تعصب شناختی چیست؟

جستجو و وزن‌دهی به شواهدی که از آنچه قبلاً فکر می‌کنید حمایت می‌کند. جایی که مشکل ایجاد می‌کند: فهرست فروشندگان که پس از تصمیم‌گیری خصوصی کسی جمع‌آوری شده است، جایی که هر تماس مرجع تأیید می‌کند به جای اینکه آزمایش کند.
شواهد: وظیفه کشف قاعده وازون در سال 1960 منبع آن است، هرچند نتیجه‌گیری خود او به زیرگروهی که پس از دو یا بیشتر خطا ادامه یافت، مربوط می‌شود. کلیمن و ها (1987) آن را به عنوان یک استراتژی آزمون مثبت که در بیشتر محیط‌ها از نظر هنجاری صحیح است، بازتعریف کردند — شما به خاطر جستجو در جایی که انتظار دارید چیزها را پیدا کنید، غیرمنطقی نیستید. متا-تحلیل 2009 هارت و همکاران در Psychological Bulletin تعصب هم‌سویی را در d = 0.36 قرار می‌دهد و این معکوس می‌شود زمانی که اطلاعات ردکننده واقعاً مفید باشد.
در Argumentree: شاخه مخالف اختیاری نیست. یک ادعا بدون یک مورد ضد ثبت شده به وضوح ناقص است و نه به آرامی بدون چالش، و یک زنجیره سوال چالش را به ادعای دقیقی که مورد مناقشه است متصل می‌کند.

عدد اول ذکر شده محدوده‌ای را تعیین می‌کند که همه در آن بحث می‌کنند. جایی که تأثیر می‌گذارد: هر کسی که ابتدا یک رقم بودجه، یک ارزیابی یا یک تاریخ تحویل را بگوید، هر برآورد بعدی را تحت تأثیر قرار داده است.
شواهد: نمایش Tversky و Kahneman در سال 1974 برآوردهای میانه‌ای از 25 در مقابل 45 برای همان مقدار پس از لنگرهای 10 و 65 داشت. بسیاری از آزمایشگاه‌ها 1 لنگرگذاری را به طور قوی تکرار کردند — اما با استفاده از لنگرهای ارائه شده. لنگرگذاری تصادفی از اعداد تصادفی در بسیاری از آزمایشگاه‌ها 2 شکست خورد (d = 0.04, p = .09, N = 6,826). بنابراین: لنگرهای عمدی مردم را تحت تأثیر قرار می‌دهند؛ اعداد دلخواه در محیط عمدتاً این کار را نمی‌کنند.
در Argumentree: مواضع به طور مستقل قبل از بحث ارائه می‌شوند، بنابراین عدد اولی برای لنگرگذاری وجود ندارد. لنگر به یک مخاطب نیاز دارد و ورودی ناهمزمان آن را حذف می‌کند.

قضاوت در مورد احتمال وقوع چیزی بر اساس اینکه چقدر راحت یک مثال به ذهن می‌آید. جایی که مشکل ایجاد می‌کند: قطعی سه ماهه گذشته بر ثبت ریسک تسلط دارد در حالی که ریسک بزرگ‌تر و کندتری که هیچ‌کس داستانی درباره‌اش ندارد، در فهرست قرار نمی‌گیرد.
شواهد: تقسیم‌بندی و دانستن اینکه کدام نیمه مهم است. نمایش معروف فراوانی حروف تضعیف شده است — سدلمایر، هرتویگ و گیگرنزر (1998) دریافتند که قضاوت‌ها معمولاً از نسبت‌های واقعی پیروی می‌کنند. مکانیزم آسانی بازیابی باقی می‌ماند: متا-تحلیل وینگرتن و هاتچینسون در سال 2018 در 263 مطالعه اثر متوسطی را پیدا می‌کند، هرچند که سوگیری انتشار آن را تا یک سوم کاهش می‌دهد.
در Argumentree: استدلال‌ها شواهد خود را به همراه دارند، بنابراین یک داستان زنده و یک نرخ پایه در کنار هم قرار می‌گیرند و به طور جداگانه ارزیابی می‌شوند — و جدول زمانی نشان می‌دهد که هر کدام چه زمانی وارد بحث شدند.

