat X soit élu

président, et 80 % de chances qu'il soit réélu s'il l'emporte la

première fois, alors vous devez croire que les chances qu'il soit élu

deux fois de suite sont de 24 %.

Les « règles » applicables dans des cas comme le problème de

Tom W sont fournies par les statistiques de Bayes. Cette approche

moderne et influente des statistiques tient son nom d'un religieux

anglais du XVIIIe siècle, le révérend Thomas Bayes, à qui l'on doit

la première grande contribution à un vaste problème : comment les

gens devraient changer d'avis après avoir été informés. La règle de

Bayes spécifie comment les convictions antérieures (dans les

exemples de ce chapitre, les taux de base) devraient être associées à

la diagnosticité de la preuve, dans quelle mesure elle favorise une

hypothèse plutôt qu'une autre 150 . Par exemple, si vous croyez que

3 % des étudiants sont inscrits en informatique (le taux de base), et

que vous croyez aussi que la description de Tom W est quatre fois

plus susceptible de correspondre à un étudiant de ce domaine qu'à

un autre, alors, d'après la règle de Bayes, vous devez croire que la

probabilité que Tom W soit un informaticien est maintenant de

11 %. Si le taux de base était de 80 %, le nouveau degré de

conviction serait de 94,1 %. Et ainsi de suite.

Les détails mathématiques n'ont pas d'importance dans ce livre. Il

faut garder deux idées à l'esprit au sujet du raisonnement de Bayes

et sur la façon dont nous avons tendance à le saboter. La première,

c'est que les taux de base comptent, même en présence

d'informations sur l'affaire en cours. Ce qui n'est pas toujours

évident sur le plan intuitif. La seconde, c'est que les impressions

intuitives de la diagnosticité d'une information sont souvent

exagérées. La combinaison de COVERA et de la cohérence

associative a tendance à nous faire croire aux histoires que nous

nous inventons. Les clés essentielles du raisonnement discipliné de

Bayes peuvent être résumées simplement :

 

◆ ancrez votre jugement de la probabilité d'un résultat sur un taux de base plausible ;

◆ remettez en question la diagnosticité de votre information.

 

Deux idées effectivement simples. J'ai eu un choc quand j'ai

compris que je n'avais pas appris à les mettre en œuvre, et que

même maintenant, cela ne me paraît pas naturel.

 

*

 

La représentativité en bref

 

« La pelouse est bien tondue, le réceptionniste a l'air compétent,

et le mobilier est séduisant, mais cela ne veut pas dire que cette

entreprise est bien gérée. J'espère que la direction ne se focalise pas

sur la représentativité. »

« Cette start-up donne l'impression qu'elle ne va pas plonger, mais

le taux de base de réussite dans le secteur est extrêmement faible.

Comment savoir que cette société est différente ? »

« Ils ne cessent de répéter la même erreur : ils prédisent des

événements rares à partir d'indices faibles. Quand les indices sont

faibles, il faudrait s'en tenir aux taux de base. »

« Je sais que ce rapport est absolument impitoyable, et il est peut-

être fondé sur des preuves solides, mais comment pouvons-nous en

être sûrs ? Nous devons laisser une place à cette incertitude dans

notre réflexion. »

 

OceanofPDF.com