Informations

Neurosciences théoriques : quels outils sont dans votre boîte à outils mathématique ?

Neurosciences théoriques : quels outils sont dans votre boîte à outils mathématique ?

Je pense que les cours suivants sont une exigence minimale en mathématiques/ingénierie/(+cs) pour la recherche théorique en neurosciences, en particulier l'approche NEF/SPA d'Eliasmith. Je me demande quels autres outils pourraient être utiles. Concrètement, j'essaie de comprendre l'utilité marginale de "apprendre plus de mathématiques juste au cas où vous auriez besoin de l'appliquer dans un nouveau contexte + une maturité mathématique améliorée" par rapport à "apprendre plus de neurosciences". Pouvez-vous s'il vous plaît énumérer quelques cours de mathématiques/ingénierie/(+cs) que vous avez trouvés faisant partie intégrante de votre recherche et fournir un contexte ?

Math: Précalcul, Calcul 1, Calcul 2, Calcul multivariable, Équations différentielles ordinaires, Algèbre linéaire (aux valeurs propres), Mathématiques discrètes et logique, Optimisation et méthodes numériques

Ingénierie: Systèmes et signaux, systèmes de contrôle, reconnaissance de formes, théorie de l'information et applications, apprentissage automatique (réseaux de neurones en particulier)

CS : Structures de données et algorithmes, développement de logiciels orientés objet, calcul neuromorphique


Heureusement, je pense que votre liste d'exigences est déjà trop longue.

Votre boîte à outils principale sera :

  • Algèbre linéaire
  • Probabilités et statistiques
  • python

Si vous le souhaitez, vous pouvez ajouter :

  • Traitement du signal (filtrage)
  • Machine Learning (principalement juste des applications de l'algèbre linéaire)

Je suis actuellement TA dans une école d'été en ligne appelée Neuromatch Academy. Consultez leur programme (cours de 3 semaines) pour un aperçu des outils utiles en neurosciences théoriques. page d'accueil : https://neuromatch.io/academy/ syllabus, tutoriels : https://github.com/NeuromatchAcademy/course-content

Par intérêt, pourquoi NEF ? Il existe une multitude de frameworks et NEF est relativement limité dans son application.


Objectifs de la trousse à outils de sensibilisation et de prévention du cannabis/marijuana

1. apprenez des informations de base sur tous les produits de cannabis/marijuana

2. comprendre comment leur cerveau se développe et comment le cannabis/la marijuana influence ce développement

3. identifier les façons dont la consommation de cannabis/marijuana peut interférer avec le développement des compétences de vie que tous les adolescents doivent apprendre maintenant

4. comprendre comment la consommation de cannabis/marijuana peut les empêcher de découvrir ce qui peut leur apporter du plaisir

5. explorer qui ils sont et ce qu'ils aiment, comme alternatives à la consommation de cannabis/marijuana

6. apprendre pourquoi et comment certaines personnes (1 jeune sur 6) peuvent devenir accros au cannabis/marijuana

7. continuer à ne pas consommer de cannabis pour ceux qui ne consomment actuellement pas de cannabis/marijuana

8. envisager de diminuer, de retarder ou d'arrêter la consommation de cannabis/marijuana pour ceux qui sont des consommateurs actuels de cannabis/marijuana

9. acquérir des compétences de refus pour faire face à la pression des pairs de l'expérimentation et de la consommation de cannabis/marijuana.


Outils et éthique pour les connaissances comportementales appliquées : la boîte à outils BASIC

Vous voulez comprendre comment BASIC peut vous aider à améliorer l'élaboration des politiques ? Lisez la brochure BASIC pour obtenir un aperçu rapide de Pourquoi La BI est importante pour résoudre les problèmes rencontrés par le gouvernement et Quel est le processus par lequel les aspects comportementaux d'un problème peuvent être identifiés, délimités et traités. Ceci complète le manuel d'instructions plus détaillé situé dans la publication de l'OCDE ci-dessus.

Avez-vous déjà manqué un rendez-vous important parce que vous aviez trop à faire et que vous avez oublié? A renoncé à remplir correctement un formulaire public parce qu'il était trop lourd et difficile à comprendre ? Conduit un peu au-dessus de la limite de vitesse parce que tous les autres conducteurs allaient aussi vite ?

Ce sont des exemples quotidiens de la façon dont le contexte et biais comportementaux peut influencer la prise de décision.

Une meilleure compréhension du comportement humain peut conduire à de meilleures politiques . Si vous recherchez une approche plus nuancée et axée sur les données pour l'élaboration des politiques, vous devriez alors considérer ce qui motive réellement les décisions et les comportements des citoyens plutôt que de vous fier à des hypothèses sur la façon dont ils devraient agir.

C'est exactement ce que fournit les insights comportementaux (BI) . S'appuyant sur des recherches rigoureuses en économie comportementale et en sciences du comportement, la BI peut aider les organismes publics à comprendre pourquoi les citoyens se comportent comme ils le font et à pré-tester les solutions politiques les plus efficaces avant de les mettre en œuvre à grande échelle. En intégrant la BI dans l'élaboration des politiques, vous pouvez mieux anticiper les conséquences comportementales de votre politique et, en fin de compte, concevoir et mettre en œuvre des politiques plus efficaces qui peuvent améliorer le bien-être des citoyens.

Vous pouvez commencer à appliquer la BI à la stratégie maintenant. Peu importe où vous vous situez dans le cycle politique, les politiques peuvent être améliorées avec la BI grâce à un processus qui examine les comportements, l'analyse, les stratégies, les interventions, le changement (BASIC). Cela vous permet d'aller à la racine du problème politique, de rassembler des preuves de ce qui fonctionne, de montrer votre soutien à l'innovation gouvernementale et, en fin de compte, d'améliorer les résultats des politiques. Cette boîte à outils guide les responsables politiques à travers ces étapes BASIC pour commencer à utiliser une approche inductive et expérimentale pour une élaboration de politiques plus efficace.

Le cadre BASIC

La boîte à outils contient deux éléments principaux : tout d'abord, un guide qui vous fournira une introduction à l'élaboration de politiques éclairées par le comportement et un bref aperçu des tests et de la mise en œuvre. Ceci s'adresse aux décideurs qui connaissent le problème et le contexte politiques mais qui ont une expérience limitée ou même aucune expérience avec la BI. Deuxièmement, le manuel BASIC fournit des approches, des preuves de concepts et des détails sur les méthodes de conception et de mise en œuvre d'une intervention politique éclairée par le comportement.

Pour plus d'informations , veuillez contacter James Drummond.


Modèle ÉCHARPE de David Rock

Améliorez le « facteur de bien-être » en maximisant la réponse de votre personnel aux récompenses.

Jan gère une nouvelle équipe et elle remarque que l'un des membres de son équipe, Carl, utilise un nouveau logiciel de manière incorrecte. Elle lui offre quelques conseils et retourne à son travail. Mais plus tard, elle remarque qu'il en abuse toujours. Alors, elle décide de s'asseoir avec lui jusqu'à ce qu'il réussisse.

Au cours des prochains jours, Jan remarque que Carl est devenu distant avec elle. Il est sur la défensive lorsqu'elle lui fait part de ses commentaires et il évite de lui parler. Jan est abasourdie et tout ce qu'elle veut, c'est aider Carl, et elle ne comprend pas pourquoi il réagit si mal à son soutien.

Si elle avait utilisé le modèle SCARF, Jan aurait réalisé que Carl n'était pas difficile et qu'il se sentait juste menacé. La façon dont elle a géré la situation a fait que Carl se sentait idiot et stupide, au lieu d'être responsabilisé.

Dans cet article, nous explorons davantage le modèle SCARF et expliquons comment vous pouvez l'utiliser pour travailler plus efficacement avec les gens.


Neurosciences théoriques : quels outils sont dans votre boîte à outils mathématique ? - Psychologie

Outils d'analyse décisionnelle

Outils d'analyse décisionnelle :
Analyse des décisions à risque

Si vous commencez par des certitudes, vous finirez par des doutes, mais si vous vous contentez de commencer par des doutes, vous finirez par des quasi certitudes.

Para mis visitantes del mundo de habla hispana, este sitio se encuentra available in español fr:

Sitio Espejo para América Latina Sitio en los E.E.U.U.

Traduction en estonien

Prendre des décisions est certainement la tâche la plus importante d'un manager et c'est souvent une tâche très difficile. Ce site propose une procédure de prise de décision pour résoudre des problèmes complexes étape par étape. Il présente le processus d'analyse décisionnelle pour la prise de décision publique et privée, en utilisant différents critères de décision, différents types d'informations et des informations de qualité variable. Il décrit les éléments de l'analyse des alternatives de décision et des choix, ainsi que les buts et objectifs qui guident la prise de décision. Les questions clés liées aux préférences d'un décideur concernant les alternatives, les critères de choix et les modes de choix, ainsi que les outils d'évaluation des risques sont également présentés.

    Les documents sont présentés dans le contexte des sélections de portefeuilles financiers. La présentation s'inscrit dans le cadre des sélections de portefeuilles financiers sous risque. Les applications sont tirées de la commercialisation d'un nouveau produit.
  1. Processus de prise de décision optimal
  2. Objets d'apprentissage JavaScript E-labs
  3. Une vue panoramique critique de l'analyse décisionnelle classique
  4. Exercez vos connaissances pour améliorer ce que vous avez appris (PDF)
  • Prise de décision du leadership
  • Programmation linéaire (LP) et stratégie de recherche d'objectifs
  • Logiciel d'optimisation linéaire à télécharger
  • Algorithmes de solution LP libre à variable artificielle
  • Optimisation d'entiers et modèles de réseau
  • Outils pour la validation de la modélisation LP
  • Construction de la région de sensibilité pour les modèles LP
  • Zero Sagas en quatre dimensions
  • Simulation de systèmes
  • Mots-clés et expressions d'affaires
  • Compendium d'examen du site Web
  • Collection d'objets d'apprentissage JavaScript E-labs
  • Ressources en sciences de la décision
  • Compendium d'examen du site Web

Introduction et résumé

Les règles empiriques, l'intuition, la tradition et une simple analyse financière ne suffisent souvent plus pour prendre en compte des décisions courantes telles que la fabrication contre l'achat, la sélection du site des installations et la refonte des processus. En général, les forces de la concurrence imposent un besoin de prise de décision plus efficace à tous les niveaux des organisations.

Les analystes décisionnels fournissent un soutien quantitatif aux décideurs dans tous les domaines, y compris les ingénieurs, les analystes des bureaux de planification et des organismes publics, les consultants en gestion de projet, les planificateurs de processus de fabrication, les analystes financiers et économiques, les experts soutenant le diagnostic médical/technologique, etc.

Approche progressive de la modélisation : La modélisation pour la prise de décision implique deux parties distinctes, l'une est le décideur et l'autre est le constructeur de modèles connu sous le nom d'analyste. L'analyste doit assister le décideur dans son processus de prise de décision. Par conséquent, l'analyste doit être équipé de plus qu'un ensemble de méthodes analytiques.

Les spécialistes de la construction de modèles sont souvent tentés d'étudier un problème, puis de partir isolément pour développer un modèle mathématique élaboré à l'usage du gestionnaire (c'est-à-dire le décideur). Malheureusement, le gestionnaire peut ne pas comprendre ce modèle et peut l'utiliser aveuglément ou le rejeter complètement. Le spécialiste peut avoir l'impression que le gestionnaire est trop ignorant et peu sophistiqué pour apprécier le modèle, tandis que le gestionnaire peut avoir l'impression que le spécialiste vit dans un monde de rêve fait d'hypothèses irréalistes et d'un langage mathématique non pertinent.

