16 - Causas Superam Estatísticas

FALANDO DE MENOS É MAIS

“Eles construíram um cenário muito complicado e insistiram em chamá-lo de altamente provável. Não é — é apenas uma história plausível.”

“Adicionaram um brinde vagabundo a um produto caro e tornaram o negócio todo menos atraente. Menos é mais nesse caso.”

“Na maioria das situações, uma comparação direta torna as pessoas mais cuidadosas e mais lógicas. Mas nem sempre. Às vezes, a intuição vence a lógica mesmo quando a resposta correta está bem na sua frente.”

16

CAUSAS SUPERAM ESTATÍSTICAS

Considere a seguinte situação e tome nota de sua resposta intuitiva para a questão: Um táxi envolveu-se numa colisão e fugiu do local do acidente à noite.

Duas companhias de táxi, a Verde e a Azul, operam na cidade.

Você recebe os seguintes dados:

• 85% dos táxis na cidade são Verdes e 15% são Azuis.

• Uma testemunha identificou o táxi como Azul. O tribunal testou a confiabilidade da testemunha sob as circunstâncias existentes na noite do acidente e concluiu que a testemunha identificou corretamente cada uma das duas cores em 80% do tempo e falhou em 20% do tempo.

Qual é a probabilidade de que o táxi envolvido no acidente tenha sido o Azul e não o Verde?

Esse é um problema clássico de inferência bayesiana. Há dois itens de informação: uma taxa-base e o testemunho imperfeitamente confiável de uma testemunha. Na ausência de uma testemunha, a probabilidade de o táxi culpado ser Azul é de 15%, que é a taxa-base desse resultado. Se as duas empresas de táxi fossem igualmente grandes, a taxa-base não seria informativa e você consideraria apenas a confiabilidade da testemunha, concluindo que a probabilidade é de 80%. As duas fontes de informação podem ser

combinadas pela regra de Bayes. A resposta correta é 41%1. Porém, você provavelmente consegue adivinhar o que as pessoas fazem quando enfrentam esse problema: elas ignoram a taxa-base e vão pela testemunha. A resposta mais comum é 80%.

ESTEREÓTIPOS CAUSAIS

Agora considere uma variação da mesma história, em que apenas a apresentação da taxa-base havia sido alterada.

Você recebe os seguintes dados:

• As duas empresas operam o mesmo número de táxis, mas táxis Verdes estão envolvidos em 85% dos acidentes.

• A informação sobre a testemunha é como na versão anterior.

As duas versões do problema são matematicamente indistinguíveis, mas são psicologicamente bem diferentes. As pessoas que leem a primeira versão não sabem como usar a taxa-base e muitas vezes a ignoram. Por outro lado, pessoas que veem a segunda versão atribuem considerável peso à taxa-base, e seu julgamento médio

não está muito longe da solução bayesiana2. Por quê?

Na primeira versão, a taxa-base dos táxis Azuis é um fato estatístico sobre os táxis na cidade. Uma mente faminta por histórias causais não encontra nada para mastigar: Como o número de táxis Verdes e Azuis na cidade faz com que esse motorista de táxi fuja do local do acidente?

Na segunda versão, por outro lado, os motoristas de táxis Verdes causam mais de cinco vezes o número de acidentes que os táxis Azuis. A conclusão é imediata: os motoristas Verdes devem ser um bando de malucos irresponsáveis! Você agora formou um estereótipo da irresponsabilidade Verde, que aplica aos motoristas individuais desconhecidos da empresa. O

estereótipo é facilmente encaixado numa história causal, pois irresponsabilidade é um fato causalmente relevante acerca dos taxistas individuais. Nessa versão, há duas histórias causais que necessitam ser combinadas ou reconciliadas. A primeira é a fuga após o acidente, que naturalmente evoca a ideia de que um motorista Verde irresponsável estava envolvido. A segunda é o depoimento da testemunha, que sugere fortemente que o táxi era Azul. As inferências das duas histórias sobre a cor do carro são contraditórias e aproximadamente anulam uma à outra. As chances para as duas cores são praticamente iguais (a estimativa bayesiana é de 41%, refletindo o fato de que a taxa-base dos táxis Verdes é um pouco mais extrema do que a confiabilidade da testemunha que denunciou um táxi Azul).

O exemplo do táxi ilustra dois tipos de taxas-base. Taxas-base estatísticas são fatos sobre uma população à qual um caso pertence, mas não são relevantes para o caso individual.

