V minulej časti sme sa zamerali na
odchýlky v myslení, typické pre oblasti spotrebiteľského správania,
reklamy a marketingu. Dnes si predstavíme skreslenia, ktorých výskum je
orientovaný najmä na usudzovanie a rozhodovanie o zdraví. Týkajú sa
však akejkoľvek domény, ktorej súčasťou je číselné vyjadrenie pravdepodobnosti
a rizika.
Rovnaký objekt, stav, či situáciu môžeme
pomenovať rôznymi spôsobmi. Pohár je poloplný alebo poloprázdny. Podobne má i
identický údaj viacero možností vyjadrenia: 4 z 30 je „to isté“, čo 2
z 15. Platí to i v mysli
ľudí?
Predstavme si jednoduchý experiment.
Psychológovia vybrali 11 rôzne častých príčin úmrtia, pričom vychádzali z
reálnych štatistík. Účastníci výskumu si prečítali 11 viet, napr. „V Austrálii
zomrie 100 ľudí denne v dôsledku rakoviny“. Následne odpovedali na škále 0
(žiadne riziko) až 25 (maximálne riziko), aké veľké riziko podľa nich
predstavuje rakovina (a ďalších 10 príčin úmrtia) pre bežného Austrálčana.
O týždeň na to absolvovali druhú fázu experimentu s rovnakými
zdravotnými diagnózami, no iným formátom údajov, napr. „V Austrálii zomrie
36500 ľudí ročne v dôsledku rakoviny“. Polovica ľudí začínala formátom
„denne“, polovica formátom „ročne“. Ľudia vnímali významne vyššie riziko pri
údajoch za rok. Ide o jedno
z početných zistení o odchýlke známej ako zanedbanie menovateľa (Denominator
neglect) alebo pomerové skreslenie (Ratio
bias). Ľudia majú tendenciu klásť väčší dôraz na čitateľa (36500) než na
menovateľa (365 dní). Preto si často spomedzi vrecúšok A a B, kedy
A obsahuje 1 výhernú loptičku z 20 a B obsahuje 9 výherných
loptičiek z 200, vyberú B.
Obr. 1: Vrecúška
Nielen zanedbanie menovateľa, ale aj zanedbanie základného výskytu (Base-rate neglect) je kľúčovou odchýlkou
pri interpretovaní štatistických údajov. Vezmime si nasledovný problém:
„Pravdepodobnosť výskytu rakoviny
prsníka u žien nad 40 rokov je 1%. Ak má žena rakovinu prsníka,
pravdepodobnosť, že dostane pozitívny mamogram je 80%. Ak žena nemá rakovinu
prsníka, pravdepodobnosť, že dostane pozitívny mamogram je 10%. Predstavme si
ženu, ktorá prichádza na rutinné preventívne vyšetrenie, a výsledok jej mamografického
vyšetrenia je pozitívny. Aká je pravdepodobnosť, že naozaj trpí rakovinou
prsníka?“. Ľudia zväčša opomenú údaj
o základnom výskyte – 1% – respektíve ho nedostatočne zohľadnia vo svojich
odhadoch a výpočtoch. Preto dospejú k podstatne vyšším číslam, než je
správna odpoveď – 7,5%.
Ako návod riešenia problému poslúži
rozhodovací strom na obrázku. Keď spočítate všetky ženy s pozitívnym
mamogramom a dáte k nim do pomeru tie z nich, ktoré trpia
rakovinou, vyjde Vám, že spomedzi 107 žien s pozitívnym mamogramom trpí
rakovinou 8 žien. Výsledok je preto 8 zo 107 alebo (zaokrúhlene) 0,075 alebo 7,5%.
Obr. 2: Rozhodovací
strom
Zdá sa, že špecifickú pozíciu pri posudzovaní
rizika má formát s čitateľom 1. Fenomén dostal názov efekt 1-z-X (1-in-X effect).
V rámci série experimentov formát 1-z-X (napríklad 1 z 9) zvýšil mieru
vnímaných rizík. V duchu jedného z navrhnutých vysvetlení si pod
číslom 1 predstavujeme seba samých (a nie iných ľudí) do vyššej miery, než
u ostatných číselných vyjadrení. Podľa našej nedávnej štúdie by však vplyv
štatistických formátov mohol byť významne nižší u ľudí, dostatočne znalých
v danej téme.
Spravidla je náročné určiť, čo je
adekvátna úroveň vnímaného rizika – či už v oblasti medicíny alebo
v iných doménach. Zistenia o vplyve číselného vyjadrenia na posúdenie
pravdepodobnosti, a o príslušných kognitívnych odchýlkach, môžu
slúžiť ako podklad pre efektívnu komunikáciu – napríklad lekárov
a pacientov. Zvolený formát by bol špecificky uspôsobený na základe toho,
či majú ľudia tendenciu príslušné riziká podceňovať alebo, naopak, preceňovať.
Referencie
Bonner, C., & Newell, B. R. (2008). How to make a
risk seem riskier: The ratio bias versus construal level theory. Judgment and Decision Making, 3, 411–416.
Dudeková,
K., & Kostovičová, L. (2016). Čo z čoho a kto z koho? Efekt číselného
vyjadrenia a odbornosť pri posudzovaní rizika v oblastiach zdravia a financií. In M. Vavrečka, O. Bečev, M. Hoffman & K Štěpánová
(Eds.), Kognice a umělý život XVI:
Sborník z 16. ročníku konference Kognice a umělý život (pp. 23–28). Praha:
ČVUT.
Voľne dostupná
publikácia: http://www.kognice.eu/KUZ2016sbornik.pdf
Gigerenzer, G., & Hoffrage, U. (1995). How to
improve Bayesian reasoning without instruction: frequency formats. Psychological Review, 102, 684–704.
Kostovičová,
L. (2011). Bayesovské usudzovanie. In V. Bačová (Ed.), Rozhodovanie a usudzovanie II. Oblasti a koncepcie (pp. 51–74).
Bratislava: Ústav experimentálnej psychológie SAV.
Voľne dostupná
publikácia: http://www.psychologia.sav.sk/upload/Bacova_pdf.pdf
Sirota, M., Juanchich, M., Kostopoulou, O., &
Hanák, R. (2014). Decisive evidence on a smaller-than-you-think phenomenon:
Revisiting the “1-in-X” effect on subjective medical probabilities. Medical Decision Making, 34, 419–429.
Mgr. Lenka Kostovičová, PhD.
Autorka je výskumnou pracovníčkou na Ústave
experimentálnej psychológie CSPV SAV