Une telle mauvaise communication peut être évitée si le gestionnaire travaille avec le spécialiste pour développer d'abord un modèle simple qui fournit une analyse brute mais compréhensible. Une fois que le gestionnaire a acquis une certaine confiance dans ce modèle, des détails et une sophistication supplémentaires peuvent être ajoutés, peut-être progressivement seulement un peu à la fois. Ce processus nécessite un investissement de temps de la part du manager et un intérêt sincère de la part du spécialiste à résoudre le vrai problème du manager, plutôt que de créer et d'essayer d'expliquer des modèles sophistiqués. Cette construction de modèle progressive est souvent appelée approche d'amorçage et est le facteur le plus important pour déterminer la mise en œuvre réussie d'un modèle de décision. De plus, l'approche d'amorçage simplifie autrement la tâche difficile des processus de validation et de vérification du modèle.

Qu'est-ce qu'un système : Les systèmes sont formés de parties assemblées d'une manière particulière afin de poursuivre un objectif. La relation entre les parties détermine ce que fait le système et comment il fonctionne dans son ensemble. Par conséquent, la relation dans un système est souvent plus importante que les parties individuelles. En général, les systèmes qui sont des blocs de construction pour d'autres systèmes sont appelés sous-systèmes

La dynamique d'un système : Un système qui ne change pas est un système statique (c'est-à-dire déterministe). Bon nombre des systèmes dont nous faisons partie sont des systèmes dynamiques, c'est-à-dire qu'ils changent au fil du temps. Nous nous référons à la façon dont un système change au fil du temps comme le comportement du système. Et lorsque le développement du système suit un modèle typique, nous disons que le système a un modèle de comportement. Qu'un système soit statique ou dynamique dépend de l'horizon temporel que vous choisissez et des variables sur lesquelles vous vous concentrez. L'horizon temporel est la période de temps pendant laquelle vous étudiez le système. Les variables sont des valeurs modifiables sur le système.

Dans les modèles déterministes, une bonne décision est jugée uniquement par le résultat. Cependant, dans les modèles probabilistes, le décideur est concerné non seulement par la valeur du résultat, mais aussi par le montant du risque que chaque décision comporte.

Comme exemple de modèles déterministes versus probabilistes, considérons le passé et le futur : rien de ce que nous pouvons faire ne peut changer le passé, mais tout ce que nous faisons influence et change le futur, bien que le futur contienne un élément d'incertitude. Les managers sont beaucoup plus captivés par le façonnement de l'avenir que par l'histoire du passé.

L'incertitude est le fait de la vie et la probabilité des affaires est le guide d'une « bonne » vie et d'une entreprise prospère. Le concept de probabilité occupe une place importante dans le processus de prise de décision, qu'il s'agisse d'un problème rencontré dans les affaires, au gouvernement, dans les sciences sociales ou simplement dans la vie personnelle de tous les jours. Dans très peu de situations de prise de décision, une information parfaite - tous les faits nécessaires - est disponible. La plupart des décisions sont prises face à l'incertitude. La probabilité entre dans le processus en jouant le rôle de substitut à la certitude - substitut à la connaissance complète.

La modélisation probabiliste est largement basée sur l'application de statistiques pour l'évaluation de la probabilité d'événements (ou de facteurs) incontrôlables, ainsi que sur l'évaluation des risques de votre décision. L'idée originale des statistiques était la collecte d'informations sur et pour l'État. Le mot statistique n'est dérivé d'aucune racine grecque ou latine classique, mais du mot italien pour État. La probabilité a une histoire beaucoup plus longue. La probabilité est dérivée du verbe sonder qui signifie "découvrir" ce qui n'est pas trop facilement accessible ou compréhensible. Le mot « preuve » a la même origine qui fournit les détails nécessaires pour comprendre ce qui est prétendu être vrai.

Les modèles probabilistes sont considérés comme similaires à ceux d'un jeu. Les actions sont basées sur les résultats attendus. Le centre d'intérêt passe des modèles déterministes aux modèles probabilistes en utilisant des techniques statistiques subjectives pour l'estimation, les tests et les prédictions . Dans la modélisation probabiliste, le risque signifie l'incertitude pour laquelle la distribution de probabilité est connue. Par conséquent, l'évaluation des risques signifie une étude visant à déterminer les résultats des décisions ainsi que leurs probabilités.

Les décideurs sont souvent confrontés à un grave manque d'information. L'évaluation des probabilités quantifie l'écart d'information entre ce qui est connu et ce qui doit être connu pour une décision optimale. Les modèles probabilistes sont utilisés pour la protection contre l'incertitude défavorable et l'exploitation de l'incertitude propice.

La difficulté de l'évaluation des probabilités découle d'informations rares, vagues, incohérentes ou incomplètes. Un énoncé tel que "la probabilité d'une panne de courant est comprise entre 0,3 et 0,4" est plus naturel et réaliste que son équivalent "exact" tel que "la probabilité d'une panne de courant est de 0,36342".

C'est une tâche difficile de comparer plusieurs plans d'action, puis de sélectionner une action à mettre en œuvre. Parfois, la tâche peut s'avérer trop difficile. Les difficultés dans la prise de décision découlent de la complexité des alternatives de décision. La capacité limitée de traitement de l'information d'un décideur peut être mise à rude épreuve lorsqu'on considère les conséquences d'un seul plan d'action. Pourtant, le choix exige que les implications des divers plans d'action soient visualisées et comparées. De plus, des facteurs inconnus empiètent toujours sur la situation problématique et les résultats sont rarement connus avec certitude. Presque toujours, un résultat dépend des réactions d'autres personnes qui peuvent elles-mêmes être indécises. Il n'est pas étonnant que les décideurs repoussent parfois les choix le plus longtemps possible. Puis, lorsqu'ils décident enfin, ils négligent de considérer toutes les implications de leur décision.

Émotions et décision risquée : La plupart des décideurs s'appuient sur les émotions pour porter des jugements concernant des décisions risquées. Beaucoup de gens ont peur des conséquences indésirables possibles. Cependant, a-t-on besoin d'émotions pour pouvoir juger si une décision et ses risques concomitants sont moralement acceptables. Cette question a des implications pratiques directes : les ingénieurs, les scientifiques et les décideurs politiques impliqués dans le développement de la réglementation des risques doivent-ils ou non prendre au sérieux les émotions du public ? Même si les émotions sont subjectives et irrationnelles (ou a-rationnelles), elles devraient faire partie du processus de prise de décision car elles nous montrent nos préférences. Puisque les émotions et la rationalité ne s'excluent pas mutuellement, car pour être pratiquement rationnel, nous avons besoin d'avoir des émotions. Cela peut conduire à une autre vision du rôle des émotions dans l'évaluation des risques : les émotions peuvent être un guide normatif pour porter des jugements sur les risques moralement acceptables.

La plupart des gens font souvent des choix par habitude ou tradition, sans passer systématiquement par les étapes du processus de prise de décision. Les décisions peuvent être prises sous la pression sociale ou des contraintes de temps qui interfèrent avec un examen attentif des options et des conséquences. Les décisions peuvent être influencées par l'état émotionnel d'une personne au moment où une décision est prise. Lorsque les gens manquent d'informations ou de compétences adéquates, ils peuvent prendre des décisions moins qu'optimales. Même quand ou si les gens ont du temps et des informations, ils ne comprennent souvent pas bien les probabilités des conséquences. Même lorsqu'ils connaissent les statistiques, ils sont plus susceptibles de s'appuyer sur leur expérience personnelle que sur des informations sur les probabilités. Les préoccupations fondamentales de la prise de décision sont de combiner des informations sur la probabilité avec des informations sur les désirs et les intérêts. Par exemple : combien voulez-vous la rencontrer, quelle est l'importance du pique-nique, combien vaut le prix ?

La prise de décision commerciale s'accompagne presque toujours de conditions d'incertitude. De toute évidence, plus le décideur dispose d'informations, meilleure sera la décision. Traiter les décisions comme s'il s'agissait de paris est la base de la théorie de la décision. Cela signifie que nous devons échanger la valeur d'un certain résultat contre sa probabilité.

Pour fonctionner selon les canons de la théorie de la décision, nous devons calculer la valeur d'un certain résultat et ses probabilités, déterminant ainsi les conséquences de nos choix.

L'origine de la théorie de la décision est dérivée de l'économie en utilisant la fonction d'utilité des gains. Il suggère que les décisions soient prises en calculant l'utilité et la probabilité, les gammes d'options, et établit également des stratégies pour de bonnes décisions :

Ce site Web présente le processus d'analyse décisionnelle à la fois pour la prise de décision publique et privée selon différents critères de décision, type et qualité des informations disponibles. Ce site Web décrit les éléments de base de l'analyse des alternatives de décision et des choix, ainsi que les buts et objectifs qui guident la prise de décision. Dans les sections suivantes, nous examinerons les questions clés liées aux préférences d'un décideur concernant les alternatives, les critères de choix et les modes de choix.

Les objectifs sont importants à la fois pour identifier les problèmes et pour évaluer des solutions alternatives. L'évaluation des alternatives nécessite que les objectifs d'un décideur soient exprimés en tant que critère qui reflète les attributs des alternatives pertinentes pour le choix.

L'étude systématique de la prise de décision fournit un cadre pour choisir des lignes de conduite dans une situation complexe, incertaine ou conflictuelle. Les choix d'actions possibles et la prédiction des résultats attendus découlent d'une analyse logique de la situation de décision.

Un inconvénient possible dans l'approche d'analyse décisionnelle : Vous avez peut-être déjà remarqué que les critères ci-dessus entraînent toujours la sélection d'un seul plan d'action . Cependant, dans de nombreux problèmes de décision, le décideur peut souhaiter envisager une combinaison de certaines actions. Par exemple, dans le problème d'investissement, l'investisseur peut souhaiter répartir les actifs entre un mélange de choix de manière à optimiser le rendement du portefeuille. Visitez le site Web de la théorie des jeux avec applications pour concevoir une telle stratégie mixte optimale.

Autres lectures :
Arsham H., Un modèle markovien du comportement d'achat des consommateurs et de la politique optimale de pulsation publicitaire, Computers and Operations Research, 20(2), 35-48, 1993.
Arsham H., Un modèle stochastique de politique de pulsation publicitaire optimale, Computers and Operations Research , 14(3), 231-239, 1987.
Ben-Haim Y., Information-gap Decision Theory: Decisions Under Severe Uncertainty , Academic Press, 2001.
Golub A., Analyse décisionnelle : une approche intégrée, Wiley, 1997.
Goodwin P. et G. Wright, Analyse décisionnelle pour le jugement de gestion, Wiley, 1998.
van Gigch J., Metadecisions: Rehabilitating Epistemology, Kluwer Academic Publishers, 2002.
Wickham Ph., Entrepreneuriat stratégique: Une approche décisionnelle pour la création et la gestion de nouvelles entreprises, Pitman, 1998.

Modélisation probabiliste : des données à un savoir décisif

  1. Simplification
  2. Construire un modèle de décision
  3. Tester le modèle
  4. Utiliser le modèle pour trouver la solution
    • C'est une représentation simplifiée de la situation réelle
    • Il n'a pas besoin d'être complet ou exact à tous égards
    • Il se concentre sur les relations les plus essentielles et ignore les moins essentielles.
    • Il est plus facile à comprendre que la situation empirique et, par conséquent, permet de résoudre le problème plus facilement avec un minimum de temps et d'efforts.
  5. Il peut être utilisé encore et encore pour des problèmes similaires ou peut être modifié.
  • Un auditeur peut utiliser des techniques d'échantillonnage aléatoire pour auditer le compte client pour le client.
  • Un directeur d'usine peut utiliser des techniques de contrôle statistique de la qualité pour assurer la qualité de sa production avec un minimum de tests ou d'inspections.
  • Un analyste financier peut utiliser la régression et la corrélation pour aider à comprendre la relation entre un ratio financier et un ensemble d'autres variables dans l'entreprise.
  • Un chercheur de marché peut utiliser le test de significativité pour accepter ou rejeter les hypothèses concernant un groupe d'acheteurs auquel l'entreprise souhaite vendre un produit particulier.
  • Un directeur des ventes peut utiliser des techniques statistiques pour prévoir les ventes pour l'année à venir.