Taxas-base causais mudam sua opinião de como o caso individual veio a ocorrer. Os dois tipos de informação de taxa-base são tratados diferentemente:

• Taxas-base estatísticas de um modo geral são subestimadas, e às vezes completamente negligenciadas, quando alguma informação específica sobre o caso em questão está disponível.

• Taxas-base causais são tratadas como informação sobre o caso individual e são facilmente combinadas com outra informação específica do caso.

A versão causal do problema do táxi tinha a forma de um estereótipo: motoristas Verdes são perigosos. Estereótipos são afirmações sobre o grupo que são (pelo menos provisoriamente) aceitas como fatos sobre todos os membros. Eis dois exemplos:

A maioria dos alunos que se formam na escola desse bairro pobre vai para a faculdade.

O interesse por ciclismo é disseminado na França.

Essas afirmações são prontamente interpretadas como determinantes de uma propensão em membros individuais do grupo e se encaixam numa história causal. Muitos alunos dessa escola pobre estão ansiosos e têm capacidade para entrar na faculdade, presumivelmente devido a algumas características benéficas da vida nessa escola. Há forças na cultura e na vida social francesas que levam muitos franceses a se interessar por ciclismo. Esses fatos virão à sua

lembrança quando você pensar na probabilidade de que um determinado aluno da escola frequentará a faculdade, ou quando estiver pensando se deve comentar sobre o Tour de France numa conversa com um francês que acabou de conhecer.

Estereotipar é uma palavra feia em nossa cultura, mas no uso que faço dela é neutra. Uma das características básicas do Sistema 1 é que ele representa categorias como normas e paradigmas prototípicos. É desse modo que pensamos em cavalos, geladeiras e policiais de Nova York; mantemos na memória uma representação de um ou mais membros “normais” de cada uma dessas categorias. Quando as categorias são sociais, essas representações são chamadas estereótipos. Alguns estereótipos são perniciosamente errados, e estereotipar com hostilidade pode acarretar terríveis consequências, mas os fatos psicológicos não podem ser evitados: estereótipos, sejam corretos ou falsos, são o modo como pensamos em categorias.

Você talvez note a ironia. No contexto do problema do táxi, negligenciar a informação de taxa-base é uma falha cognitiva, um lapso no raciocínio bayesiano, e confiar em taxas-base causais é desejável. Estereotipar, no caso dos motoristas de táxi Verdes, aumenta a precisão do julgamento. Em outros contextos, porém, como uma empresa contratando ou a polícia abordando um suspeito, há uma forte norma social contra estereotipar, que inclusive está prevista em lei. E é assim que deve ser. Em contextos sociais sensíveis, não queremos extrair conclusões possivelmente errôneas sobre o indivíduo a partir de estatísticas do grupo.

Consideramos moralmente desejável que as taxas-base sejam tratadas como fatos estatísticos sobre o grupo, e não como fatos presumidos sobre indivíduos. Em outras palavras, rejeitamos taxas-base causais.

A norma social contra estereotipar, incluindo a oposição à elaboração de perfis de grupo, tem sido altamente benéfica na criação de uma sociedade mais civilizada e mais igualitária.

Ela é útil para lembrar, porém, que negligenciar estereótipos válidos inevitavelmente resulta em julgamentos aquém do ideal. A resistência a estereotipar é uma posição moral louvável, mas a ideia simplista de que a resistência não tem um custo é errada. Os custos são algo que vale a pena pagar na conquista de uma sociedade melhor, mas negar que eles existem, embora seja satisfatório para a alma e politicamente correto, não é cientificamente defensável.

Confiança na heurística do afeto é comum em argumentos politicamente carregados. As posições que favorecemos não têm custo e aquelas às quais nos opomos não têm benefícios.

Deveríamos ser capazes de fazer melhor.

SITUAÇÕES CAUSAIS

Amos e eu construímos as variantes do problema do táxi, mas não inventamos a poderosa noção de “taxas-base causais”; nós a tomamos emprestada do psicólogo Icek Ajzen. Em seu experimento, Ajzen mostrou aos participantes breves vinhetas descrevendo alguns estudantes que haviam feito uma prova em Yale e lhes pediu para avaliar a probabilidade de que cada

aluno tivesse sido aprovado. A manipulação de taxas-base causais foi inequívoca: Ajzen contou a um grupo que os alunos que eles viram haviam sido tirados de uma classe em que 75% passaram na prova, e contou a outro grupo que os mesmos alunos estavam em uma classe em que apenas 25% passaram. Isso é uma manipulação poderosa, pois a taxa-base de aprovação sugere a inferência imediata de que a prova em que somente 25% passaram deve ter sido terrivelmente difícil. A dificuldade de uma prova é, sem dúvida, um dos fatores causais determinantes no resultado de cada aluno. Como esperado, os participantes no experimento de Ajzen mostraram-se altamente sensíveis às taxas-base causais e avaliaram que todos os estudantes tinham maior probabilidade de passar na condição de sucesso elevado do que na taxa de reprovação elevada.

