14 - a Especialidade de Tom W

FALANDO DE CASCATAS DE DISPONIBILIDADE

“Ela fala entusiasticamente sobre uma inovação que apresenta grandes benefícios e nenhum custo. Desconfio da heurística do afeto.”

“Isso é uma cascata de disponibilidade: um não evento que é exagerado pela mídia e o público até inundar nossas telas de tevê e se tornar a única coisa sobre a qual está todo mundo falando.”

18 Comprehensive Environment Response Compensation and Liability Act: legislação federal norte-americana com o objetivo de responsabilizar os proprietários de áreas contaminadas.

14

A ESPECIALIDADE DE TOM W

Dê uma olhada neste problema simples:

Tom W é aluno de graduação na principal universidade de seu estado. Classifique as nove áreas de especialização universitária a seguir em ordem da probabilidade de que Tom W seja atualmente um estudante numa dessas ¬áreas.

Use 1 para a mais provável, 9 para a menos provável.

administração

ciência da computação

engenharia

humanidades e educação

direito

medicina

biblioteconomia

ciências físicas e biológicas

ciência social e assistência social

Essa pergunta é fácil, e você percebeu imediatamente que o número relativo de matriculados nas diferentes áreas é a chave para uma solução. Até onde você sabe, Tom W foi escolhido aleatoriamente dentre os alunos de graduação da universidade, como uma única bola de gude tirada de um vaso. Para decidir se uma bolinha tem maior probabilidade de ser verde ou vermelha, você precisa saber quantas bolinhas de cada cor há no vaso. A proporção de bolinhas de um tipo particular é chamada de taxa-base ( base rate). Similarmente, a taxa-base de humanidades e educação nesse problema é a proporção de alunos dessa área entre todos os alunos de graduação. Na ausência de informação específica sobre Tom W, você se pauta pelas taxas-base e supõe ser mais provável ele estar matriculado em humanidades e educação do que em ciência da computação ou biblioteconomia, porque no geral há mais alunos em humanidades e educação do que nas duas outras áreas. Usar informação de taxa-base é a atitude óbvia quando nenhuma outra informação está sendo fornecida.

Agora veja esta tarefa que nada tem a ver com taxas-base.

O parágrafo a seguir é um perfil de Tom W escrito por um psicólogo durante o último ano de Tom no ensino médio, com base em testes psicológicos de validade duvidosa:

Tom W é dotado de grande inteligência, embora careça de criatividade genuína. Tem necessidade de ordem e clareza e de sistemas claros e ordenados em que cada detalhe encontre seu lugar apropriado. Seu texto está mais para maçante e mecânico, animado ocasionalmente por alguns trocadilhos batidos e lampejos de imaginação do tipo ficção científica. Exibe forte compulsão por competência. Parece apresentar pouca compreensão e pouca simpatia pelas outras pessoas, e não aprecia a interação com os outros. Autocentrado, exibe no entanto um

profundo senso moral.

Agora pegue uma folha e classifique as nove áreas de especialização listadas a seguir segundo o grau de semelhança da descrição de Tom W com o típico aluno de graduação em cada uma das seguintes áreas. Use 1 para a mais provável e 9 para a menos provável.

Você aproveitará melhor este capítulo do livro se fizer uma rápida tentativa de cumprir a tarefa; a leitura do perfil de Tom W é necessária para formar seus julgamentos sobre as várias especialidades de graduação.

Essa pergunta também é clara. Ela exige que você recupere da memória, ou talvez construa, um estereótipo de alunos de graduação nas diferentes áreas. Quando o experimento foi conduzido pela primeira vez, no início dos anos 1970, a ordenação média foi a seguinte. A sua provavelmente não diferiu muito disso:

1. ciência da computação

2. engenharia

3. administração

4. ciências físicas e biológicas

5. biblioteconomia

6. direito

7. medicina

8. humanidades e educação

9. ciência social e assistência social

Você provavelmente classificou ciência da computação entre as mais adequadas devido à insinuação de que o sujeito fosse um pouco nerd (“trocadilhos batidos”). De fato, a descrição de Tom W foi feita para se encaixar nesse estereótipo. Outra especialidade que a maioria das pessoas classificou como alta é engenharia (“sistemas claros e ordenados”). Você provavelmente achou que Tom W não se encaixa muito bem com sua ideia de ciência social e assistência social (“pouca compreensão e pouca simpatia pelas outras pessoas”). Estereótipos profissionais parecem ter mudado pouco nos quase quarenta anos desde que criei a descrição de Tom W.