Analyse décisionnelle : prendre des décisions justifiables et défendables

L'analyse décisionnelle est la discipline qui consiste à évaluer des alternatives complexes en termes de valeurs et d'incertitude. Les valeurs sont généralement exprimées monétairement car il s'agit d'une préoccupation majeure pour le management. En outre, l'analyse décisionnelle donne un aperçu de la façon dont les alternatives définies diffèrent les unes des autres et génère ensuite des suggestions pour des alternatives nouvelles et améliorées. Les nombres quantifient des valeurs subjectives et des incertitudes, ce qui nous permet de comprendre la situation de décision. Ces résultats numériques doivent ensuite être traduits en mots afin de générer un aperçu qualitatif.

Les humains peuvent comprendre, comparer et manipuler les nombres. Par conséquent, afin de créer un modèle d'analyse de décision, il est nécessaire de créer la structure du modèle et d'affecter des probabilités et des valeurs pour remplir le modèle pour le calcul. Cela inclut les valeurs des probabilités, les fonctions de valeur pour évaluer les alternatives, les pondérations de valeur pour mesurer les objectifs de compromis et la préférence pour le risque.

Une fois la structure et les chiffres en place, l'analyse peut commencer. L'analyse décisionnelle implique bien plus que le calcul de l'utilité attendue de chaque alternative. Si nous nous arrêtions là, les décideurs n'y gagneraient pas grand-chose. Nous devons examiner la sensibilité des résultats, l'utilité pondérée des probabilités clés et les paramètres de pondération et de préférence pour le risque. Dans le cadre de l'analyse de sensibilité, nous pouvons calculer la valeur de l'information parfaite pour des incertitudes qui ont été soigneusement modélisées.

Il existe deux comparaisons quantitatives supplémentaires. La première est la comparaison directe de l'utilité pondérée de deux alternatives sur l'ensemble des objectifs. La seconde est la comparaison de toutes les alternatives sur deux objectifs sélectionnés qui montre l'optimalité de Pareto pour ces deux objectifs.

La complexité du monde moderne, ainsi que la quantité d'informations, l'incertitude et le risque, rendent nécessaire de fournir un cadre de prise de décision rationnel. L'objectif de l'analyse décisionnelle est de donner des conseils, des informations, un aperçu et une structure au processus de prise de décision afin de prendre des décisions meilleures et plus « rationnelles ».

Une décision a besoin d'un décideur qui est responsable de prendre des décisions. Ce décideur dispose d'un certain nombre d'alternatives et doit choisir l'une d'entre elles. L'objectif du décideur est de choisir la meilleure alternative. Lorsque cette décision a été prise, des événements sur lesquels le décideur n'a aucun contrôle peuvent se produire. Chaque combinaison d'alternatives, suivie d'un événement, conduit à un résultat avec une valeur mesurable. Les gestionnaires prennent des décisions dans des situations complexes. L'arbre de décision et les matrices de gains illustrent ces situations et ajoutent une structure aux problèmes de décision.

Autres lectures :
Arsham H., Analyse décisionnelle : Prendre des décisions justifiables et défendables, égalité, septembre 2004.
Forman E., et M. Selly, Décision par objectifs : Comment convaincre les autres que vous avez raison, World Scientific, 2001.
Gigerenzer G., Adaptive Thinking: Rationality in the Real World , Oxford University Press, 2000.
Girón F., (Ed.), Analyse décisionnelle appliquée, Kluwer Academic, 1998.
Manning N., et al., Strategic Decision Making In Cabinet Government: Institutional Underpinnings and Obstacles , Banque mondiale, 1999.
Patz A., Strategic Decision Analysis: A General Management Framework, Little and Brown Pub., 1981.
Vickers G., L'art du jugement : une étude de l'élaboration des politiques, Sage Publications, 1995.
Von Furstenberg G., Agir sous l'incertitude : conceptions multidisciplinaires, Kluwer Academic Publishers, 1990.

Éléments des modèles d'analyse de décision

  1. Une seule personne est désignée comme décideur. Par exemple, le PDG d'une entreprise, qui est responsable devant les actionnaires.
  2. Un nombre fini d'événements (futurs) possibles appelés « États de la nature » ​​(un ensemble de scénarios possibles). Ce sont les circonstances dans lesquelles une décision est prise. Les états de la nature sont identifiés et regroupés dans l'ensemble "S" ses membres sont désignés par "s(j)". L'ensemble S est une collection d'événements mutuellement exclusifs, ce qui signifie qu'un seul état de la nature se produira.
  3. Un nombre fini d'alternatives de décision possibles (c'est-à-dire d'actions) est à la disposition du décideur. Une seule action peut être entreprise. Que puis-je faire? Une bonne décision nécessite de rechercher un meilleur ensemble d'alternatives que celles qui sont initialement présentées ou traditionnellement acceptées. Soyez bref sur la partie logique et raison de votre décision. Bien qu'il existe probablement mille faits sur une automobile, vous n'avez pas besoin de tous pour prendre une décision. Environ une demi-douzaine fera l'affaire.
  4. La récompense est le retour d'une décision. Différentes combinaisons de décisions et d'états de la nature (incertitude) génèrent des gains différents. Les gains sont généralement indiqués dans des tableaux. Dans l'analyse décisionnelle, le gain est représenté par une valeur positive (+) pour le revenu net, le revenu ou le profit et une valeur négative (-) pour la dépense, le coût ou la perte nette. L'analyse du tableau des gains détermine les alternatives de décision à l'aide de différents critères. Les lignes et les colonnes se voient respectivement attribuer des alternatives de décision possibles et des états de nature possibles.
    Construire une telle matrice n'est généralement pas une tâche facile, par conséquent, cela peut prendre un peu de pratique.

Faire face aux incertitudes

  • Risque: On pourrait être en mesure d'énumérer les résultats et de calculer les probabilités. Cependant, il faut se méfier des distributions non normales, notamment celles à « grosse queue », comme l'illustrent en bourse les événements rares.
  • Incertitude: On pourrait peut-être énumérer les résultats, mais les probabilités sont obscures. La plupart du temps, le mieux que l'on puisse faire est de classer par ordre de priorité les résultats possibles et de veiller ensuite à ne pas en omettre un important.
  • Cygnes noirs : Le nom vient d'une anomalie génétique australienne. C'est le domaine des événements qui sont soit « extrêmement improbables » ou « inconcevables », mais quand ils se produisent, et ils se produisent, ils ont des conséquences graves, généralement mauvaises. Un exemple du premier type est la marée noire de l'Exxon Valdez, du second, l'accident radiologique de Three Mile Island.

    En fait, tous les systèmes hautement artificiels, tels que les grands réseaux de communication, les centrales électriques nucléaires et les engins spatiaux, sont pleins de « voies vers l'échec » cachées, si nombreuses que nous ne pouvons pas penser à tous, ou ne pas pouvoir d'avoir le temps et l'argent nécessaires pour les tester et les éliminer. Individuellement, chacun de ces chemins est un cygne noir, mais il y en a tellement que la probabilité que l'un d'entre eux soit activé est assez importante.

Ignorance Situation à risque Connaissances complètes
_______________________________________________________________
Incertitude pure probabiliste Déterministe
Modèle Modèle Modèle
  • Prise de décision sous pure incertitude
  • Prise de décision sous risque
  • Prise de décision par achat d'informations (poussant le problème vers le « pôle » déterministe)

Prise de décision sous pure incertitude

Dans la prise de décision sous pure incertitude, le décideur n'a aucune connaissance des résultats de l'état de la nature, et/ou il est coûteux d'obtenir les informations nécessaires. Dans de tels cas, la prise de décision dépend simplement du type de personnalité du décideur.


Types de personnalité et prise de décision :

Pessimisme , ou Conservateur (MaxMin). Pire scénario. Il m'arrive toujours de mauvaises choses.

B 3
a) Écrivez min # dans chaque ligne d'action, S -2
b) Choisissez max # et faites cette action. 7 *

Optimisme , ou Agressif (MaxMax). De bonnes choses m'arrivent toujours.

B 12
a) Écrivez max # dans chaque ligne d'action, S 15 *
b) Choisissez max # et faites cette action. 7

Coefficient d'optimisme (indice de Hurwicz) , Milieu du chemin : je ne suis ni trop optimiste ni trop pessimiste.

a) Choisissez un a entre 0 et 1, 1 signifie optimiste et 0 signifie pessimiste,

b) Choisissez le plus grand et le plus petit # pour chaque action,

c) Multipliez le plus grand gain (en ligne) par a et le plus petit par (1-a ),

d) Choisissez l'action avec la somme la plus élevée.

Par exemple, pour a = 0,7, on a

B (.7*12) + (.3*3) = 9.3
S (.7*15) + .3*(-2) = 9.9 *
(.7*7) + (.3*7) = 7

Minimiser les regrets : (Perte d'opportunité de Savag) Je déteste les regrets et je dois donc minimiser mes regrets. Ma décision doit être prise pour qu'elle mérite d'être répétée. Je ne devrais faire que les choses que je sens pouvoir répéter avec plaisir. Cela réduit le risque que le résultat me fasse regretter ou être déçu, ou que ce soit une mauvaise surprise.

Le regret est la récompense de ce qui aurait été la meilleure décision dans les circonstances moins la récompense de la décision réelle dans les circonstances. Par conséquent, la première étape consiste à configurer la table des regrets :


a) Prenez le plus grand nombre dans chaque colonne des états de la nature (disons, L).
b) Soustrayez-y tous les nombres de cette colonne d'état de nature (c'est-à-dire L - Xi,j).
c) Choisissez le nombre maximum de chaque action.
d) Choisissez le nombre minimum de l'étape (d) et effectuez cette action.

La matrice des regrets
g MG NC L
Obligations (15-12) (9-8) (7-7) (7-3) 4 *
Actions (15-15) (9-9) (7-5) (7+2) 9
Verser (15-7) (9-7) (7-7) (7-7) 8


Vous pouvez essayer de vérifier vos calculs à l'aide de Decision Making Under Pure Uncertainty JavaScript, puis d'effectuer des expérimentations numériques pour une compréhension plus approfondie des concepts.

Limites de la prise de décision sous pure incertitude

  1. L'analyse décisionnelle suppose en général que le décideur est confronté à un problème de décision où il doit choisir au moins et au plus une option parmi un ensemble d'options. Dans certains cas, cette limitation peut être surmontée en formulant la prise de décision dans l'incertitude comme un jeu à deux personnes à somme nulle.

  2. Dans la prise de décision sous pure incertitude, le décideur n'a aucune connaissance de l'état de la nature "le plus susceptible" de se produire. Il ou elle est probablement ignorant de l'état de la nature donc il ou elle ne peut pas être optimiste ou pessimiste. Dans un tel cas, le décideur invoque la considération de la sécurité.

  3. Notez que toute technique utilisée dans la prise de décision sous de pures incertitudes, n'est appropriée que pour les décisions de la vie privée. De plus, la personne publique (c'est-à-dire vous, le gestionnaire) doit avoir une certaine connaissance de l'état de la nature afin de prédire les probabilités des différents états de la nature. Sinon, le décideur n'est pas en mesure de prendre une décision raisonnable et défendable.

Prise de décision sous risque

  1. Le problème est défini et toutes les alternatives possibles sont envisagées. Les résultats possibles pour chaque alternative sont évalués.
  2. Les résultats sont discutés en fonction de leurs gains monétaires ou de leur gain net en termes d'actifs ou de temps.
  3. Diverses incertitudes sont quantifiées en termes de probabilités.
  4. La qualité de la stratégie optimale dépend de la qualité des jugements. Le décideur doit identifier et examiner la sensibilité de la stratégie optimale par rapport aux facteurs cruciaux.