Ajzen usou um método engenhoso para sugerir uma taxa-base não causal. Ele informou aos seus voluntários que os alunos que eles viram haviam sido extraídos de uma amostra, que por sua vez era construída com uma seleção dos alunos que haviam passado ou sido reprovados no exame. Por exemplo, a informação para o grupo de reprovação elevada dizia o seguinte: O investigador estava interessado principalmente nas causas da reprovação e construiu uma amostra em que 75%

haviam sido reprovados no exame.

Observe a diferença. Essa taxa-base é um fato puramente estatístico sobre o conjunto do qual os casos foram extraídos. Não tem pertinência alguma com a questão perguntada, que é se o aluno individual passou ou foi reprovado na prova. Como esperado, as taxas-base explicitamente declaradas tiveram alguns efeitos sobre o julgamento, mas tiveram muito menos impacto do que as taxas-base causais estatisticamente equivalentes. O Sistema 1 pode lidar com histórias em que os elementos estão ligados causalmente, mas ele é fraco no raciocínio estatístico. Para um pensador bayesiano, é claro, as versões são equivalentes. É tentador concluir que chegamos a uma conclusão satisfatória: taxas-base causais são utilizadas; fatos meramente estatísticos são (mais ou menos) negligenciados. O próximo estudo, um de meus prediletos, mostra que a situação é um pouco mais complexa.

A PSICOLOGIA PODE SER ENSINADA?

Os taxistas irresponsáveis e a prova impossivelmente difícil ilustram duas inferências que as pessoas podem extrair de taxas-base causais: um traço estereotipado atribuído a um indivíduo e uma característica significativa da situação que afeta o resultado de um indivíduo. Os participantes nos experimentos fizeram as inferências corretas e seus julgamentos melhoraram.

Infelizmente, as coisas nem sempre funcionam tão bem assim. O experimento clássico que descrevo a seguir mostra que as pessoas não vão extrair da informação de taxa-base uma inferência que seja conflitante com outras crenças. Também confirma a incômoda conclusão de que ensinar psicologia é em grande parte uma perda de tempo.

O experimento foi conduzido há muito tempo pelo psicólogo social Richard Nisbett e seu

aluno Eugene Borgida, na Universidade de Michigan3. Eles contaram aos estudantes sobre o renomado “experimento de ajuda” que fora conduzido alguns anos antes na Universidade de Nova York. Os participantes nesse experimento eram levados a cabines individuais e convidados a falar ao interfone sobre suas vidas e problemas pessoais. Tinham de se revezar falando por cerca de dois minutos. Apenas um microfone era acionado de cada vez. Havia seis participantes em cada grupo, um deles um ator. O ator falava primeiro, seguindo um roteiro preparado pelos pesquisadores. Ele descrevia seus problemas em se adaptar a Nova York e admitia com óbvio constrangimento que era propenso a ataques apopléticos, principalmente sob estresse. Todos os participantes, então, tinham sua vez. Quando o microfone voltava ao ator, ele se mostrava agitado e incoerente, afirmava sentir um ataque a caminho, e pedia para alguém ajudá-lo. As últimas palavras vindas dele eram: “P-por f-favor, alguém a-aju-d-dee ah-ah-ah [sons de sufocamento]. Es-estou m-mo-morrendo eu… v-vou m-mo-rrer… um ataque… ahhh [sufoca, então faz silêncio].” Nesse ponto o microfone do participante seguinte fica automaticamente ativo, e nada mais é escutado do indivíduo possivelmente morrendo.

O que você acha que os participantes no experimento fizeram? Até onde sabiam, um deles estava sofrendo um ataque e pedira ajuda. Contudo, havia diversas outras pessoas que talvez pudessem reagir, de modo que era talvez possível permanecer na segurança da própria cabine.

