خطای نرخ پایه: چرا نباید به شواهد عینی اعتماد کنید؟
خطایی که ما را از حقیقت خیلی خیلی دور میکند!
- دستهبندی
- 1404/07/29
فهرست مطالب
خطای نرخ پایه نوعی سوگیری شناختی و یکی از خطاهای استدلال است. روانشناسانی مانند آموس تُوِرسکی و دانیل کانِمَن در دهههای ۱۹۷۰ و ۱۹۸۰، دربارهی این پدیده مطالعه کردند. در این وضعیت ما نرخ پایه و احتمال رخداد یک موضوع را نادیده میگیریم. برای مثال فرض کنید که شما به کسی میگویید که مصرف سیگار سبب ابتلا به سرطان خواهد شد. او در رد نظر شما، پدر خودش را مثال میزند که پنجاه سال است سیگار میکشد؛ اما به سرطان مبتلا نشده است. در اینجا او احتمال بسیار کوچک مبتلا نشدن به سرطان برای یک فرد سیگاری را نادیده گرفته است.
یک مثال از خطای نرخ پایه
به ویژگیهای فردی لیندا توجه کنید:
لیندا عینک گِرد میزند. لباسهایی رنگی میپوشد. همیشه یک کتاب شعر همراه اوست. به موسیقی کلاسیک علاقه دارد. بازدید از موزه مهمترین تفریح او است. این روزها تمام وقتها در ماشین به کتاب صوتی تاریخ هنر گوش میکند.
از بین دو گزارهی زیر یکی در مورد لیندا درست است و دیگری غلط. آیا میتوانید گزارهی درست را حدس بزنید؟
- لیندا دانشجوی هنرهای زیبا در دانشگاه سوربُن است.
- لیندا در بخش تسهیلات یک بانک کار میکند.
واضح است که جملهی اول در مورد لیندا درست است، نه؟ نه! تعداد کارمندان بخش تسهیلات، خیلی خیلی بیشتر است از همهی دانشجویان رشتهی هنر در دانشگاه سوربن. هنوز احتمال اینکه لیندا یک کارمند هنردوست باشد، خیلی بیشتر است از یک دانشجوی هنر. نادیده گرفتن نرخ پایه (تعداد دانشجویان هنر و تعداد کارمندان بانک) در اینجا سبب میشود که ما اشتباه کنیم.
اَرزِش حرفهای یک شاهد عینی
در یک شهر، ۸۰۰ هزار تاکسی زرد و ۲۰۰ هزار تاکسی سبز هست. یک شاهد عینی با چشمهای خودش دیده که در حوالی نیمهشب، یک تاکسی عابری را زیر گرفت و فرار کرد. او فکر میکند که رنگ تاکسی سبز بوده است. پلیس قدرت تشخیص رنگ او را در شب آزمایش میکند. او با دقت بسیار خوب هفتاد درصد قادر است در آن تاریکی رنگ تاکسی را بهدرستی تشخیص بدهد. آیا تاکسی موردنظر، سبز است؟
در این شهر ۸۰۰ هزار تاکسی زرد داریم. دقت تشخیص شاهد هم هفتاد درصد است. یعنی اگر تاکسی زرد رنگ باشد، او میتواند ۵۶۰ هزار تاکسی زرد را درست تشخیص دهد؛ اما ۲۴۰ هزار تاکسی را بهاشتباه سبز خواهد دید.
اگر تاکسی سبز باشد، او رنگ ۱۴۰ هزار تاکسی را بهدرستی تشخیص میدهد. اما در مورد رنگ ۶۰ هزار تاکسی اشتباه خواهد کرد.
در مجموع او در مورد ۱۴۰ هزار تاکسی بهدرستی رنگ سبز را تشخیص میدهد؛ اما در مورد ۲۴۰ هزار تاکسی اشتباه خواهد کرد. در نتیجه دقت شهادت او ۳۶ درصد است؛ یعنی کمتر از دقت تعیین رنگ تاکسی با پرتاب سکه.
زمانی که پلیس دقت فرد را میسنجید، این کار را با ده تاکسی سبز و ده تاکسی زرد انجام داد. در آنجا نرخ پایهی هر دو رنگ برابر بود. اما در واقعیت نادیده گرفتن نرخ پایه سبب میشود که شهادت اشتباهی قبول شود.
خطای نرخ پایه در کلیشهها
اگر بیشتر دانشجویان هنر سیگاری باشند، آیا میتوانیم نتیجه بگیریم که یک فرد سیگاری به احتمال زیاد دانشجوی هنر است؟ خیر. تعداد افراد سیگاری که دانشجوی هنر نیستند، خیلی بیشتر از کُل تعداد دانشجویان هنر است. در نتیجه از سیگار کشیدن یک فرد بههیچوجه نمیتوانیم دربارهی تحصیلات هنری او نظری داشته باشیم. خیلی واضح است، نه؟
اما در زندگی واقعی ما بارها و بارها دچار خطای نرخ پایه و تعمیم کلیشهها میشویم:
- فردی که خوشلباس است، انسان موفقی است.
- کسی که با ما مؤدب و مهربان حرف میزند، میتواند در آینده به همسر خوبی تبدیل شود.
- فردی که روپوش سفید به تن دارد، دکتر است.
ذهن ما به این کلیشهسازی علاقه دارد. ما دوست داریم بهسرعت و در یک نگاه بتوانیم اشخاص را تشخیص بدهیم. مردی با کت و شلوار و کراوات به یک آرایشگاه مردانه میرود. آرایشگر سریع فکر میکند که او داماد است یا دستکم قصد دارد به یک جشن عروسی برود.
در این کلیشهسازیها ما بسیار مستعد خطای نرخ پایه هستیم.