Matrice de remboursement des pertes
G (0,4) MG (0,3) NC (0,2) L (0,1) EOL
B 0.4(15-12) + 0.3(9-8) + 0.2(7-7) + 0.1(7-3) 1.9
S 0.4(15-15) + 0.3(9-9) + 0.2(7-5) + 0.1(7+2) 1.3*
0.4(15-7) + 0.3(9-7) + 0.2(7-7) + 0.1(7-7) 3.8

Calcul de la valeur attendue de l'information parfaite (EVPI)

EVPI aide à déterminer la valeur d'un initié qui possède une information parfaite. Rappelons que EVPI = EOL.

a) Prendre le maximum de gain pour chaque état de la nature,
b) Multipliez chaque cas par la probabilité de cet état de la nature, puis additionnez-les,
c) Soustraire le gain attendu du nombre obtenu à l'étape (b)


g 15(0.4) = 6.0
MG 9(0.3) = 2.7
NC 7(0.2) = 1.4
L 7(0.1) = 0.7
+ ----------
10.8

Par conséquent, EVPI = 10,8 - Bénéfice attendu = 10,8 - 9,5 = 1,3. Vérifiez que EOL=EVPI.

L'efficacité de l'information parfaite est définie comme 100 [EVPI/(Expected Payoff)]%

Par conséquent, si l'information coûte plus de 1,3 % de l'investissement, ne l'achetez pas. Par exemple, si vous allez investir 100 000 $, le maximum que vous devriez payer pour l'information est [100 000 * (1,3 %)] = 1 300 $

Je ne sais rien: (principe de probabilité égale de Laplace) Chaque état de la nature a une probabilité égale. Comme je ne connais rien à la nature, chaque état de la nature est également susceptible de se produire :

a) Pour chaque état de la nature, utilisez une probabilité égale (c'est-à-dire une probabilité plate),
b) Multipliez chaque nombre par la probabilité,
c) Ajoutez des lignes d'action et mettez la somme dans la colonne Remboursement attendu,
d) Choisissez le plus grand nombre à l'étape (c) et effectuez cette action.

g MG NC L Exp. Payer
Obligations 0.25(12) 0.25(8) 0.25(7) 0.25(3) 7.5 *
Actions 0.25(15) 0.25(9) 0.25(5) 0.25(-2) 6.75
Verser 0.25(7) 0.25(7) 0.25(7) 0.25(7) 7

Une discussion sur la perte d'opportunités attendue (regrets attendus) : Comparer un résultat de décision à ses alternatives semble être un élément important de la prise de décision. Un facteur important est l'émotion du regret. Cela se produit lorsqu'un résultat de décision est comparé au résultat qui aurait eu lieu si une décision différente avait été prise. Cela contraste avec la déception, qui résulte de la comparaison d'un résultat à un autre à la suite de la même décision. En conséquence, de grands contrastes avec des résultats contrefactuels ont une influence disproportionnée sur la prise de décision.

Les résultats de regret comparent un résultat de décision avec ce qui aurait pu être. Par conséquent, cela dépend de la rétroaction dont disposent les décideurs quant au résultat que l'option alternative aurait produit. La modification du potentiel de regret en manipulant la résolution de l'incertitude révèle que le comportement de prise de décision qui semble être opposé au risque peut en fait être attribué à l'aversion au regret.

Certains éléments indiquent que le regret peut être lié à la distinction entre actes et omissions. Certaines études ont montré que le regret est plus intense suite à une action, qu'une omission. Par exemple, dans une étude, les participants ont conclu qu'un décideur qui a transféré des fonds d'actions d'une entreprise à une autre et a perdu de l'argent, ressentirait plus de regrets qu'un autre décideur qui a décidé de ne pas transférer les fonds d'actions mais a également perdu de l'argent. Les gens attribuaient généralement une valeur plus élevée à un résultat inférieur lorsqu'il résultait d'un acte plutôt que d'une omission. Vraisemblablement, c'est comme un moyen de contrer le regret qui aurait pu résulter de l'acte.

Vous pouvez utiliser le laboratoire électronique JavaScript Prise de décisions risquées pour vérifier vos calculs, effectuer des expérimentations numériques pour une compréhension plus approfondie et analyser la stabilité de votre décision en modifiant les paramètres du problème.

Autres lectures :
Beroggi G., Modélisation de la décision dans la gestion des politiques : une introduction aux concepts analytiques, Boston, Kluwer Academic Publishers, 1999.
George Ch., Prise de décision en situation d'incertitude : une approche statistique appliquée, Praeger Pub., 1991.
Rowe W., An Anatomy of Risk, R.E. Pub Krieger. Cie, 1988.
Suijs J., Prise de décision coopérative sous le risque, Kluwer Academic, 1999.

Prendre une meilleure décision en achetant des informations fiables (approche bayésienne)

Dans de nombreux cas, le décideur peut avoir besoin du jugement d'un expert pour affiner ses incertitudes quant à la probabilité probable de chaque état de la nature. Par exemple, considérons le problème de décision suivant auquel une entreprise est confrontée concernant le développement d'un nouveau produit :


États de la nature
Ventes élevées Méd. Ventes Faibles ventes
A(0.2) B(0,5) C(0.3)
A1 (développer) 3000 2000 -6000
A2 (ne pas développer) 0 0 0

Les probabilités des états de la nature représentent le degré d'incertitude du décideur (par exemple le gestionnaire) et son jugement personnel sur l'occurrence de chaque état. Nous appellerons ces évaluations subjectives des probabilités des probabilités « antérieures ».

Le gain attendu pour chaque action est :

A1= 0,2(3000) + 0,5(2000) + 0,3(-6000)= $ -200 et A2= 0

l'entreprise choisit donc A2 en raison de la perte attendue associée à A1, et décide de ne pas se développer.

Cependant, le gérant hésite sur cette décision. Sur la base du « rien risqué, rien gagné », l'entreprise envisage de demander l'aide d'un cabinet d'études marketing. Le cabinet d'études marketing évaluera la taille du marché du produit au moyen d'un sondage.

Le manager est maintenant confronté à une nouvelle décision pour savoir quelle société d'études marketing doit-il consulter ? Le gestionnaire doit prendre une décision quant au degré de « fiabilité » du cabinet de conseil. En échantillonnant puis en examinant les performances passées du consultant, nous pouvons développer la matrice de fiabilité suivante :

1. Compte tenu de ce qui s'est réellement passé dans le passé
UNE B C
2. Qu'est-ce que le Ap 0.8 0.1 0.1
Consultant pb 0.1 0.9 0.2
Prévu Cp 0.1 0.0 0.7

Toutes les sociétés d'études marketing conservent des enregistrements (c'est-à-dire des données historiques) des performances de leurs prédictions passées. Ces dossiers sont mis gratuitement à la disposition de leurs clients. Pour construire une matrice de fiabilité, vous devez tenir compte des enregistrements de performance de la société d'études marketing pour des produits similaires avec des ventes élevées. Ensuite, trouvez le pourcentage de produits que la société de recherche marketing a correctement prédits qui auraient des ventes élevées (A), des ventes moyennes (B) et peu (C) ou presque pas de ventes. Leurs pourcentages sont présentés par
P(Ap |A) = 0,8, P(Bp |A) = 0,1, P(Cp |A) = 0,1,
dans la première colonne du tableau ci-dessus, respectivement. Une analyse similaire devrait être menée pour construire les colonnes restantes de la matrice de fiabilité.

Notez que pour des raisons de cohérence, les entrées dans chaque colonne de la matrice de fiabilité ci-dessus doivent totaliser un. Alors que cette matrice fournit les probabilités conditionnelles telles que P(A p |A) = 0,8, l'information importante dont l'entreprise a besoin est la forme inverse de ces probabilités conditionnelles. Dans cet exemple, quelle est la valeur numérique de P(A|A p ) ? C'est-à-dire, quelle est la probabilité que l'entreprise de marketing prédise que A va se produire et que A se produise réellement ? Ces informations importantes peuvent être obtenues en appliquant la loi de Bayes (issue de votre cours probabilités et statistiques) comme suit :

a) Prenez des probabilités et multipliez-les "vers le bas" dans la matrice ci-dessus,
b) Additionnez les lignes pour obtenir la somme,
c) Normaliser les valeurs (c'est-à-dire faire des probabilités totalisant jusqu'à 1) en divisant chaque numéro de colonne par la somme de la ligne trouvée à l'étape b,

0.2 0.5 0.3
UNE B C SOMME
02(0.8) = 0.16 0.5(0.1) = 0.05 0.3(0.1) = 0.03 0.24
0.2(0.1) = 0.02 0.5(0.9) = 0.45 0.3(0.2) = 0.06 0.53
0.2(0.1) = 0.02 0.5(0) = 0 0.3(0.7) = 0.21 0.23

UNE B C
(.16/.24)=.667 (.05/.24)=.208 (.03/.24)=.125
(.02/.53)=.038 (0.45/.53)=.849 (.06/.53)=.113
(.02/.23)=.087 (0/.23)=0 (0.21/.23)=.913

Vous pouvez utiliser le laboratoire électronique JavaScript de probabilité révisée de l'aspect informatique de Bayse pour vérifier votre calcul, effectuer des expérimentations numériques pour une compréhension plus approfondie et analyser la stabilité de votre décision en modifiant les paramètres du problème.

d) Dessinez l'arbre de décision. De nombreux problèmes de gestion, comme cet exemple, impliquent une séquence de décisions . Lorsqu'une situation de décision nécessite une série de décisions, le tableau des gains ne peut pas s'adapter aux multiples niveaux de prise de décision. Un arbre de décision est donc nécessaire.

Ne recueillez pas d'informations inutiles qui ne peuvent pas changer une décision : Une question pour vous : Dans un jeu, un joueur se voit présenter deux enveloppes contenant de l'argent. On lui dit qu'une enveloppe contient deux fois plus d'argent que l'autre enveloppe, mais il ne sait pas laquelle contient le plus gros montant. Le joueur peut alors choisir une enveloppe à volonté, et après avoir pris sa décision, il lui est proposé d'échanger son enveloppe avec l'autre enveloppe.
Si le joueur est autorisé à voir ce qu'il y a à l'intérieur de l'enveloppe qu'il a sélectionnée au début, le joueur doit-il échanger, c'est-à-dire échanger les enveloppes ?
Le résultat d'une bonne décision peut ne pas être bon, il ne faut donc pas confondre la qualité du résultat avec la qualité de la décision.
Comme le dit Sénèque « Quand les mots sont clairs, la pensée le sera aussi ».

Arbre de décision et diagramme d'influence

  1. Dessinez l'arbre de décision en utilisant des carrés pour représenter les décisions et des cercles pour représenter l'incertitude,
  2. Évaluer l'arbre de décision pour s'assurer que tous les résultats possibles sont inclus,
  3. Calculez les valeurs de l'arbre en partant de la droite vers la gauche,
  4. Calculez les valeurs des nœuds de résultats incertains en multipliant la valeur des résultats par leur probabilité (c'est-à-dire les valeurs attendues).
  • Considérons un a priori plat, sans changer la matrice de fiabilité.
  • Considérons une matrice de fiabilité parfaite (c'est-à-dire avec une matrice d'identité), sans changer le prior.
  • Considérons un a priori parfait, sans changer la matrice de fiabilité.
  • Considérons une matrice de fiabilité plate (c'est-à-dire avec tous les éléments égaux), sans changer le prior.
  • Considérez les probabilités de prédiction du consultant comme vos propres a priori, sans modifier la matrice de fiabilité.
  • Exposez clairement le problème afin que toutes les options puissent être contestées
  • Nous permettre d'analyser pleinement les conséquences possibles d'une décision
  • Fournir un cadre pour quantifier les valeurs des résultats et les probabilités de les atteindre
  • Aidez-nous à prendre les meilleures décisions sur la base des informations existantes et des meilleures estimations

Autres lectures
Bazerman M., Jugement dans la prise de décision managériale, Wiley, 1993.
Connolly T., H. Arkes et K. Hammond (eds), Judgment and Decision Making: An Interdisciplinaire Reader , Cambridge University Press, 2000.
Cooke R., Experts in Uncertainty , Oxford Univ Press, 1991. Décrit une grande partie de l'histoire du problème du jugement d'expert. Il comprend également de nombreuses méthodes qui ont été suggérées pour effectuer une combinaison numérique des incertitudes des experts. En outre, il promeut une méthode qui a été largement utilisée par nous et beaucoup d'autres, dans laquelle les experts reçoivent une pondération qui juge leur performance sur les questions de calibrage. C'est un bon moyen de contourner le problème de l'appréciation de la « qualité » d'un expert, et donne une certaine objectivité aux résultats qui n'est pas obtenue par d'autres méthodes.
Bouyssou D., et al. , Modèles d'évaluation et de décision : une perspective critique, Kluwer Academic Pub, 2000.
Daellenbach H., Systèmes et prise de décision : une approche de la science de la gestion, Wiley, 1994.
Goodwin P. et G. Wright, Analyse décisionnelle pour le jugement de gestion, Wiley, 1998.
Klein D., Systèmes intelligents d'analyse décisionnelle : explication automatisée et acquisition de connaissances, Lawrence Erlbaum Pub., 1994.
Thierauf R., Creative Computer Software for Strategic Thinking and Decision Making: A Guide for Senior Management and MIS Professionals, Quorum Books, 1993.