O resultado foi o seguinte: apenas quatro dos 15 participantes responderam imediatamente ao pedido de socorro. Seis nem saíram de sua cabine, e cinco outros saíram apenas bem depois que a “vítima do ataque” aparentemente sufocou. O experimento mostra

que os indivíduos se sentem desobrigados de responsabilidade4 quando sabem que outros escutaram o mesmo pedido de socorro.

Os resultados o surpreenderam? Muito provavelmente. A maioria de nós pensa em si mesmo como alguém decente que correria para ajudar o outro numa situação dessas, e espera que outras pessoas decentes façam o mesmo. O objetivo do experimento, é claro, era mostrar que essa expectativa está errada. Até mesmo pessoas normais, decentes, deixam de acorrer quando esperam que outros assumam o trabalho desagradável de lidar com uma pessoa sofrendo um ataque. E isso inclui você.

Está disposto a endossar a seguinte afirmação? “Quando li o procedimento do experimento da ajuda, achei que eu iria socorrer o estranho imediatamente, como provavelmente faria se me visse sozinho com alguém sofrendo um ataque. Provavelmente, eu estava errado. Se eu me visse numa situação em que outras pessoas têm uma oportunidade de ajudar, pode ser que eu não fizesse nada. A presença de outros reduziria meu senso de responsabilidade pessoal mais do que pensei inicialmente.” Isso é o que um professor de psicologia esperaria que você aprendesse. Você teria feito as mesmas inferências por si mesmo?

O professor de psicologia que descreve o experimento da ajuda quer que os alunos vejam a baixa taxa-base como causal, exatamente como no caso da prova fictícia de Yale. Ele quer que eles infiram, em ambos os casos, que uma taxa de reprovação surpreendentemente elevada implica uma prova muito difícil. A lição que se espera que os alunos levem para casa é a de

que algum potente aspecto da situação, como a difusão de responsabilidade, induz pessoas normais e decentes como eles a se comportarem de uma maneira surpreendentemente pouco prestativa.

Mudar a mentalidade de alguém sobre a natureza humana é um trabalho difícil, e mudar a mentalidade de alguém em relação ao pior sobre si mesmo é ainda mais difícil. Nisbett e Borgida suspeitavam que os estudantes resistiriam à situação trabalhosa e desagradável. Claro que os estudantes se mostrariam capazes e dispostos a relatar os detalhes do experimento de ajuda em um teste, e até repetiriam a interpretação “oficial” em termos de difusão de responsabilidade. Mas será que suas crenças sobre a natureza humana realmente mudaram?

Para descobrir, Nisbett e Borgida lhes mostraram vídeos de entrevistas breves supostamente conduzidas com duas pessoas que haviam participado do estudo em Nova York. As entrevistas eram curtas e amenas. Os entrevistados pareciam ser pessoas boas, normais, decentes.

Descreviam seus passatempos, suas atividades de lazer e seus planos para o futuro, que eram completamente convencionais. Após assistir ao vídeo de uma entrevista, os estudantes conjecturavam com que rapidez aquela pessoa em particular fora ajudar o estranho tendo um ataque.

Para aplicar o raciocínio bayesiano à tarefa designada aos estudantes, você deve antes de mais nada se perguntar qual teria sido sua própria conjectura sobre os dois indivíduos se você não tivesse visto suas entrevistas. Essa questão é respondida com uma consulta à taxa-base.

Fomos informados de que apenas quatro dos 15 participantes no experimento se prontificaram a ajudar após o primeiro pedido de socorro. A probabilidade de que um participante não identificado tivesse sido imediatamente solícito é desse modo de 27%. Assim, sua crença prévia sobre qualquer participante não especificado deve ser de que não acudiu a pessoa. A seguir, a lógica bayesiana exige que você ajuste seu julgamento à luz de qualquer informação relevante sobre o indivíduo. Porém, os vídeos foram cuidadosamente planejados para ser não informativos; não forneciam motivo algum para suspeitar que os indivíduos seriam mais ou menos prestativos do que um estudante escolhido aleatoriamente. Na ausência de nova informação, a solução bayesiana é ficar com as taxas-base.

Nisbett e Borgida pediram a dois grupos de estudantes para assistir aos vídeos e prever o comportamento dos dois indivíduos. Os estudantes no primeiro grupo foram informados apenas sobre o procedimento do experimento de ajuda, não sobre os resultados. Seus prognósticos refletiram a visão deles da natureza humana e sua compreensão da situação.