A tarefa de classificar as nove carreiras é complexa e certamente exige a disciplina e organização sequencial de que só o Sistema 2 é capaz. Entretanto, as insinuações plantadas na descrição (trocadilhos batidos e outras) foram planejadas para ativar uma associação com um estereótipo, uma atividade automática do Sistema 1.

As instruções para essa tarefa de similaridade exigiram uma comparação da descrição de Tom W com os estereótipos das várias áreas de especialização. Para o objetivo dessa tarefa, a precisão da descrição — se é ou não um verdadeiro retrato de Tom W — é irrelevante. Assim como seu conhecimento das taxas-base das várias áreas. A similaridade de um indivíduo com

o estereótipo de um grupo não é afetada pelo tamanho do grupo. Na verdade, você poderia comparar a descrição de Tom com uma imagem de alunos de graduação em biblioteconomia mesmo que não houvesse um departamento desses na universidade.

Se você examinar Tom W outra vez, vai ver que ele se encaixa bem nos estereótipos de cursos menos frequentados (cientistas da computação, bibliotecários, engenheiros) e mal nos cursos mais frequentados (humanidades e educação, ciência social e assistência social). Na verdade, os participantes do experimento quase sempre classificaram as duas disciplinas com maior número de alunos como bem pouco prováveis. Tom W foi intencionalmente projetado como um personagem “anti-taxa-base”, um bom perfil para disciplinas menos procuradas e um perfil ruim para as especialidades mais procuradas.

PROGNÓSTICO POR REPRESENTATIVIDADE

A terceira tarefa na sequência foi passada a alunos de graduação em psicologia, e é a tarefa crítica: classificar as áreas de especialização em ordem de probabilidade de que Tom W seja atualmente um aluno de graduação em cada uma dessas áreas. Os membros desse grupo de prognóstico sabiam dos fatos estatísticos relevantes: estavam familiarizados com as taxas-base das diferentes áreas, e sabiam que a fonte da descrição de Tom W não era altamente confiável. Contudo, nossa expectativa era de que se concentrassem exclusivamente na similaridade da descrição dos estereótipos — chamamos isso de representatividade —, ignorando tanto as taxas-base como as dúvidas acerca da veracidade da descrição. Eles então classificariam a especialidade menos frequentada — ciência da computação — como altamente provável, porque esse resultado obtém a maior pontuação de representatividade.

Amos e eu trabalhamos com afinco durante o ano que passamos em Eugene, e às vezes eu passava a noite toda trabalhando. Uma de minhas tarefas nesses serões foi elaborar uma descrição que jogaria a representatividade e as taxas-base uma contra as outras. Tom W foi o resultado de meus esforços, e completei a descrição nas primeiras horas da manhã. A primeira pessoa a aparecer para trabalhar nesse dia foi nosso colega e amigo Robyn Dawes, que era tanto um estatístico sofisticado como um cético acerca da validade do julgamento intuitivo. Se havia alguém capaz de ver a relevância da taxa-base, esse alguém seria Robyn. Chamei-o, mostrei-lhe a questão que acabara de escrever e lhe pedi para adivinhar a profissão de Tom W. Ainda me lembro de seu sorriso malicioso ao dizer meio hesitante, “cientista da computação?” Foi um momento de alegria — até os poderosos caíram. Claro que Robyn reconheceu imediatamente seu engano assim que mencionei “taxa-base”, mas ele não pensara espontaneamente nisso. Embora soubesse tanto quanto qualquer um sobre o papel das taxas-base em previsões, ele as negligenciou quando apresentado à descrição da personalidade de um indivíduo. Como esperado, ele substituiu a probabilidade que lhe foi pedida para avaliar por um julgamento de representatividade.

Amos e eu depois recolhemos respostas para a mesma pergunta junto a 114 graduandos em psicologia de três grandes universidades, todos os quais haviam feito vários cursos em

estatística. Eles não nos decepcionaram. Suas classificações das nove áreas por probabilidade não diferiram de categorizações por similaridade com o estereótipo. A substituição foi perfeita nesse caso: não houve qualquer indicativo de que os participantes tenham feito outra coisa a não ser julgar a representatividade. A questão sobre a probabilidade era difícil, mas a questão sobre similaridade era mais fácil, e foi respondida em lugar dela. Esse é um grave erro, pois julgamentos de similaridade e probabilidade não são restringidos pelas mesmas regras lógicas. É inteiramente aceitável que julgamentos de similaridade não sejam afetados por taxas-base e também pela possibilidade de que a descrição fosse imprecisa, mas qualquer um que ignore as taxas-base e a qualidade da evidência em avaliações de probabilidade certamente cometerá erros.