Pourquoi les managers demandent conseil à des cabinets de conseil

    Travail qu'ils ne sont pas - ou estiment qu'ils ne sont pas - compétents à faire eux-mêmes.

Tous ces travaux relèvent du vaste domaine des services de consultation. Indépendamment de la raison pour laquelle les gestionnaires paient d'autres pour les conseiller, ils ont généralement des attentes élevées concernant la qualité des recommandations, mesurées en termes de fiabilité et de coût . Cependant, le gestionnaire est seul responsable de la décision finale qu'il prend et non les consultants.

La figure suivante illustre le processus de détermination optimale des informations. Pour plus de détails, lisez l'analyse coûts/bénéfices.


La détermination de l'information optimale

Décider du cabinet de conseil : chaque fois que vous envisagez d'embaucher un consultant, vous risquez d'avoir l'air idiot, sans parler de perdre des milliers, voire des millions de dollars. Pour aggraver les choses, la plupart des entreprises éprouvées de l'industrie du conseil ont récemment fusionné, divisé, disparu, réapparu ou reconfiguré au moins une fois.

Comment être sûr de choisir les bons consultants ?

Testez les connaissances du consultant sur votre produit. Il est impératif de connaître la profondeur des connaissances d'un consultant potentiel sur votre produit particulier et son marché potentiel. Demandez au consultant de vous fournir un plan de projet générique, une liste de tâches ou toute autre documentation sur votre produit.

Y a-t-il un budget et une durée approuvés ?
Quelle implication des clients potentiels est attendue ?
Qui doit fournir les conseils finaux et fournir l'approbation ?

Même les meilleurs consultants sont susceptibles d'avoir des moments moins que réussis dans leur histoire de travail. La conduite du processus d'analyse de fiabilité est essentielle. Posez des questions spécifiques sur les projets passés des consultants, leurs moments de fierté et leurs efforts infructueux. Bien sûr, il est important de vérifier les références d'un consultant potentiel. Demandez des références spécifiques d'autant de clients précédents ou d'entreprises ayant des activités similaires à la vôtre. Obtenez un contrat clairement écrit, des estimations de coûts précises, la taille de l'échantillon statistique de l'enquête et l'engagement sur l'achèvement et des conseils écrits à temps.

Lectures complémentaires
Holtz H., The Complete Guide to Consulting Contracts: How to Understanding, Draft, and Negotiate Contracts and Agreements that Work, Dearborn Trade, 1997.
Weinberg G., Secrets of Consulting: A Guide to Giving and Getting Advice Successfully, Dorset House, 1986.

Réviser votre attente et son risque

Application : supposons que les informations suivantes proviennent de deux sources indépendantes :

Réviser la valeur attendue et l'écart
Source de l'estimation Valeur attendue Variance
Directeur commercial m 1 = 110 s 1 2 = 100
Étude de marché m2 = 70 s 2 2 = 49

La valeur attendue combinée est :

[ m 1 / s 1 2 + m 2 / s 2 2 ] / [1/ s 1 2 + 1/ s 2 2 ]

Pour notre application, en utilisant les informations tabulaires ci-dessus, l'estimation combinée des ventes attendues est de 83,15 unités avec une variance combinée de 65,77, avec une valeur de risque de 9,6%.

Vous pouvez utiliser Revising the Mean and Variance JavaScript pour effectuer des expérimentations numériques. Vous pouvez l'appliquer pour valider l'exemple ci-dessus et pour une compréhension plus approfondie du concept où plus de 2 sources d'informations doivent être combinées.

Détermination de la fonction d'utilité du décideur

Les particuliers paient des primes d'assurance pour éviter la possibilité de pertes financières liées à la survenance d'un événement indésirable. Cependant, les utilités des différents résultats ne sont pas directement proportionnelles à leurs conséquences monétaires. Si la perte est considérée comme relativement importante, une personne est plus susceptible de choisir de payer une prime associée. Si un individu considère que la perte est sans conséquence, il est moins probable qu'il choisira de payer la prime associée.

Les individus diffèrent dans leurs attitudes envers le risque et ces différences influenceront leurs choix. Par conséquent, les individus devraient prendre la même décision à chaque fois par rapport au risque perçu dans des situations similaires. Cela ne signifie pas que tous les individus évalueraient le même niveau de risque dans des situations similaires. De plus, en raison de la stabilité financière d'un individu, deux individus confrontés à la même situation peuvent réagir différemment mais se comporter toujours de manière rationnelle. Les divergences d'opinion et d'interprétation des politiques d'un individu peuvent également produire des différences.

La récompense monétaire attendue associée à diverses décisions peut être déraisonnable pour les deux raisons importantes suivantes :

1. La valeur en dollars peut ne pas vraiment exprimer la valeur personnelle du résultat. C'est ce qui motive certaines personnes à jouer à la loterie pour 1 $.

2. Les valeurs monétaires attendues peuvent ne pas refléter avec précision l'aversion au risque. Par exemple, supposons que vous ayez le choix entre obtenir 10 dollars pour ne rien faire ou participer à un pari. L'issue du pari dépend du tirage à pile ou face. Si la pièce tombe face, vous obtenez 1000 $. Cependant, si c'est pile, vous prenez une perte de 950 $.

La première alternative a une récompense attendue de 10 $, la seconde a une récompense attendue de
0,5(1000) + 0,5(- 950) = 25 $. De toute évidence, le deuxième choix est préféré au premier si la récompense monétaire attendue était un critère raisonnable. Mais, vous préférerez peut-être 10 $ sûrs au risque de perdre 950 $.

Pourquoi certaines personnes achètent-elles une assurance et d'autres pas ? Le processus de prise de décision implique des facteurs psychologiques et économiques, entre autres. Le concept d'utilité est une tentative de mesurer l'utilité de l'argent pour le décideur individuel. Il est mesuré en 'Utile'. Le concept d'utilité permet d'expliquer pourquoi, par exemple, certaines personnes achètent des billets de loto à un dollar pour gagner un million de dollars. Pour ces personnes, 1 000 000 (1 $) est inférieur à (1 000 000 $). Ces personnes apprécient la chance de gagner 1 000 000 $ de plus que la valeur du 1 $ à jouer. Par conséquent, afin de prendre une bonne décision compte tenu de l'attitude du décideur envers le risque, il faut traduire la matrice des gains monétaires en matrice d'utilité. La question principale est : comment mesurer la fonction d'utilité pour un décideur spécifique ?

Considérez notre problème de décision d'investissement. Quelle serait l'utilité de 12 $?

a) Attribuez 100 utils et zéro utils aux gains les plus grands et les plus petits ($), respectivement dans la matrice des gains. Pour notre exemple numérique, nous attribuons 100 utils à 15, et 0 utils à -2,

b) Demandez au décideur de choisir entre les deux scénarios suivants :

1) Obtenez 12 $ pour ne rien faire (appelé, l'équivalent de certitude , la différence entre l'équivalent de certitude d'un décideur et la valeur monétaire attendue s'appelle la prime de risque .)

2) Jouez au jeu suivant : gagnez 15 $ avec probabilité (p) OU -2 $ avec probabilité (1-p), où p est un nombre sélectionné entre 0 et 1.

En changeant la valeur de p et en répétant une question similaire, il existe une valeur pour p à laquelle le décideur est indifférent entre les deux scénarios. Disons, p = 0,58.

c) Maintenant, l'utilité pour 12 $ est égale à
0.58(100) + (1-0.58)(0) = 58.

d) Répétez le même processus pour trouver les utilités pour chaque élément de la matrice des gains. Supposons que nous trouvions la matrice d'utilité suivante :

Matrice des gains monétaires Matrice des gains des services publics
UNE B C UNE B C
12 8 7 3 58 28 20 13
15 9 5 -2 100 30 18 0
7 7 7 7 20 20 20 20

À ce stade, vous pouvez appliquer l'une des techniques décrites précédemment à cette matrice d'utilité (au lieu de monétaire) afin de prendre une décision satisfaisante. De toute évidence, la décision pourrait être différente.

Notez que toute technique utilisée dans la prise de décision avec matrice d'utilité est en effet très subjectif il n'est donc plus approprié que pour les décisions de la vie privée.

Vous pouvez vérifier vos calculs à l'aide de JavaScript Determination of Utility Function, puis effectuer des expérimentations numériques pour une compréhension plus approfondie des concepts.

Représentations de fonctions utilitaires avec des applications

L'objectif est de représenter la relation fonctionnelle entre les entrées de la matrice monétaire et le résultat de la matrice d'utilité obtenu précédemment. Vous pouvez demander ce qu'est une fonction ?

Qu'est-ce qu'une fonction ? Une fonction est une chose qui fait quelque chose. Par exemple, une machine à moudre le café est une fonction qui transforme les grains de café en poudre. Une fonction d'utilité traduit (convertit) le domaine d'entrée (valeurs monétaires) en plage de sortie, avec les deux valeurs finales de 0 et 100 utiles. En d'autres termes, une fonction d'utilité détermine les degrés de préférences sensibles du décideur.

Ce chapitre présente un processus général pour déterminer la fonction d'utilité. La présentation s'inscrit dans le contexte des résultats numériques du chapitre précédent, bien qu'il y ait des données répétées.

Représentations des fonctions utilitaires avec les applications : Il existe trois méthodes différentes pour représenter une fonction : la représentation tabulaire, graphique et mathématique. Le choix d'une méthode plutôt qu'une autre dépend de l'habileté mathématique du décideur à la comprendre et à l'utiliser facilement. Les trois méthodes sont évolutives dans leur processus de construction, respectivement, on peut donc passer à la méthode suivante si nécessaire.

La fonction d'utilité est souvent utilisée pour prédire l'utilité du décideur pour une valeur monétaire donnée. La portée de la prédiction et les augmentations de précision vont de la méthode tabulaire à la méthode mathématique.

Représentation tabulaire de la fonction d'utilité : On peut tabuler le couple de données (D, U) en utilisant les entrées de la matrice représentant les valeurs monétaires (D) et leurs correspondants utiles (U) de la matrice d'utilité déjà obtenue. La forme tabulaire de la fonction d'utilité pour notre exemple numérique est donnée par le tableau apparié (D, U) suivant :


Neurosciences théoriques : quels outils sont dans votre boîte à outils mathématique ? - Psychologie

Il s'agit du premier des trois cours de base YDEW qui se concentrent spécifiquement sur le développement de praticiens efficaces et réfléchis. Il est suivi par YDEW2000 en année 2 et YDEW3000 en année 3. Ce cours initie les étudiants aux fondements de la profession en explorant les principes théoriques qui sous-tendent le concept de la jeunesse et du travail de développement de la jeunesse à travers une exploration de l'histoire du travail de développement de la jeunesse avec référence spéciale à l'évolution de la pratique dans les Caraïbes. Le cours examinera les définitions et les étiquettes attribuées aux jeunes, y compris les enfants, les jeunes, les jeunes, les adolescents et les jeunes et mettra en évidence les problèmes affectant des catégories particulières de jeunes. En s'engageant dans une étude sur le statut contemporain de la jeunesse caribéenne, les étudiants comprendront l'importance de la professionnalisation et des compétences, les rôles et les responsabilités du travailleur de jeunesse, la dynamique du travail avec les jeunes individuellement et en groupe, les problèmes éthiques particuliers et les valeurs institutionnelles actuelles et structures organisationnelles pour YDW dans les Caraïbes. Il initiera les étudiants à l'approche fondée sur les droits pour le développement des jeunes. Les étudiants commenceront un journal d'apprentissage et de développement professionnel décrivant leurs buts et objectifs professionnels, qu'ils utiliseront et mettront à jour au fur et à mesure de leur progression dans leur programme.