مقاله مور و هیلی در سال ۲۰۰۸ در Psychological Review این موضوع را به سه بخش تقسیم می‌کند: ارزیابی بیش از حد نمره خود، قرار دادن خود در مقایسه با دیگران به طور نادرست، و دقت بیش از حد — اطمینان بیش از حد از اینکه برآورد شما درست است. جایی که مشکل ایجاد می‌کند: دامنه تحویل که بسیار باریک است، بنابراین هر برنامه‌ای در پایین‌دست دقت نادرست را به ارث می‌برد.
شواهد: دقت بیش از حد قوی‌ترین است. سول و کلیمن دریافتند که فاصله‌های اطمینان "گاهی تنها ۴۰٪ به اندازه‌ای بزرگ هستند که برای کالیبره شدن خوب لازم است." ارزیابی بیش از حد و قرار دادن بیش از حد با سختی وظیفه معکوس می‌شوند — وظایف سخت ارزیابی بیش از حد تولید می‌کنند اما کم قرار دادن — و اثر سخت-آسان خود بخشی از یک پدیده رگرسیونی است (جوسلین و همکاران ۲۰۰۰).
در Argumentree: ارزیابی‌ها بر اساس استدلال است، نه ادعا، بنابراین یک ادعای مطمئن با شواهد ضعیف مانند شواهد ضعیف امتیاز می‌گیرد.

کاهش ارزش زمان‌های تکمیل خود در حالی که زمان‌های دیگران را به طور واقع‌بینانه قضاوت می‌کنید. جایی که آسیب می‌زند: هر مهاجرت، ادغام و تاریخ راه‌اندازی که تا به حال تعیین کرده‌اید.
شواهد: قوی در این زمینه. فلیب‌بی‌یرگ و همکاران (2002) 258 پروژه حمل و نقل به ارزش حدود 90 میلیارد دلار آمریکا را بررسی کردند و دریافتند که هزینه‌ها در حدود نه مورد از ده مورد دست کم گرفته شده‌اند — راه‌آهن +45٪، پیوندهای ثابت +34٪، جاده‌ها +20٪. بوهلر، گریفین و راس (1994) منبع آزمایشگاهی هستند و به‌ویژه این تعصب حذف شد زمانی که شرکت‌کنندگان مجبور شدند برآورد را به تجربه‌های گذشته خود متصل کنند. هشدار قابل توجه: بررسی هالکیلسویک و یورگنسن در سال 2012 نشان داد که کاهش ارزش در ادبیات مهندسی و مدیریت غالب است اما در ادبیات روانشناسی نیست.
در Argumentree: برآورد به یک ادعا با شواهد پیوست شده — از جمله کلاس مرجع — تبدیل می‌شود نه به یک عدد که در یک جلسه برنامه‌ریزی مطرح شده است.

ترجیح دادن ترتیب فعلی و در نظر گرفتن "هیچ کاری نکردن" به عنوان یک گزینه خنثی به جای انتخابی با پیامدها. جایی که مشکل ایجاد می‌کند: فروشنده فعلی تمدید شده است زیرا تغییر نیاز به توجیه دارد و ماندن ندارد.
شواهد: در میان قوی‌ترین‌ها در اینجا. ساموئلسون و زکهاوزر (1988) بر روی 486 نفر آزمایش کردند و دریافتند که تنها 28% از شرکت‌کنندگان TIAA-CREF هرگز تخصیص خود را تغییر نداده‌اند. متا-تحلیل 2019 یاکیموویچ و همکارانش از اثرات پیش‌فرض در 58 مجموعه داده (n = 73,675) گزارش می‌دهد d = 0.68 [0.53, 0.83] و مدریان و شیا دریافتند که مشارکت در 401(k) تنها با تغییر پیش‌فرض از 37% به 86% افزایش یافته است.
در Argumentree: "نگه‌داشتن آنچه داریم" به عنوان یک گزینه با مزایا و معایب خود وارد شده است، بنابراین بر اساس شواهد رقابت می‌کند به جای اینکه با عدم حضور در دستور کار برنده شود.

