Qu'est-ce que le biais cognitif ?

Chercher et peser les preuves qui soutiennent ce que vous pensez déjà. Où cela fait mal : la liste des fournisseurs établie après qu'une personne a décidé en privé, où chaque appel de référence confirme plutôt que teste.
Preuve : La tâche de découverte de règles de Wason de 1960 en est l'origine, bien que sa propre conclusion s'applique au sous-groupe qui a persisté après deux erreurs ou plus. Klayman et Ha (1987) l'ont reformulée comme une stratégie de test positif qui est normativement solide dans la plupart des environnements — vous n'êtes pas irrationnel de chercher là où vous vous attendez à trouver des choses. La méta-analyse de Hart et ses collègues de 2009 dans Psychological Bulletin place le biais de convivialité à d = 0.36, et il s'inverse lorsque l'information disconfirmante est réellement utile.
Dans Argumentree : la branche con n'est pas optionnelle. Une affirmation sans un contre-exemple enregistré est visiblement incomplète plutôt que silencieusement incontestée, et une chaîne de questions attache le défi à l'affirmation exacte qu'elle conteste.

Le premier nombre mentionné fixe la plage dans laquelle tout le monde argumente. Où cela fait mal : quiconque annonce un chiffre de budget, une évaluation ou une date de livraison en premier a déplacé toutes les estimations suivantes.
Preuve : La démonstration de Tversky et Kahneman en 1974 avait des estimations médianes de 25 contre 45 pour la même quantité après des ancres de 10 et 65. Many Labs 1 a reproduit l'ancrage de manière robuste — mais en utilisant des ancres fournies. L'ancrage incident à partir de nombres aléatoires a échoué dans Many Labs 2 (d = 0.04, p = .09, N = 6,826). Donc : les ancres délibérées déplacent les gens ; les nombres arbitraires dans l'environnement ne le font généralement pas.
Dans Argumentree : les positions sont soumises indépendamment avant la discussion, donc il n'y a pas de premier nombre sur lequel s'ancrer. L'ancre a besoin d'un public, et l'entrée asynchrone l'enlève.

Évaluer la probabilité d'un événement en fonction de la facilité avec laquelle un exemple vient à l'esprit. Où cela fait mal : la panne du dernier trimestre domine le registre des risques tandis que le risque plus lent et plus important, dont personne n'a d'histoire, reste non répertorié.
Preuve : divisé, et il est bon de savoir quelle moitié. La célèbre démonstration de la fréquence des lettres a été minimisée — Sedlmeier, Hertwig et Gigerenzer (1998) ont trouvé que les jugements suivaient généralement les proportions réelles. Le mécanisme de facilité de récupération perdure : la méta-analyse de Weingarten et Hutchinson en 2018, portant sur 263 études, trouve un effet moyen, bien que le biais de publication le réduise jusqu'à un tiers.
Dans Argumentree : les arguments portent leurs preuves, donc une anecdote vivante et un taux de base se côtoient et sont évalués séparément — et la chronologie montre quand chacun est entré dans la discussion.

L'article de Moore et Healy de 2008 dans Psychological Review le divise en trois : surestimer votre score, vous surclasser par rapport aux autres, et surprécision — être trop certain que votre estimation est correcte. Où cela fait mal : la plage de livraison qui est beaucoup trop étroite, donc chaque plan en aval hérite d'une fausse précision.
Preuve : la surprécision est celle qui est robuste. Soll et Klayman ont trouvé que les intervalles de confiance "sont parfois seulement 40 % aussi grands que nécessaire pour être bien calibrés." La surestimation et le surclassement s'inversent avec la difficulté de la tâche — les tâches difficiles produisent une surestimation mais un sousclassement — et l'effet difficile-facile est en partie un artefact de régression (Juslin et al. 2000).
Dans Argumentree : les évaluations portent sur l'argument, pas sur l'assertion, donc une affirmation confiante avec peu de preuves obtient un score comme peu de preuves.