Compétences :

YDWCYP0343 : Promouvoir l'égalité des chances, la participation et la responsabilité

YDWCYP0493 : Travailler en tant que praticien efficace et réfléchi

Exempté si complété ASc. En travail social

Ce cours initie les étudiants aux outils et concepts de base de l'économie. Les étudiants seront exposés aux principes de base de l'économie : le rôle des incitations l'idée de rareté comment mesurer le coût d'un choix ce qu'est un marché et le but des prix. Les étudiants seront initiés à la boîte à outils des méthodes utilisées par les économistes. À la fin de ce cours, les étudiants devraient être capables d'appliquer les principes de base de la méthodologie de l'économie dans l'utilisation quotidienne.

Ce cours est conçu pour développer une prise de conscience du processus principal de développement culturel dans les sociétés caribéennes, en mettant en évidence les facteurs, la problématique et la production créative qui ont alimenté l'émergence des identités caribéennes. Il développe également une perception des Caraïbes comme plus large que les nations insulaires ou les blocs linguistiques et stimule l'intérêt et l'engagement des étudiants pour la civilisation caribéenne et pour favoriser leur autodétermination.


Articles sur l'éducation et plus

Les bons entraîneurs obtiennent des résultats, du respect et des récompenses - il suffit de demander aux trois managers récemment intronisés au Baseball Hall of Fame. Mais qu'est-ce qui fait qu'un entraîneur ou un mentor est bon ?

Une école de pensée dit qu'ils devraient tenir leurs mentorés à des repères de performance spécifiques et les aider à atteindre ces repères en ciblant leurs faiblesses personnelles.

Mais de nouvelles recherches suggèrent une approche différente, à savoir développer les forces d'un mentoré, ses aspirations pour l'avenir et ses objectifs de croissance personnelle.En effet, des études suggèrent que cette approche positive est plus efficace pour aider les gens à apprendre et à changer, par exemple, elle aide à former les étudiants des écoles de commerce à devenir de meilleurs gestionnaires et elle est plus efficace pour amener les patients à se conformer aux ordres des médecins.

Une étude récente indique pourquoi cette approche plus positive obtient de meilleurs résultats, en utilisant des scanners cérébraux pour explorer les effets de différents styles de coaching. Sur la base de ce qui se passe dans le cerveau, il semble qu'une approche plus positive pourrait aider les gens à visualiser un avenir meilleur pour eux-mêmes et fournir les outils socio-émotionnels pour les aider à réaliser leur vision.

Dans l'étude publiée dans Neurosciences sociales, les chercheurs ont collecté des données auprès d'étudiants de premier cycle à l'Université Case Western Reserve. Après avoir rempli un premier questionnaire mesurant leurs tendances émotionnelles, les étudiants ont eu deux entretiens en cinq jours.

L'un des entretiens était une séance de coaching basée sur le positif au cours de laquelle l'intervieweur « positif » formé posait des questions telles que : « Si tout se passait idéalement dans votre vie, que feriez-vous dans 10 ans ? »

Le deuxième intervieweur « négatif » a adopté un style de coaching plus traditionnel, avec des questions conçues pour que les étudiants évaluent leurs performances en termes de normes idéales : « Quels défis avez-vous rencontrés ou prévoyez-vous rencontrer dans votre expérience ici ? Comment allez-vous avec vos cours? Fais-tu tous les devoirs et les lectures ?

Une fois les deux entretiens terminés, 20 des étudiants sont entrés dans un appareil d'IRM fonctionnel qui a mesuré leur activité cérébrale pendant qu'ils subissaient un troisième entretien, mené par vidéo, avec les mêmes intervieweurs "positifs" et "négatifs" apparaissant à temps séparés.

Comme les chercheurs l'avaient prédit, les étudiants ont indiqué que l'intervieweur positif les inspirait et favorisait des sentiments d'espoir beaucoup plus efficacement que l'intervieweur négatif. Les résultats les plus intrigants, cependant, concernent peut-être les zones du cerveau qui ont été activées par les deux approches différentes.

Au cours des interactions encourageantes avec l'intervieweur positif, les étudiants ont montré des modèles d'activité cérébrale que des recherches antérieures ont associés aux qualités suivantes :

  • Traitement visuel et imagerie perceptive : ce sont les régions qui entrent en action lorsque nous imaginons un événement futur
  • Traitement global : la capacité de voir la situation dans son ensemble avant les petits détails, une compétence qui a été liée à des émotions positives et à un engagement agréable avec le monde
  • Sentiments d'empathie et de sécurité émotionnelle, comme ceux ressentis lorsqu'une personne se sent suffisamment en sécurité pour s'ouvrir socialement et émotionnellement
  • La motivation à poursuivre de manière proactive des objectifs ambitieux, plutôt que d'agir de manière défensive pour éviter les dommages ou les pertes.

Ces différences d'activité cérébrale ont conduit les chercheurs à conclure que le coaching positif active efficacement d'importants circuits neuronaux et systèmes de réduction du stress dans le corps en encourageant les mentorés à envisager un avenir souhaité pour eux-mêmes.

Bien que les auteurs reconnaissent que beaucoup plus de recherches doivent être menées sur le sujet, leurs résultats offrent un premier aperçu de la base neurologique des raisons pour lesquelles les personnes coachées par des approches positives basées sur la vision ont tendance à être plus ouvertes émotionnellement, plus compatissantes, plus ouvertes à des idées d'amélioration et plus motivés à apporter de manière proactive des changements de comportement durables que ceux entraînés de manière à mettre en évidence leurs faiblesses.

Avec plus de recherche, la science "peut contribuer à l'élaboration d'une théorie physiologique d'un coaching efficace", écrivent-ils, "capable d'informer la formation et la socialisation des personnes dans une variété de professions d'aide, telles que les médecins, les infirmières, les enseignants et les gestionnaires, sans parler des parents.


Contenu

Un grand nombre de preuves [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] a établi qu'une caractéristique déterminante des biais cognitifs est qu'ils se manifestent automatiquement et inconsciemment sur un large éventail de raisonnements humains, de sorte que même ceux qui sont conscients de l'existence du phénomène sont incapables de détecter, et encore moins d'atténuer, leur manifestation par la seule conscience.

Il existe peu d'études liant explicitement les biais cognitifs à des incidents du monde réel avec des résultats très négatifs. Exemples:

  • Une étude [11] s'est explicitement concentrée sur les biais cognitifs en tant que contributeur potentiel à un événement de niveau catastrophe. Cette étude a examiné les causes de la perte de plusieurs membres de deux équipes d'expédition sur le mont Everest pendant deux jours consécutifs en 1996. Cette étude a conclu que plusieurs les biais cognitifs étaient « en jeu » sur la montagne, ainsi que d'autres dynamiques humaines. Il s'agissait d'un cas de personnes hautement qualifiées et expérimentées enfreignant leurs propres règles, apparemment sous l'influence de l'effet d'excès de confiance, du sophisme des coûts irrécupérables, de l'heuristique de disponibilité et peut-être d'autres biais cognitifs. Cinq personnes, dont les deux chefs d'expédition, ont perdu la vie malgré des avertissements explicites dans les briefings avant et pendant l'ascension de l'Everest. En plus des erreurs des leaders, la plupart des membres de l'équipe, bien qu'ils aient reconnu les jugements erronés de leur leader, n'ont pas insisté pour suivre les règles d'ascension établies.
  • Dans un 2010 MarchéBeat [12] Des chercheurs allemands ont examiné le rôle que certains biais cognitifs ont pu avoir dans la crise financière mondiale à partir de 2007. Leur conclusion était que le niveau d'expertise des analystes boursiers et des traders les rendait très résistants aux signaux non conformes à leur croyances dans le maintien du statu quo. En proie à un fort biais de confirmation renforcé par l'effet d'excès de confiance et le biais de statu quo, ils n'ont apparemment pas pu voir les signaux d'effondrement financier, même après qu'ils soient devenus évidents pour les non-experts.
  • De même, Kahneman, lauréat du prix Nobel d'économie, rapporte [13] dans une étude évaluée par des pairs que les gestionnaires financiers hautement expérimentés n'ont pas fait mieux que le hasard, en grande partie en raison de facteurs similaires à ceux rapportés dans l'étude ci-dessus, qu'il a qualifiée de " illusion d'habileté".

Il existe de nombreuses enquêtes sur des incidents déterminant que l'erreur humaine était au cœur de résultats potentiels ou réels très négatifs, dans lesquels la manifestation de biais cognitifs est une composante plausible. Exemples:

  • L'incident du 'Gimli Glider', [14] dans lequel un vol d'Air Canada du 23 juillet 1983 de Montréal à Edmonton a manqué de carburant à 41 000 pieds au-dessus du Manitoba en raison d'une erreur de mesure lors du ravitaillement en carburant, un résultat déterminé plus tard comme étant le résultat d'une série d'hypothèses non vérifiées formulées par personnel au sol. Sans électricité pour faire fonctionner la radio, le radar ou d'autres aides à la navigation, et seulement le fonctionnement manuel des gouvernes de l'avion, l'équipage de conduite a réussi à localiser une piste d'atterrissage abandonnée de l'Aviation canadienne près de Gimli, au Manitoba. Sans moteur et avec seulement un freinage manuel des roues, le pilote a posé l'avion, avec 61 passagers et membres d'équipage, et l'a immobilisé en toute sécurité. Ce résultat était le résultat de l'habileté (le pilote avait de l'expérience en planeur) et de la chance (le copilote était juste au courant de la piste d'atterrissage) aucune vie n'a été perdue, les dommages à l'avion étaient modestes et il y avait des survivants bien informés pour informer des modifications aux procédures de ravitaillement dans tous les aéroports canadiens.
  • La perte de l'orbiteur climatique de Mars, [15] qui le 23 septembre 1999 "a rencontré Mars à une altitude incorrectement basse" et a été perdu. La NASA a décrit la cause systémique de cet incident comme un échec organisationnel, la cause spécifique et immédiate étant des hypothèses non vérifiées parmi les équipes de mission concernant le mélange d'unités métriques et américaines usuelles utilisées dans différents systèmes sur l'engin. Une multitude de biais cognitifs peuvent être imaginés dans cette situation : biais de confirmation, biais rétrospectif, effet d'excès de confiance, biais de disponibilité, voire le point aveugle du biais de méta-biais.
  • L'incident de la mine Sullivan[16] du 18 mai 2006, dans laquelle deux professionnels de l'exploitation minière et deux ambulanciers paramédicaux de la mine fermée Sullivan en Colombie-Britannique, au Canada, tous spécialement formés aux mesures de sécurité, ont perdu la vie en ne comprenant pas une situation mettant leur vie en danger qui, avec le recul était évident. La première personne à succomber n'a pas réussi à discerner avec précision un environnement anoxique au fond d'un puisard dans un hangar d'échantillonnage, accessible par une échelle. Après le premier décès, trois autres collègues, tous entraînés à des situations opérationnelles dangereuses, ont perdu la vie l'un après l'autre exactement de la même manière, chacun écartant apparemment les preuves du sort des victimes précédentes. Le pouvoir du biais de confirmation suffirait à lui seul à expliquer pourquoi cela s'est produit, mais d'autres biais cognitifs se sont probablement aussi manifestés.
  • Les défaillances du service d'ambulance de Londres, dans laquelle plusieurs défaillances du système de répartition assistée par ordinateur (DAO) ont entraîné des retards de service hors spécifications et des rapports de décès attribués à ces retards. Une défaillance du système en 1992 a été particulièrement impactante, avec des retards de service allant jusqu'à 11 heures entraînant environ 30 décès inutiles en plus de centaines de procédures médicales retardées. [17] Cet incident est un exemple de la façon dont les grands projets de développement de systèmes informatiques présentent des défauts majeurs dans la planification, la conception, l'exécution, les tests, le déploiement et la maintenance. [18][19] , un professionnel accompli dans le domaine médical, raconte [20] les résultats d'une initiative dans un grand hôpital américain, dans laquelle un test a montré que les médecins sautaient au moins une des 5 étapes seulement en 1/3 de certains cas chirurgicaux, après quoi les infirmières ont reçu l'autorité et la responsabilité de détecter les médecins qui omettaient toutes les étapes d'une simple liste de contrôle visant à réduire les infections des cathéters centraux. Au cours de la période de 15 mois qui a suivi, les taux d'infection sont passés de 11 % à 0 %, 8 décès ont été évités et quelque 2 millions de dollars de coûts évitables ont été économisés.
  • D'autres exemples au niveau des catastrophes de résultats négatifs résultant d'erreurs humaines, incluant peut-être de multiples biais cognitifs : la fusion nucléaire de Three Mile Island, la perte de la navette spatiale Challenger, l'incendie du réacteur nucléaire de Tchernobyl, l'écrasement d'un avion de ligne d'Iran Air, le réponse inefficace à l'événement météorologique de l'ouragan Katrina, et bien d'autres.