خطای نرخ پایه در سرمایهگذاری
آیا تابهحال یک خبر خوب در یک شرکت شما را وسوسه کرده که سهام آن شرکت را بخرید؟ آیا در یک روز بَد بازار، ترسیدهاید و به فروش سهام خود فکر کردهاید؟ در این صورت خطای نرخ پایه را تجربه کردهاید. درست است که یک اتفاق خوب در یک شرکت، اتفاق مبارکی است؛ اما آیا دیگر رخدادها را در نظر گرفتهایم؟ یک روز منفی در یک بازار صعودی هم ممکن است ما را دچار خطای نرخ پایه کند.
یکی از بهترین مثالها در حوزهی سرمایهگذاری، در مورد افرادی است که در شبکههای اجتماعی از پیشبینیهای درست خود صحبت میکنند و آنها را مثالی برای قدرت پیشبینی خود معرفی میکنند. سؤال اساسی این است که آنها روزانه چند پیشبینی میکنند و چه تعداد از آنها درست از آب در میآید؟ حتی اگر فرد فقط یک پیشبینی منتشر کرده و همان هم درست از آب درآمده، باز نمیشود دقت پیشبینی او را کامل در نظر گرفت. در این حالت او بهطور اتفاقی، از میان هزاران پیشبینی خود که اشتباه بودند، یکی را منتشر کرده است. یعنی او در تمام این مدت (دستکم در ذهن خودش) فقط یک پیشبینی نداشته.
خطای نرخ پایه در علم پزشکی
تصور کنید یک بیماری جدید پیدا شده و در حال حاضر هشت میلیون نفر به این بیماری مبتلا شدهاند. یک کیت آزمایشگاهی میتواند با دقت ۹۹ درصد این بیماری را تشخیص بدهد. آیا میتوانید به این تست اعتماد کنید؟ واضح است که خیر. شیوع این بیماری چیزی در حدود یک در هزار است. اما در یک درصد موارد کیت ما نتیجهی اشتباه میدهد. اگر تمام جهان را با این کیت تست کنیم، به هشتاد میلیون نتیجهی مثبت نادرست میرسیم که از تعداد مبتلایان واقعی بیشتر است. در نتیجه جواب مثبت نمیتواند نشانهی ابتلا به بیماری باشد. پس چه کار باید بکنیم؟ کافی است از ۸۸ میلیون نفر با تست مثبت دوباره تست بگیریم. در این صورت خطای ما به ۸۸۰ هزار نفر خواهد رسید. تست سوم خطا را به ۸ هزار و ۸۰۰ نفر کاهش میدهد. در نتیجه اگر کسی سه بار آزمایش دهد و هر سه بار نتیجه مثبت شده باشد، به احتمال زیاد به این بیماری مبتلا است.
طبیعی است که ساختن تستی با دقت ۹۹٫۹ درصد، دستاورد بزرگی است. در اینجا، با خطای یکهزارم، هنوز یک تست مثبت فرقی با پرتاب سکه ندارد. احتمال ابتلا به بیماری ۵۰-۵۰ خواهد بود. اما دو تست مثبت تعداد اشتباهات را به همان عدد هشتهزار نفر میرساند. در نتیجه این روش جدید قادر خواهد بود صرفهجویی بزرگی در انجام آزمایشها ایجاد کند.
خطای نرخ پایه در خرید
تصور کنید میخواهید یک محصول را بهصورت آنلاین سفارش بدهید. دههزار نفر این محصول را خریدهاند. نههزار نفر از این محصول کاملاً راضی بودهاند. ده نفر نیز به آن امتیاز کاملاً ناراضی دادهاند. در کامنتها یک نفر بهشدت از این محصول گلایه کرده و آن را یک کلاهبرداری بزرگ و وسیلهای بیارزش خوانده است. آیا از خرید منصرف میشوید؟
او هنوز یک نفر از همان ده نفر است. اگر کامنت منفی او روی ذهن شما اثر بگذارد، نرخ پایه را نادیده گرفتهاید و دچار خطا شدهاید. برعکس این موضوع نیز درست است. رضایت مشتریان یک عامل مهم برای جلب اعتماد مشتری است. اما یک مورد راضی برای مفید دانستن یک محصول کافی نیست. برای قضاوت بهتر، به نرخ پایه برای رضایت و نارضایتی نیاز دارید.
چگونه از این خطا دوری کنیم؟
در مثال تاکسی و تست پزشکی، دیدیم که توجه به میزان شیوع، ذهنیت ما به مسئله را تغییر میدهد. به همین روش شما نیز میتوانید از خطای نرخ پایه اجتناب کنید.
قبل از آن که یک نفر را بر اساس کلیشهها مورد قضاوت قرار دهید، از خودتان بپرسید که آیا حالت دیگر شایعتر است یا خیر. برای مثال اگر فرض کردید یک نفر مجرم است چون پوست سیاهی دارد، به این فکر کنید که آیا احتمال مجرم نبودن یک سیاهپوست بیشتر نیست؟
اطلاعات آماری را فدای شواهد عینی نکنید
نمونههایی که شما میبینید، برای نتیجهگیری کافی نیستند. به نمونههایی فکر کنید که به شما نشان داده نمیشوند. هیچ فروشگاهی فهرستی از پیام مشتریان ناراضی منتشر نمیکند. تحلیلگران اینستاگرامی، پیشبینیهای غلط خود را در اختیار شما نمیگذارند.
قبل از آن که به یک خواستگار که ماشین و خانهی لوکس دارد جواب مثبت بدهید، به این فکر کنید که چند آدم بد هستند که خانه و ماشین خوبی داشته باشند.
