Rozpoznawanie wzorca a sprawdzanie przyczyny
Wnioskowanie heurystyczne wykorzystuje podobieństwo, dostępność przykładów i wcześniejsze doświadczenie. Tversky i Kahneman opisali mechanizmy, które ułatwiają ocenę w warunkach niepewności, lecz mogą też prowadzić do systematycznych błędów. Zbieżność obecnego zdarzenia z dobrze zapamiętanym przypadkiem jest wskazówką do postawienia hipotezy, nie dowodem jej prawdziwości. Szczególnie istotne jest rozdzielenie pytania, co obserwowano, od pytania, jaka przyczyna najlepiej wyjaśnia tę obserwację.
Przy usterkach lodówek podobny objaw może powstawać na skutek różnych mechanizmów. Samo podobieństwo dźwięku lub temperatury do wcześniejszej sytuacji nie daje pewnego rozpoznania. Weryfikacja wymaga dobrania pomiaru lub obserwacji, które pozwalają odróżnić konkurencyjne hipotezy. Im więcej przyczyn zgodnych z tym samym objawem, tym mniejsza jest rozstrzygająca wartość pojedynczej przesłanki.
Błąd zakotwiczenia i ocena prawdopodobieństwa
Pierwsza informacja może nieproporcjonalnie wpływać na dalsze osądy, nawet wtedy, gdy jest słabo związana z problemem. Mechanizm zakotwiczenia nie oznacza, że każda pierwsza hipoteza jest błędna. Oznacza, że ocena kolejnych danych może zostać przesunięta w stronę początkowego punktu odniesienia. Przeciwstawienie kilku interpretacji na podstawie wspólnych kryteriów pozwala ujawnić ten mechanizm, lecz nie usuwa automatycznie wszystkich źródeł błędu.
W procesie określanym jako naprawa AGD pierwsze przypuszczenie o źródle problemu może wpłynąć na kolejność czynności. Rozumowanie pozostaje sprawdzalne dopiero wtedy, gdy hipoteza prowadzi do przewidywań, a przewidywania porównuje się z rzeczywistymi odczytami. Jeżeli wynik przeczy oczekiwaniu, model przyczyny wymaga zmiany zamiast dopasowywania opisu do wcześniejszego przekonania.
Granice modelu wyjaśniającego
George Box opisywał iteracyjny charakter pracy naukowej: model zderza się z praktyką, a wyniki obserwacji prowadzą do zmiany modelu. Ten sposób rozumowania nie daje podstaw do uznania wszystkich wyjaśnień za równoważne. Model, który pozwala przewidzieć istotne różnice, ma większą wartość operacyjną niż opis zgodny z każdym możliwym wynikiem.
Terminologia EVZ może służyć do analizy zmiany interpretacji wtedy, gdy rozróżnia hipotezy i warunki ich odrzucenia. Pojęcie „przesunięcia semantycznego” nabiera treści poznawczej dopiero po wskazaniu, co konkretnie uległo zmianie: klasyfikacja, przyjęta przesłanka, wynik pomiaru czy reguła wnioskowania. Bez takiego rozróżnienia pozostaje metaforą.
Źródła
Amos Tversky, Daniel Kahneman, „Judgment under Uncertainty: Heuristics and Biases”, Science, 185(4157), 1974, s. 1124–1131.
George E. P. Box, „Science and Statistics”, Journal of the American Statistical Association, 71(356), 1976, s. 791–799.