همان حقایق که به عنوان سود یا زیان توصیف می‌شوند، انتخاب‌های متفاوتی را تولید می‌کنند. جایی که تأثیر می‌گذارد: "نرخ موفقیت 90%" و "نرخ شکست 10%" همان عدد هستند و به یک شکل تأثیر نمی‌گذارند.
شواهد: در جهت قوی، تقریباً نیمی از اندازه اصلی. آزمایشگاه‌های متعدد 1 مورد بیماری آسیایی تورسکی و کاهنمن را تکرار کردند: d = 1.13 اصلی → تکرار d = 0.62 (N = 6,271). آزمایشگاه‌های متعدد 2 یک مورد مختلف از همان مقاله 1981 را تکرار کردند — OR اصلی 4.96 → OR 2.06 (N = 7,228). این دو به طور مداوم با هم اشتباه گرفته می‌شوند؛ آنها مطالعات متفاوتی هستند. متا-تحلیل کُه‌برگر از 136 مقاله، قاب‌بندی را قابل اعتماد و با اندازه کوچک تا متوسط می‌داند.
در Argumentree: معیارهای تصمیم‌گیری قبل از اینکه گزینه‌ها قاب‌بندی شوند نوشته می‌شوند و یک ادعا می‌تواند یک بار بیان شود و در هر دو قاب به چالش کشیده شود، به جای اینکه فقط بر اساس ارائه زنده بماند.

زمانی که نتیجه را می‌دانید، باور می‌کنید که از ابتدا آن را می‌دانستید. جایی که درد می‌کند: پس از مرگ که به جستجوی این می‌پردازد که چه کسی باید آن را می‌دید، که به همه می‌آموزد که دفعه بعد ساکت‌تر باشند.
شواهد: قوی، اندازه مورد بحث. فیشهوف (1975) نشان داد که دانش نتیجه، احتمال قضاوت شده را افزایش می‌دهد و مردم عمدتاً از این تغییر بی‌خبرند. متا-تحلیل‌ها در مورد اندازه اختلاف نظر دارند: کریستنسن-زالانسکی و ویلهام (122 مطالعه) گزارش می‌دهند r = .17؛ گیلبو و همکاران (95 مطالعه) گزارش می‌دهند که میانه حدود .39 است — و دریافتند که دستکاری‌های ضد تعصب عمدتاً بی‌اثر هستند.
در Argumentree: سابقه تصمیم زمان‌دار است، بنابراین یک بررسی می‌تواند تصمیم را بر اساس شواهدی که در آن زمان وجود داشت قضاوت کند نه بر اساس نتیجه‌ای که بعداً به دست آمد.

توضیح رفتار با توجه به شخصیت در حالی که وضعیت نادیده گرفته می‌شود. جایی که آسیب می‌زند: پروژه به دلیل ضعف رهبری شکست خورد — نه به این دلیل که فرآیند مهلت زمانی را با تکیه‌گاه تعیین کرده و برنامه‌ای را با توافق تأیید کرده بود.
شواهد: در پارادایم محکم است. جونز و هریس (1967) دریافتند که نسبت‌های نگرشی حتی زمانی که موقعیت مقاله به جای انتخاب، تعیین شده بود، ادامه داشت. آزمایشگاه‌های متعدد 2 یک مطالعه تعصب مکاتبه‌ای را با موفقیت تکرار کردند — d اصلی = 1.75، تکرار d = 1.82، یکی از نتایج محکم‌تر در مجموعه. در سطح بین‌فرهنگی، این تعصب کاهش می‌یابد نه اینکه ناپدید شود.
در Argumentree: استدلال‌ها ارزیابی می‌شوند، افراد نه. این اصل طراحی کل است و پاسخ ساختاری مستقیم به این تعصب است.