Sous-estimer vos propres délais de réalisation tout en jugeant ceux des autres de manière réaliste. Où cela fait mal : chaque date de migration, d'intégration et de lancement que vous avez jamais fixée.
Preuve : solide sur le terrain. Flyvbjerg et ses collègues (2002) ont examiné 258 projets de transport d'une valeur d'environ 90 milliards de dollars et ont constaté que les coûts étaient sous-estimés dans environ neuf cas sur dix — ferroviaire +45 %, liaisons fixes +34 %, routes +20 %. Buehler, Griffin et Ross (1994) est l'origine en laboratoire, et il est à noter que le biais a été éliminé lorsque les participants ont été contraints de relier l'estimation à une expérience passée. Avertissement à garder à l'esprit : la revue de Halkjelsvik et Jørgensen de 2012 a trouvé que la sous-estimation était dominante dans la littérature en ingénierie et en gestion mais pas dans la littérature en psychologie.
Dans Argumentree : l'estimation devient une affirmation avec des preuves attachées — y compris la classe de référence — plutôt qu'un chiffre affirmé lors d'une réunion de planification.

Préférant l'arrangement actuel et considérant "ne rien faire" comme neutre plutôt que comme un choix avec des conséquences. Où cela fait mal : le fournisseur actuel a été renouvelé car changer nécessite une justification et rester ne le nécessite pas.
Preuves : parmi les plus solides ici. Samuelson et Zeckhauser (1988) ont testé 486 sujets et ont trouvé que seulement 28% des participants de TIAA-CREF avaient jamais changé leur allocation. La méta-analyse de 2019 de Jachimowicz et ses collègues sur les effets par défaut à travers 58 ensembles de données (n = 73 675) rapporte d = 0,68 [0,53, 0,83], et Madrian et Shea ont constaté que la participation au 401(k) passait de 37 % à 86 % uniquement en raison d'un changement par défaut.
Dans Argumentree : "garder ce que nous avons" est inscrit comme une option avec ses propres avantages et inconvénients, donc il concurrence sur les preuves au lieu de gagner en ne figurant pas à l'ordre du jour.

Les mêmes faits décrits comme un gain ou une perte produisent des choix différents. Où cela fait mal : "taux de réussite de 90 %" et "taux d'échec de 10 %" sont le même nombre et n'ont pas le même impact.
Preuve : robuste dans la direction, environ la moitié de l'ampleur originale. Many Labs 1 a répliqué l'élément de la maladie asiatique de Tversky et Kahneman : original d = 1.13 → réplique d = 0.62 (N = 6,271). Many Labs 2 a répliqué un élément différent du même article de 1981 — OR original 4.96 → OR 2.06 (N = 7,228). Ces deux études sont constamment confondues ; ce sont des études différentes. La méta-analyse de Kühberger de 136 articles qualifie le cadrage de fiable et de taille petite à modérée.
Dans Argumentree : les critères de décision sont écrits avant que les options ne soient cadrées, et une affirmation peut être énoncée une fois et contestée dans les deux cadrages plutôt que de survivre à la présentation.

Une fois que vous connaissez le résultat, vous croyez l'avoir su depuis le début. Où cela fait mal : le post-mortem qui devient une recherche de qui aurait dû le voir, ce qui apprend à tout le monde à être plus silencieux la prochaine fois.
Preuves : robustes, magnitude contestée. Fischhoff (1975) a montré que la connaissance du résultat augmente la probabilité jugée et que les gens sont largement inconscients de ce changement. Les méta-analyses ne s'accordent pas sur la taille : Christensen-Szalanski et Willham (122 études) rapportent r = .17 ; Guilbault et ses collègues (95 études) rapportent une médiane autour de .39 — et ont trouvé que les manipulations de dé-biaisage étaient largement inefficaces.
Dans Argumentree : le registre des décisions est horodaté, de sorte qu'un examen peut juger la décision sur les preuves qui existaient à l'époque plutôt que sur le résultat qui est arrivé plus tard.