O conceito “a probabilidade de que Tom W estude ciência da computação” não é um conceito simples. Lógicos e estatísticos discordam sobre seu significado, e alguns diriam que ele não tem significado algum. Para muitos especialistas, ele é uma medida de grau de crença subjetivo. Há eventos dos quais você tem certeza, por exemplo, de que o sol nasceu hoje de manhã, e outros que você considera impossíveis, como o oceano Pacífico se congelar inteiramente de uma vez. E há esses inúmeros eventos, como o sujeito que mora perto da sua casa ser um cientista da computação, ao qual você confere um grau de crença intermediário —

que é sua probabilidade para esse evento.

Lógicos e estatísticos desenvolveram definições de probabilidade que rivalizam entre si, todas muito precisas. Para o leigo, contudo, probabilidade é uma noção vaga, relacionada a incerteza, propensão, plausibilidade e surpresa. O caráter vago não é particular a esse conceito, tampouco é especialmente problemático. Sabemos mais ou menos o que queremos dizer quando usamos uma palavra como democracia ou beleza e as pessoas com quem estamos conversando compreendem mais ou menos o que pretendemos dizer. Em todos esses anos que passei perguntando sobre a probabilidade de eventos, ninguém nunca ergueu a mão para me perguntar: “O que o senhor quer dizer com probabilidade?”, como teriam feito se eu houvesse lhes pedido para definir um conceito estranho como globabilidade. Todo mundo sempre agiu como se soubesse como responder às minhas perguntas, embora todos compreendamos que seria injusto lhes pedir uma explicação do que a palavra significa.

Pessoas a quem pedimos para estimar probabilidades não ficam confusas ou perplexas porque não tentam avaliar a probabilidade do modo como estatísticos e filósofos usam a palavra. Uma pergunta sobre probabilidade ativa um bacamarte mental, evocando respostas para perguntas mais fáceis. Uma das respostas fáceis é uma avaliação automática da representatividade — rotineira na compreensão da linguagem. A afirmação (falsa) de que “os pais de Elvis Presley queriam que ele fosse um dentista” é levemente engraçada porque a discrepância entre as imagens de Elvis e um dentista é detectada automaticamente. O Sistema 1 gera uma impressão de similaridade sem tencionar fazê-lo. A heurística da representatividade está envolvida quando alguém diz “Ela vai ganhar a eleição; você pode perceber que é uma vencedora” ou “Ele não irá longe como acadêmico; tem tatuagens demais”. Nós nos apoiamos na representatividade quando julgamos a potencial liderança de um candidato ao governo pelo formato de seu queixo ou pela veemência de seus discursos.

Embora seja comum, a previsão por representatividade não é estatisticamente o ideal. O

best-seller de Michael Lewis, Moneyball, é uma história sobre a ineficácia desse modo de predição. Os olheiros profissionais de beisebol tradicionalmente preveem o sucesso de possíveis jogadores em parte por sua constituição e aparência. O herói do livro de Lewis é Billy Beane, gerente dos Oakland A’s, que tomou a impopular decisão de ir contra seus olheiros e selecionar jogadores segundo estatísticas de desempenho anterior. Os jogadores que os A’s pegavam eram baratos, pois as outras equipes os haviam rejeitado por não terem o perfil. A equipe em pouco tempo conquistou excelentes resultados a um baixo custo.

OS PECADOS DA REPRESENTATIVIDADE

Julgar a probabilidade com base na representatividade tem importantes virtudes: as impressões intuitivas que isso produz são frequentemente — na verdade, normalmente — mais precisas do que conjecturas fortuitas seriam.

• Na maior parte das ocasiões, pessoas que agem amigavelmente são de fato amigáveis.

• Um atleta profissional que é muito alto e magro tem muito maior probabilidade de jogar basquete do que futebol americano.

• Pessoas com doutorado têm maior probabilidade de assinar o New York Times do que pessoas que apenas completaram o ensino médio.

• Homens jovens apresentam maior probabilidade de dirigir agressivamente do que mulheres velhas.