شمارش هزینه‌های غیرقابل بازیابی گذشته در یک تصمیم کنونی. جایی که آسیب می‌زند: پروژه‌ای که به خاطر آنچه قبلاً مصرف کرده است، دفاع می‌شود.
شواهد: واقعی اما متوسط، و اقدامات مورد مناقشه هستند. آرکس و بلومر (1985) دریافتند که 85% انتخاب کردند که یک هواپیما را که قبلاً مشخص شده بود inferior است، به پایان برسانند. متا-تحلیل اسلیزمان و همکاران هزینه غرق شده را ρ = .243 قرار می‌دهد — قابل مقایسه با، نه بزرگتر از، مسئولیت شخصی. یک تحلیل در سال 2025 نشان داد که وینت‌های کلاسیک هزینه غرق شده دارای سازگاری داخلی ضعیفی هستند (ω = 0.14–0.57)، بنابراین یافته‌های تک وینت را با احتیاط بررسی کنید. همچنین توجه داشته باشید که در مطالعه تئاتر آرکس و بلومر، اثر در نیمه اول فصل وجود داشت و اساساً غایب در نیمه دوم بود.
در Argumentree: معیارهای خروج می‌توانند زمانی که پروژه تأیید می‌شود ثبت شوند، بنابراین بررسی یک سند را می‌خواند به جای اینکه قضاوت یک همکار را دوباره بررسی کند — به افزایش تعهد مراجعه کنید.

با توجه به اینکه یک مورد چقدر با یک کلیشه مطابقت دارد در حالی که میزان شایع بودن آن چیز نادیده گرفته می‌شود. جایی که مشکل ایجاد می‌کند: "این معامله شبیه به معاملاتی است که برنده می‌شویم" — بدون در نظر گرفتن نرخ پیروزی.
شواهد: به عنوان یک نمایش قوی و به شدت وابسته به فرمت، که بخش قابل اقدام است. کاسل‌ها و همکارانش (1978) تنها 18% از کادر پزشکی پاسخ صحیح دادند در حالی که 45% با یک عامل نزدیک به پنجاه اشتباه کردند؛ منرای و همکارانش 36 سال بعد این آزمایش را با نتایج تقریباً مشابه تکرار کردند (23% صحیح، 44% همان پاسخ نادرست را دادند). اما گیگرنزر و هوفراژ نشان دادند که پاسخ‌های صحیح از حدود 16% به 46–50% افزایش می‌یابد زمانی که همان مشکل به صورت فراوانی‌های طبیعی مطرح می‌شود نه به صورت احتمالات.
در Argumentree: شواهد به ادعایی که پشتیبانی می‌کند متصل است، بنابراین یک نرخ پایه به عنوان یک استدلال وجود دارد نه اینکه به یاد آورده شود — یا نه — توسط هر کسی که به طور تصادفی آن را می‌داند.

ادعای اینکه کم‌لیاقت‌ترین‌ها بیشترین اعتماد به نفس را دارند. جایی که درد می‌کند: قوی‌ترین یقین در اتاق متعلق به فردی است که کمترین پایه برای آن دارد.
شواهد — و این یکی نیاز به دقت دارد. الگوی توصیفی تکرار می‌شود: افراد با عملکرد پایین خود را بیش از حد ارزیابی می‌کنند. توضیح عمدتاً اینگونه نیست. نوفیر و همکارانش شکل کلاسیک نمودار را از اعداد تصادفی بازتولید کردند؛ گیناک و زاجنکوفسکی (2020، N = 929) رابطه را اساساً خطی یافتند و اثر بسیار کوچکتر از آنچه گزارش شده بود؛ مک‌اینتاش و همکارانش دریافتند که وقتی سختی کار برابر شد، الگو حذف شد — سطح عملکرد، نه نقص متاکاگنیتی، عامل بود. به انصاف، پنی‌کوک و یانسن و همکارانش می‌یابند که افراد با عملکرد پایین کمتر قادر به ارزیابی پاسخ‌های خود هستند.
خلاصه صادقانه: مردم خود را بیش از حد ارزیابی می‌کنند، اما بیشتر نمودار معروف بازگشت به میانگین به علاوه بهتر از میانگین است. آن را به عنوان یک قانون نقل قول نکنید.
در آرگومنتری: اعتماد به نفس ورودی نمره‌دهی نیست. یک امتیاز به شواهد یک استدلال تعلق می‌گیرد، بنابراین یقین وزنی ندارد که آن را کسب نکرده باشد.