Expliquer le comportement par le caractère tout en négligeant la situation. Où cela fait mal : le projet a échoué parce que le leader était faible — plutôt que parce que le processus leur a donné une échéance fixée par ancrage et un plan approuvé par consensus.
Preuves : solides dans le paradigme. Jones et Harris (1967) ont trouvé que les attributions d'attitude persistaient même lorsque la position de l'essai était assignée plutôt que choisie. Many Labs 2 a réussi à reproduire une étude sur le biais de correspondance — d'origine d = 1,75, réplication d = 1,82, l'un des résultats les plus solides de l'ensemble. À travers les cultures, cela s'atténue plutôt que de disparaître.
Dans Argumentree : les arguments sont évalués, les personnes ne le sont pas. C'est le principe de conception entier, et c'est la réponse structurelle directe à ce biais.

Compter les dépenses passées irrécupérables dans une décision présente. Où cela fait mal : le projet défendu en raison de ce qu'il a déjà consommé.
Preuves : réelles mais modérées, et les mesures sont contestées. Arkes et Blumer (1985) ont trouvé que 85% ont choisi de terminer un avion qui était déjà connu pour être inférieur. La méta-analyse de Sleesman et ses collègues place le coût irrécupérable à ρ = .243 — comparable à, mais pas plus grand que, la responsabilité personnelle. Une analyse de 2025 a révélé que les vignettes classiques de coût irrécupérable ont une faible cohérence interne (ω = 0.14–0.57), donc traiter les résultats de vignette unique avec précaution. Notez également que dans l'étude théâtrale d'Arkes et Blumer, l'effet était présent dans la première moitié de la saison et essentiellement disparu dans la seconde.
Dans Argumentree : les critères de sortie peuvent être enregistrés lorsque le projet est approuvé, de sorte que l'examen lit un document plutôt que de relitiguer le jugement d'un collègue — voir l'escalade de l'engagement.

Jugeant de la manière dont un cas correspond à un stéréotype tout en ignorant à quel point la chose est réellement courante. Où cela fait mal : "cet accord ressemble à ceux que nous gagnons" — sans le taux de victoire.
Preuve : robuste en tant que démonstration, et fortement dépendante du format, ce qui est la partie actionnable. Casscells et ses collègues (1978) ont trouvé que seulement 18% du personnel médical donnait la bonne réponse tandis que 45% étaient à côté de la plaque d'un facteur de près de cinquante ; Manrai et ses collègues l'ont répété 36 ans plus tard avec des résultats presque identiques (23% corrects, 44% donnant la même mauvaise réponse). Mais Gigerenzer et Hoffrage ont montré que les réponses correctes passaient d'environ 16% à 46–50% lorsque le même problème est posé en fréquences naturelles plutôt qu'en probabilités.
Dans Argumentree : la preuve est attachée à la revendication qu'elle soutient, donc un taux de base est présent comme un argument plutôt que mémorisé — ou non — par quiconque a la chance de le connaître.

L'affirmation selon laquelle les moins compétents sont les plus confiants. Où cela fait mal : la certitude la plus forte dans la pièce appartient à la personne qui a le moins de fondement pour cela.
Preuves — et celle-ci nécessite de l'attention. Le schéma descriptif se reproduit : les faibles performeurs s'estiment trop. L'explication ne se reproduit en grande partie pas. Nuhfer et ses collègues ont reproduit la forme classique du graphique à partir de nombres aléatoires ; Gignac et Zajenkowski (2020, N = 929) ont trouvé que la relation était essentiellement linéaire et que l'effet était beaucoup plus petit que rapporté ; McIntosh et ses collègues ont découvert que lorsque la difficulté de la tâche était égalisée, le schéma était éliminé — le niveau de performance, et non le déficit métacognitif, était le moteur. Pour être juste, Pennycook et Jansen et leurs collègues trouvent que les faibles performeurs sont moins capables d'évaluer leurs propres réponses.
Résumé honnête : les gens s'estiment trop, mais la plupart du célèbre graphique est une régression vers la moyenne plus un meilleur que la moyenne. Ne le citez pas comme une loi.
Dans Argumentree : la confiance n'est pas un input de score. Une évaluation est attachée aux preuves d'un argument, donc la certitude n'a aucun poids qu'elle n'a pas gagné.