Em todos esses casos e em muitos outros, há alguma verdade nos estereótipos que governam os julgamentos de representatividade, e as previsões que seguem essa heurística podem ser acuradas. Em outras situações, os estereótipos são falsos e a heurística da representatividade induzirá a erro, sobretudo se levar as pessoas a negligenciar informação de taxa-base que aponta em outra direção. Mesmo quando a heurística tem alguma validade, a confiança exclusiva nela está associada a graves pecados contra a lógica estatística.

Um dos pecados da representatividade é uma predisposição excessiva a prever a ocorrência de eventos improváveis (taxa-base baixa). Eis um exemplo: você vê uma pessoa lendo o New York Times no metrô de Nova York. Quais dos seguintes palpites é o melhor sobre essa pessoa que lê?

Ela tem um doutorado.

Ela não tem diploma universitário.

A representatividade lhe diria para apostar no doutorado, mas isso não é necessariamente

inteligente. Você deve considerar seriamente a segunda alternativa, porque há muito mais graduandos do que graduados andando no metrô de Nova York. E se você tem de adivinhar se uma mulher que

é descrita como “uma tímida amante de poesia” 1 estuda literatura chinesa ou administração, deve optar pela segunda alternativa. Mesmo que todas as estudantes de literatura chinesa fossem tímidas e adorassem poesia, é quase certo haver mais amantes de poesia tímidas entre a população muito maior de estudantes de administração.

Pessoas sem treinamento em estatística são inteiramente capazes de usar taxas-base em previsões sob certas condições. Na primeira versão do problema de Tom W, que não fornece qualquer detalhe sobre ele, fica óbvio para todo mundo que a probabilidade de Tom W estar em uma área particular é simplesmente a frequência da taxa-base de matriculados naquela área. Entretanto, a preocupação com taxas-base evidentemente desaparece assim que a personalidade de Tom W é descrita.

Amos e eu originalmente acreditávamos, com base em nossa antiga evidência, que a informação da taxa-base será sempre negligenciada quando informação sobre a ocorrência específica estiver disponível, mas essa conclusão era forte demais. Os psicólogos têm conduzido inúmeros experimentos em que a informação da taxa-base é explicitamente fornecida como parte do problema, e muitos dos participantes são influenciados por essas taxas-base, embora a informação sobre o caso individual quase

sempre pese mais2 do que a mera estatística. Norbert Schwarz e seus colegas mostraram que instruir pessoas a “pensar como estatísticos” intensificava o uso de informação da taxa-base, ao passo que a instrução de

“pensar como um clínico” tinha o efeito oposto. 3

Um experimento conduzido há alguns anos com alunos de Harvard levou a uma descoberta que me surpreendeu: a ativação intensificada do Sistema 2 causava uma melhoria significativa da exatidão de prognóstico no problema Tom W. O experimento combinava o velho problema com uma variação moderna da fluência cognitiva. Metade dos estudantes recebiam instruções de inflar as bochechas durante a tarefa, enquanto os demais deviam

franzir o rosto4. Fechar o rosto numa carranca, como já vimos, em geral aumenta a vigilância do Sistema 2 e reduz tanto a superconfiança como a fé na intuição. Os alunos que inflaram as bochechas (uma expressão emocionalmente neutra) reproduziram os resultados originais: confiaram exclusivamente na representatividade e ignoraram as taxas-base. Como os autores haviam previsto, porém, os carrancudos efetivamente mostraram alguma sensibilidade às taxas-base. Isso foi uma descoberta instrutiva.

Quando um julgamento intuitivo incorreto é feito, o Sistema 1 e o Sistema 2 devem ser ambos acusados. O Sistema 1 sugeriu a intuição incorreta, e o Sistema 2 a endossou e expressou-a como um julgamento. Entretanto, há dois motivos possíveis para a falha do Sistema 2 —

ignorância ou preguiça. Algumas pessoas ignoram taxas-base porque acreditam que elas são irrelevantes na presença de informação individual. Outros cometem o mesmo engano porque

não estão concentrados na tarefa. Se franzir o rosto faz alguma diferença, preguiça parece ser a explicação apropriada da negligência com a taxa-base, ao menos entre alunos de Harvard. O

Sistema 2 deles “sabe” que taxas-base são relevantes mesmo quando não estão explicitamente mencionadas, mas aplica esse conhecimento apenas quando investe especial esforço na tarefa.

O segundo pecado da representatividade é a insensibilidade à qualidade da evidência.