Chacun des quelque 100 biais cognitifs connus à ce jour peut également produire des résultats négatifs dans notre vie quotidienne, bien que rarement aussi graves que dans les exemples ci-dessus. Une sélection illustrative, relatée dans de multiples études : [1] [2] [3] [4] [5] [6] [7] [8] [9] [10]

  • Biais de confirmation, la tendance à rechercher uniquement les informations qui soutiennent ses idées préconçues et à ignorer celles qui ne les soutiennent pas. Par exemple, n'entendre qu'un côté d'un débat politique, ou ne pas accepter la preuve que son travail est devenu superflu.
  • Effet de cadrage, la tendance à réagir à la façon dont l'information est cadrée, au-delà de son contenu factuel. Par exemple, choisir de ne pas subir de chirurgie lorsqu'on lui dit qu'il a un taux d'échec de 10 %, alors que l'on aurait opté pour la chirurgie si on lui avait dit qu'il avait un taux de réussite de 90 %, ou, choisir de ne pas choisir le don d'organes dans le cadre du renouvellement du permis de conduire lorsque le est 'Non'.
  • Biais d'ancrage, la tendance à produire une estimation proche d'un montant de repère qui peut ou non avoir été intentionnellement offert. Par exemple, produire un devis basé sur les préférences d'un gestionnaire ou négocier un prix d'achat d'une maison à partir du montant de départ suggéré par un agent immobilier plutôt qu'une évaluation objective de la valeur.
  • L'erreur du joueur (aka biais des coûts irrécupérables), l'incapacité de réinitialiser ses attentes en fonction de sa situation actuelle. Par exemple, refuser de payer à nouveau pour acheter un billet de remplacement pour un billet perdu pour un divertissement souhaité, ou refuser de vendre une importante position longue sur un marché en baisse rapide.
  • Heuristique de représentativité, la tendance à juger quelque chose comme appartenant à une classe sur la base de quelques caractéristiques saillantes sans tenir compte des taux de base de ces caractéristiques. Par exemple, la croyance que l'on ne deviendra pas alcoolique parce qu'il manque une caractéristique d'un stéréotype alcoolique, ou que l'on a une probabilité plus élevée de gagner à la loterie parce qu'on achète des billets auprès du même type de vendeur que plusieurs grands gagnants connus.
  • effet de halo, la tendance à attribuer des capacités non vérifiées à une personne sur la base d'une capacité observée. Par exemple, croire l'affirmation d'un acteur oscarisé concernant la chasse aux phoques de l'Atlantique, ou, supposer qu'un grand et bel homme est intelligent et gentil.
  • Biais rétrospectif, la tendance à évaluer ses décisions antérieures comme plus efficaces qu'elles ne l'étaient. Par exemple, « se souvenir » de sa prédiction selon laquelle Vancouver perdrait la Coupe Stanley 2011, ou « se souvenir » d'avoir identifié la cause immédiate de la Grande Récession de 2007.
  • Disponibilité heuristique, la tendance à estimer que ce dont on se souvient facilement est plus probable que ce qui ne l'est pas. Par exemple, estimer qu'une réunion d'information sur l'urbanisme sera ennuyeuse parce que la dernière réunion de ce type à laquelle vous avez assisté (sur un sujet différent) l'était, ou, ne pas croire la promesse de votre député de lutter pour l'égalité des femmes parce qu'il n'a pas montré jusqu'à votre collecte de fonds de vente de pâtisseries maison pour lui.
  • Effet d'entraînement, la tendance à faire ou croire ce que les autres font ou croient. Par exemple, voter pour un candidat politique parce que votre père a toujours voté pour le parti de ce candidat, ou ne pas s'opposer au harcèlement d'un intimidateur parce que le reste de vos pairs ne le fait pas.

Un nombre croissant de disciplines universitaires et professionnelles identifient des moyens d'atténuer les biais cognitifs. Ce qui suit est une caractérisation des hypothèses, théories, méthodes et résultats, dans les disciplines concernées par l'efficacité du raisonnement humain, qui portent de manière plausible sur une théorie et/ou une pratique d'atténuation des biais cognitifs. Dans la plupart des cas, cela est basé sur une référence explicite aux biais cognitifs ou à leur atténuation, dans d'autres sur une applicabilité tacite mais évidente. Cette caractérisation est organisée selon des lignes reflétant la segmentation historique des disciplines, bien qu'en pratique il y ait une quantité importante de chevauchement.

Théorie de la décision Modifier

La théorie de la décision, une discipline dont les racines sont ancrées dans l'économie néo-classique, est explicitement axée sur le raisonnement, le jugement, le choix et la prise de décision humains, principalement dans les « jeux à un coup » entre deux agents avec ou sans information parfaite. Le fondement théorique de la théorie de la décision suppose que tous les décideurs sont des agents rationnels essayant de maximiser la valeur/l'utilité économique attendue de leurs choix, et que pour ce faire, ils utilisent des méthodes analytiques formelles telles que les mathématiques, les probabilités, les statistiques et la logique sous ressources cognitives. contraintes. [21] [22] [23]

La théorie de la décision normative ou prescriptive s'intéresse à ce que les gens devrait étant donné l'objectif de maximiser la valeur/l'utilité attendue dans cette approche, il n'y a pas de représentation explicite dans les modèles des praticiens des facteurs inconscients tels que les biais cognitifs, c'est-à-dire que tous les facteurs sont considérés comme des paramètres de choix conscient pour tous les agents. Les praticiens ont tendance à traiter les écarts par rapport à ce qu'un agent rationnel ferait comme des « erreurs d'irrationalité », avec l'implication que l'atténuation des biais cognitifs ne peut être obtenue que si les décideurs ressemblent davantage à des agents rationnels, bien qu'aucune mesure explicite pour y parvenir ne soit proposée.

La théorie de la décision positive ou descriptive s'intéresse à ce que les gens réellement Les praticiens ont-ils tendance à reconnaître l'existence persistante d'un comportement « irrationnel », et bien que certains mentionnent la motivation humaine et les préjugés comme des contributeurs possibles à un tel comportement, ces facteurs ne sont pas explicités dans leurs modèles. Les praticiens ont tendance à considérer les écarts par rapport à ce qu'un agent rationnel ferait comme une preuve de variables décisionnelles importantes, mais pas encore comprises, et n'ont pour l'instant aucune contribution explicite ou implicite à apporter à une théorie et à une pratique de l'atténuation des biais cognitifs.

Théorie des jeux Modifier

La théorie des jeux, une discipline ancrée dans l'économie et la dynamique des systèmes, est une méthode d'étude de la prise de décision stratégique dans des situations impliquant des interactions à plusieurs étapes avec plusieurs agents avec ou sans information parfaite. Comme pour la théorie de la décision, le fondement théorique de la théorie des jeux suppose que tous les décideurs sont des agents rationnels essayant de maximiser la valeur économique/l'utilité économique de leurs choix, et que pour ce faire, ils utilisent des méthodes analytiques formelles telles que les mathématiques, les probabilités, les statistiques, et la logique sous des contraintes de ressources cognitives. [24] [25] [26] [27]

Une différence majeure entre la théorie de la décision et la théorie des jeux est la notion d'« équilibre », une situation dans laquelle tous les agents s'entendent sur une stratégie car tout écart par rapport à cette stratégie punit l'agent déviant. Malgré les preuves analytiques de l'existence d'au moins un équilibre dans un large éventail de scénarios, les prédictions de la théorie des jeux, comme celles de la théorie de la décision, ne correspondent souvent pas aux choix humains réels. [28] Comme pour la théorie de la décision, les praticiens ont tendance à considérer ces écarts comme « irrationnels », et plutôt que d'essayer de modéliser un tel comportement, ils soutiennent implicitement que l'atténuation des biais cognitifs ne peut être obtenue que si les décideurs deviennent davantage des agents rationnels.

Dans la gamme complète des modèles de théorie des jeux, il y en a beaucoup qui ne garantissent pas l'existence d'équilibres, c'est-à-dire qu'il y a des situations de conflit où il n'y a pas d'ensemble de stratégies d'agents que tous les agents conviennent d'être dans leur meilleur intérêt. Cependant, même lorsque des équilibres théoriques existent, c'est-à-dire lorsque des stratégies de décision optimales sont disponibles pour tous les agents, les décideurs de la vie réelle ne les trouvent souvent pas en effet, ils n'essayent même parfois apparemment pas de les trouver, ce qui suggère que certains agents ne sont pas systématiquement " rationnel'. la théorie des jeux ne semble s'accommoder d'aucun type d'agent autre que l'agent rationnel.

Économie comportementale Modifier

Contrairement à l'économie néoclassique et à la théorie de la décision, l'économie comportementale et le domaine connexe, la finance comportementale, considèrent explicitement les effets des facteurs sociaux, cognitifs et émotionnels sur les décisions économiques des individus. Ces disciplines combinent des connaissances de la psychologie et de l'économie néo-classique pour y parvenir. [29] [30] [31]

La théorie des perspectives [32] a été une des premières inspirations de cette discipline et a été développée par ses praticiens. C'est l'une des premières théories économiques qui reconnaissent explicitement la notion de biais cognitif, bien que le modèle lui-même n'en explique que quelques-uns, notamment l'aversion aux pertes, le biais d'ancrage et d'ajustement, l'effet de dotation et peut-être d'autres. Aucune mention n'est faite dans la théorie formelle des perspectives de l'atténuation des biais cognitifs, et il n'y a aucune preuve de travaux évalués par des pairs sur l'atténuation des biais cognitifs dans d'autres domaines de cette discipline.

Cependant, Daniel Kahneman et d'autres ont écrit des articles récents dans des revues commerciales et commerciales abordant la notion d'atténuation des biais cognitifs sous une forme limitée.[33] Ces contributions affirment que l'atténuation des biais cognitifs est nécessaire et offrent des suggestions générales sur la façon d'y parvenir, bien que les conseils se limitent à quelques biais cognitifs et ne soient pas de toute évidence généralisables aux autres.

Neuroéconomie Modifier

La neuroéconomie est une discipline rendue possible par les progrès des technologies d'imagerie de l'activité cérébrale. Cette discipline fusionne certaines des idées de l'économie expérimentale, de l'économie comportementale, des sciences cognitives et des sciences sociales dans le but de mieux comprendre la base neuronale de la prise de décision humaine.

