Je crois que les jugements sommaires inexacts ne parviennent pas à intégrer (ou à appliquer correctement) un principe statistique commun : la régression vers la moyenne. Parce que les plaideurs ne bénéficient pas d’une exposition répétée à un ensemble complet de faits, nous nous engageons dans un processus appelé intensity-matching qui nous oblige à peser les informations limitées dont nous disposons afin de générer une évaluation du résultat (risque et récompense). Il s’agit d’une pratique dangereuse car elle consiste à trouver une réponse à une question de substitution en l’absence d’autres informations.
Selon Kahneman, les exercices de correspondance d’intensité donnent des prédictions extrêmes lorsqu’ils sont basés sur des preuves extrêmes, ce qui conduit les gens à donner la même réponse à deux questions différentes. Kahneman propose l’exemple suivant :
Julie est en terminale à l’université. À l’âge de quatre ans, elle lisait déjà couramment. Quelle est sa moyenne pondérée cumulative (MPC) ?
Décomposées, ce sont fondamentalement deux questions :
1. Quel est le score percentile de Julie sur la précocité en lecture ?
2. Quel est le score percentile de Julie sur la moyenne générale ?
Pour nous aider à atteindre la bonne réponse, une formule schématique doit être utilisée :
Age de lecture = facteurs partagés + facteurs spécifiques à l’âge de lecture = 100%
GPA = facteurs partagés + facteurs spécifiques à la GPA = 100%
Les facteurs partagés incluent l’aptitude déterminée génétiquement, le degré auquel sa famille soutient les intérêts académiques, et tout autre facteur qui conduirait les gens à devenir des lecteurs précoces en tant qu’enfants et des adultes réussissant académiquement.
Maintenant, il nous faut évaluer la corrélation entre les deux mesures : l’âge de lecture et la moyenne générale. Cette corrélation est égale à la proportion de facteurs partagés parmi leurs déterminants.
Dans ce scénario, Kahneman attribue une estimation optimiste de 30%.
Nous avons maintenant tout ce dont nous avons besoin pour parvenir à une prédiction non biaisée :
1. Commencez par une estimation de la moyenne des GPA.
2. Déterminez la GPA qui correspond à votre impression des preuves.
3. Estimez la corrélation entre la précocité de lecture pendant l’enfance et la GPA.
4. Si la corrélation est de .30, déplacez 30 % de la distance entre la moyenne et la GPA correspondante.
La première étape permet de déterminer la base de référence, qui est la GPA que nous aurions prédite si nous ne savions rien d’autre sur Julie que le fait qu’elle était en terminale au collège.
La deuxième étape implique notre jugement sommaire, qui est notre jugement intuitif de la preuve.
La troisième étape implique le processus actif d’éloignement de la ligne de base vers notre prédiction intuitive, mais seulement à un degré qui correspond à notre estimation de la corrélation.
La dernière étape nous fournit notre réponse : une prédiction influencée par notre intuition prédite sur un taux de base non biaisé.