Lembre-se da regra do Sistema 1: WYSIATI. No exemplo de Tom W, o que ativa seu maquinário associativo é uma descrição de Tom, que pode ou não ser um retrato preciso. A afirmação de que Tom W exibe “pouca compreensão e pouca simpatia pelas pessoas” foi provavelmente suficiente para convencer você (e a maioria dos outros leitores) de que é muito improvável que ele seja um aluno de ciência social ou assistência social. Mas você foi explicitamente instruído a não confiar na descrição!

Você em princípio certamente compreende que informação sem valor não deve ser tratada de forma diferente da completa falta de informação, mas o WYSIATI torna muito difícil aplicar esse princípio. A menos que você decida imediatamente rejeitar a evidência (por exemplo, determinando que a recebeu de um mentiroso), seu Sistema 1 irá processar automaticamente a informação disponível como se fosse verdadeira. Há só uma coisa que você pode fazer quando tem dúvidas sobre a qualidade da evidência: deixe seus julgamentos de probabilidade ficarem perto da taxa-base. Não espere que esse exercício de disciplina seja fácil — ele exige um esforço significativo de automonitoramento e autocontrole.

A resposta correta para o problema de Tom W é que você deve ficar bem próximo de suas crenças prévias, reduzindo ligeiramente as probabilidades inicialmente altas das disciplinas muito frequentadas (humanidades e educação; ciência social e assistência social) e aumentando ligeiramente as probabilidades baixas das especialidades escassas (biblioteconomia, ciência da computação). Você não está exatamente onde estaria se não tivesse sabido absolutamente nada sobre Tom W, mas a pouca evidência de que dispõe não é confiável, de modo que as taxas-base devem dominar suas estimativas.

COMO DISCIPLINAR A INTUIÇÃO

A probabilidade que atribuímos à hipótese de que amanhã irá chover é seu grau subjetivo de crença, mas você não deve se permitir acreditar em qualquer coisa que venha à sua mente.

Para serem úteis, suas crenças devem ser restringidas pela lógica da probabilidade. Assim, se você acredita que há uma chance de 40% de que irá chover em algum momento amanhã, deve acreditar também que há uma chance de 60% de que não irá chover amanhã, e não deve acreditar que há uma chance de 50% de que irá chover amanhã de manhã. E se você acredita que há uma chance de 30% de que o candidato X será eleito presidente, e uma chance de 80%

de que ele vai ser reeleito se vencer a primeira vez, então você deve acreditar que as chances de que ele será eleito duas vezes seguidas são de 24%.

As “regras” relevantes para casos como o problema de Tom W são fornecidas pela estatística bayesiana. Essa influente abordagem moderna das estatísticas recebeu seu nome de

um ministro inglês do século XVIII, o reverendo Thomas Bayes, a quem se atribui a primeira grande contribuição para um enorme problema: a lógica de como as pessoas devem mudar de ideia à luz

da evidência. A regra de Bayes5 especifica como crenças prévias (nos exemplos deste capítulo, taxas-base) devem ser combinadas com a diagnosticidade da evidência, o grau no qual ela favorece a hipótese sobre a alternativa. Por exemplo, se você acredita que 3% dos alunos de graduação estão matriculados em ciência da computação (a taxa-base), e se você também acredita que a descrição de Tom W é quatro vezes mais provável para um aluno de graduação nessa área do que em outras áreas, então a regra de Bayes diz que você deve acreditar que a probabilidade de que Tom W é um cientista da computação é agora de 11%. Se a taxa-base tivesse sido de 80%, o novo grau de crença seria de 94,1%. E assim por diante.

Os detalhes matemáticos não são relevantes neste livro. Há duas ideias a se ter em mente acerca do raciocínio bayesiano e de como tendemos a nos confundir com ele. A primeira é de que as taxas-base fazem diferença, mesmo na presença de evidência sobre o caso em questão.

Isso muitas vezes não é intuitivamente óbvio. A segunda é que impressões intuitivas da diagnosticidade da evidência são muitas vezes exageradas. A combinação de WYSIATI e de coerência associativa tende a nos levar a crer nas histórias que tiramos de nossa própria cabeça. As chaves essenciais do raciocínio bayesiano disciplinado podem ser resumidas de forma simples:

• Ancore seu julgamento da probabilidade de um resultado numa taxa-base plausível.

• Questione a diagnosticidade de sua evidência.

Ambas as ideias são simples. Foi um choque para mim quando me dei conta de que nunca me fora ensinado como implementá-las e que, mesmo agora, acho antinatural fazê-lo.

FALANDO DE REPRESENTATIVIDADE