Como era de esperar, eles previram que ambos os indivíduos sairiam imediatamente em socorro da vítima. O segundo grupo de estudantes sabia tanto do procedimento do experimento como de seus resultados. A comparação dos prognósticos dos dois grupos fornece a resposta para uma questão significativa: os estudantes aprendem com os resultados do experimento de ajuda alguma coisa que mude significativamente seu modo de pensar? A resposta é clara: não

aprendem nada. Suas previsões sobre os dois indivíduos foram indistinguíveis das previsões feitas pelos estudantes que não haviam sido expostos aos resultados estatísticos do experimento. Eles tinham conhecimento da taxa-base no grupo de onde os indivíduos haviam sido extraídos, mas continuaram convencidos de que as pessoas que viram no vídeo acorreriam em auxílio do estranho tendo um ataque.

Para professores de psicologia, as implicações desse estudo são desanimadoras. Quando ensinamos a nossos alunos o comportamento das pessoas no experimento da ajuda, esperamos que aprendam algo que não sabiam anteriormente; nosso desejo é que mudem o modo como pensam sobre o comportamento de uma pessoa numa determinada situação. Esse objetivo não foi alcançado no estudo de Nisbett-Borgida, e não há motivo para acreditar que os resultados teriam sido diferentes se eles tivessem escolhido outro experimento psicológico surpreendente. De fato, Nisbett e Borgida registraram resultados similares na condução de outro estudo, em que uma moderada pressão social levou as pessoas a aceitar choques elétricos muito mais dolorosos do que a maioria de nós (e deles) teria esperado. Estudantes que não desenvolvem uma nova apreciação do poder do contexto social não aprenderam nada de valor com o experimento. As previsões que fizeram sobre estranhos aleatórios, ou sobre seu próprio comportamento, indicam que não mudaram seu ponto de vista sobre como teriam se comportado. Nas palavras de Nisbett e Borgida, os alunos “calmamente se eximem” (bem como a seus amigos e conhecidos) das conclusões de experimentos que os surpreendam. Mas os professores de psicologia não devem entrar em desespero, pois Nisbett e Borgida informam uma maneira de fazer seus alunos apreciarem o objetivo do experimento da ajuda.

Eles pegaram um novo grupo de alunos e lhes instruíram sobre o procedimento do experimento, mas não os informaram sobre os resultados do grupo. Mostraram os dois vídeos e simplesmente disseram a seus alunos que os dois indivíduos que tinham acabado de ver não haviam ajudado o estranho, depois lhes pediram para estimar os resultados globais. A conclusão foi incrível: as estimativas dos estudantes mostraram-se extremamente precisas. Para ensinar aos alunos alguma psicologia que não sabiam antes, você deve surpreendê-los. Mas que surpresa vai funcionar? Nisbett e Borgida descobriram que ao mostrar para os alunos um fato estatístico surpreendente, os alunos não conseguiram aprender coisa alguma.

Mas, quando os alunos eram surpreendidos por casos individuais — duas pessoas boas que não haviam ajudado —, fizeram a generalização na mesma hora e inferiram que ajudar é mais difícil do que haviam pensado. Nisbett e Borgida resumiram os resultados em uma frase memorável:

A relutância dos participantes em deduzir o particular do geral só se comparava à sua predisposição a inferir o geral do particular.

Essa é uma conclusão profundamente importante. Pessoas informadas sobre fatos estatísticos surpreendentes acerca do comportamento humano podem ficar impressionadas a ponto de contar a seus amigos o que descobriram, mas isso não significa que sua percepção do mundo

mudou de fato. O teste de aprendizado de psicologia é para saber se a sua percepção das situações com que você se depara mudou, não se você aprendeu um fato novo. Há um profundo abismo entre o que pensamos sobre estatísticas e o que pensamos sobre casos individuais.

Resultados estatísticos com uma interpretação causal têm um efeito mais forte sobre o que pensamos do que a informação não causal. Mas nem mesmo estatísticas causais atraentes vão mudar crenças longamente acalentadas ou crenças enraizadas na experiência pessoal. Por outro lado, casos individuais surpreendentes têm um impacto poderoso e constituem ferramenta mais eficaz para ensinar psicologia porque a incongruência deve ser solucionada e vir embutida numa história causal. Eis por que este livro contém questões que são dirigidas pessoalmente ao leitor. É mais provável que você aprenda algo vendo coisas surpreendentes em seu próprio comportamento do que ouvindo falar de fatos surpreendentes sobre as pessoas de modo geral.