Les expériences d'IRMf suggèrent que le système limbique est systématiquement impliqué dans la résolution des situations de décision économique qui ont une valence émotionnelle, l'inférence étant que cette partie du cerveau humain est impliquée dans la création des écarts par rapport aux choix rationnels des agents notés dans la prise de décision économique émotionnellement valente. Les praticiens de cette discipline ont démontré des corrélations entre l'activité cérébrale dans cette partie du cerveau et l'activité de prospection, et il a été démontré que l'activation neuronale avait des effets mesurables et cohérents sur la prise de décision. [34] [35] [36] [37] [38] Ces résultats doivent être considérés comme spéculatifs et préliminaires, mais suggèrent néanmoins la possibilité d'une identification en temps réel des états cérébraux associés à la manifestation des biais cognitifs, et la possibilité de interventions au niveau neuronal pour atténuer les biais cognitifs.

Psychologie cognitive Modifier

Plusieurs courants d'investigation dans cette discipline sont remarquables pour leur pertinence possible pour une théorie de l'atténuation des biais cognitifs.

Une approche d'atténuation suggérée à l'origine par Daniel Kahneman et Amos Tversky, développée par d'autres et appliquée dans des situations réelles, est la prévision de classe de référence. Cette approche comporte trois étapes : en vue d'un projet précis, identifier un certain nombre de projets passés qui partagent un grand nombre d'éléments avec le projet à l'étude pour ce groupe de projets, établir une distribution de probabilité du paramètre qui est prévu et, comparer le projet spécifique avec le groupe de projets similaires, afin d'établir la valeur la plus probable du paramètre sélectionné pour le projet spécifique. Cette méthode simplement énoncée masque une complexité potentielle en ce qui concerne l'application à des projets réels : peu de projets sont caractérisés par un seul paramètre plusieurs paramètres complique de manière exponentielle le processus de collecte de données suffisantes sur lesquelles construire des distributions de probabilité robustes est problématique et, les résultats du projet sont rarement sans ambiguïté et leur le reportage est souvent faussé par les intérêts des parties prenantes. Néanmoins, cette approche a du mérite dans le cadre d'un protocole d'atténuation des biais cognitifs lorsque le processus est appliqué avec un maximum de diligence, dans des situations où de bonnes données sont disponibles et où l'on peut s'attendre à ce que toutes les parties prenantes coopèrent.

Un concept enraciné dans des considérations sur la machinerie réelle du raisonnement humain, la rationalité limitée est un concept qui peut informer des progrès significatifs dans l'atténuation des biais cognitifs. Initialement conçue par Herbert A. Simon [39] dans les années 1960 et conduisant au concept de satisficing par opposition à l'optimisation, cette idée a trouvé une expression expérimentale dans les travaux de Gerd Gigerenzer et d'autres. Une ligne de travail de Gigerenzer a conduit au cadrage « rapide et frugal » du mécanisme de raisonnement humain, [40] qui s'est concentré sur la primauté de la « reconnaissance » dans la prise de décision, soutenu par des heuristiques de résolution de liens opérant dans un environnement à faibles ressources cognitives. . Dans une série de tests objectifs, les modèles basés sur cette approche ont surpassé les modèles basés sur des agents rationnels maximisant leur utilité en utilisant des méthodes analytiques formelles. Une contribution à une théorie et à une pratique de l'atténuation des biais cognitifs de cette approche est qu'elle aborde l'atténuation sans cibler explicitement les biais cognitifs individuels et se concentre sur le mécanisme de raisonnement lui-même pour éviter la manifestation des biais cognitifs.

L'entraînement situationnel intensif est capable de fournir aux individus ce qui semble être une atténuation des biais cognitifs dans la prise de décision, mais équivaut à une stratégie fixe consistant à sélectionner la meilleure réponse unique aux situations reconnues, quel que soit le « bruit » dans l'environnement. Des études et des anecdotes rapportées dans des médias à grand public [13] [20] [41] [42] sur des capitaines de pompiers, des chefs de section militaire et d'autres faisant des jugements corrects et instantanés sous une contrainte extrême suggèrent que ces réponses ne sont probablement pas généralisables et peuvent contribuer à une théorie et une pratique de l'atténuation des biais cognitifs uniquement l'idée générale d'une formation intensive spécifique à un domaine.

De même, une formation de niveau expert dans des disciplines fondamentales telles que les mathématiques, les statistiques, les probabilités, la logique, etc. peut être utile pour atténuer les biais cognitifs lorsque la norme de performance attendue reflète ces méthodes analytiques formelles. Cependant, une étude de professionnels du génie logiciel [43] suggère que pour la tâche d'estimation de projets logiciels, malgré le fort aspect analytique de cette tâche, les normes de performance axées sur le contexte social du lieu de travail étaient beaucoup plus dominantes que les méthodes analytiques formelles. Ce résultat, s'il peut être généralisé à d'autres tâches et disciplines, réduirait le potentiel de la formation de niveau expert en tant qu'approche d'atténuation des biais cognitifs et pourrait contribuer à une idée étroite mais importante d'une théorie et d'une pratique de l'atténuation des biais cognitifs.

Les expériences en laboratoire dans lesquelles l'atténuation des biais cognitifs est un objectif explicite sont rares. Une étude de 1980 [44] a exploré la notion de réduction du biais d'optimisme en montrant aux sujets les résultats d'autres sujets à partir d'une tâche de raisonnement, avec pour résultat que leur prise de décision ultérieure était quelque peu débiaisée.

Un effort de recherche récent de Morewedge et ses collègues (2015) a trouvé des preuves de formes générales de débiaisation du domaine. Dans deux expériences longitudinales, des techniques de formation débiaisantes comportant des jeux interactifs qui ont suscité six biais cognitifs (ancrage, angle mort de biais, biais de confirmation, erreur d'attribution fondamentale, biais de projection et représentativité), ont fourni aux participants des commentaires individualisés, des stratégies d'atténuation et une pratique, ont abouti en une réduction immédiate de plus de 30% de commission des biais et une réduction à long terme (2 à 3 mois de délai) de plus de 20%. Les vidéos pédagogiques étaient également efficaces, mais moins efficaces que les jeux. [45]

Psychologie évolutionnaire Modifier

Cette discipline remet explicitement en question l'opinion répandue selon laquelle les humains sont des agents rationnels maximisant la valeur/l'utilité attendues, en utilisant des méthodes analytiques formelles pour le faire. Des praticiens tels que Cosmides, Tooby, Haselton, Confer et d'autres postulent que les biais cognitifs sont plus correctement appelés heuristiques cognitives et devraient être considérés comme une boîte à outils de raccourcis cognitifs [46] [47] [48] [49] sélectionnés pour par pression évolutive et sont donc des caractéristiques plutôt que des défauts, comme le suppose l'opinion dominante. Les modèles théoriques et les analyses soutenant ce point de vue sont nombreux. [50] Ce point de vue suggère que les résultats de raisonnement négatifs surviennent principalement parce que les défis de raisonnement auxquels sont confrontés les humains modernes, et le contexte social et politique dans lequel ils sont présentés, imposent des exigences à notre ancienne « boîte à outils heuristique » qui, au mieux, créent une confusion quant à savoir heuristiques à appliquer dans une situation donnée et, au pire, générer ce que les adeptes de la vision dominante appellent des « erreurs de raisonnement ».

Dans la même veine, Mercier et Sperber décrivent une théorie [51] du biais de confirmation, et peut-être d'autres biais cognitifs, qui s'écartent radicalement de l'opinion dominante selon laquelle le raisonnement humain est destiné à aider les décisions économiques individuelles. Leur point de vue suggère qu'il a évolué comme un phénomène social et que le but était l'argumentation, c'est-à-dire convaincre les autres et faire attention lorsque les autres essaient de nous convaincre. Il est trop tôt pour dire si cette idée s'applique plus généralement à d'autres biais cognitifs, mais le point de vue soutenant la théorie peut être utile dans la construction d'une théorie et d'une pratique d'atténuation des biais cognitifs.

Il y a une convergence émergente entre la psychologie évolutionniste et le concept de notre mécanisme de raisonnement étant séparé (approximativement) en « Système 1 » et « Système 2 ». [13] [46] De ce point de vue, le système 1 est la «première ligne» de traitement cognitif de toutes les perceptions, y compris les «pseudo-perceptions» générées en interne, qui produisent automatiquement, inconsciemment et presque instantanément des jugements émotionnellement valences de leur effet probable sur le bien-être de l'individu. En revanche, le Système 2 est responsable du « contrôle exécutif », prenant les jugements du Système 1 comme des avis, faisant des prédictions futures, via la prospection, de leur actualisation, puis choisissant les avis, le cas échéant, sur lesquels agir. De ce point de vue, le système 2 est lent, simple d'esprit et paresseux, se conformant généralement par défaut aux avis du système 1 et ne les annulant que lorsqu'il est intensément entraîné à le faire ou lorsqu'une dissonance cognitive en résulterait. De ce point de vue, notre « boîte à outils heuristique » réside en grande partie dans le système 1, conformément à l'idée que les biais cognitifs sont inconscients, automatiques et très difficiles à détecter et à contourner. Les praticiens de la psychologie évolutionniste soulignent que notre boîte à outils heuristique, malgré l'abondance apparente d'"erreurs de raisonnement" qui lui est attribuée, fonctionne en réalité exceptionnellement bien, compte tenu de la vitesse à laquelle elle doit fonctionner, de la gamme de jugements qu'elle produit et des enjeux impliqués. La vision du système 1/2 du mécanisme de raisonnement humain semble avoir une plausibilité empirique (voir Neuroscience, ensuite, et pour les arguments empiriques et théoriques contre, voir [52] [53] [54] ) et peut donc contribuer à une théorie et une pratique d'atténuation des biais cognitifs.

Neurosciences Modifier

Les neurosciences offrent un soutien empirique au concept de séparation du mécanisme de raisonnement humain dans le système 1 et le système 2, comme décrit ci-dessus, sur la base d'expériences d'imagerie de l'activité cérébrale utilisant la technologie IRMf. Bien que cette notion doive rester spéculative jusqu'à ce que d'autres travaux soient effectués, elle semble être une base productive pour concevoir des options permettant de construire une théorie et une pratique de l'atténuation des biais cognitifs. [55] [56]

Anthropologie Modifier

Les anthropologues ont fourni des scénarios généralement acceptés [57] [58] [59] [60] [61] de la façon dont nos ancêtres vivaient et de ce qui était important dans leur vie. Ces scénarios d'organisation sociale, politique et économique ne sont pas uniformes à travers l'histoire ou la géographie, mais il existe une certaine stabilité tout au long de l'ère paléolithique, et de l'Holocène en particulier. Ceci, ainsi que les découvertes de la psychologie évolutionniste et des neurosciences ci-dessus, suggèrent que nos heuristiques cognitives sont à leur meilleur lorsqu'elles fonctionnent dans un environnement social, politique et économique qui ressemble le plus à celui du paléolithique/holocène. Si cela est vrai, un moyen possible d'atténuer au moins les biais cognitifs consiste à imiter, autant que possible, les scénarios sociaux, politiques et économiques paléolithiques/holocènes lorsqu'on effectue une tâche de raisonnement qui pourrait entraîner des effets de biais cognitifs négatifs.

Ingénierie de la fiabilité humaine Modifier

Un certain nombre de paradigmes, de méthodes et d'outils pour améliorer la fiabilité des performances humaines [20] [62] [63] [64] [65] [66] ont été développés dans la discipline de l'ingénierie de la fiabilité humaine. Bien qu'une certaine attention soit accordée au mécanisme de raisonnement humain lui-même, l'approche dominante consiste à anticiper les situations problématiques, à contraindre les opérations humaines à travers des mandats de processus et à guider les décisions humaines à travers des protocoles de réponse fixes spécifiques au domaine concerné. Bien que cette approche puisse produire des réponses efficaces à des situations critiques en situation de stress, les protocoles impliqués doivent être considérés comme ayant une généralisabilité limitée au-delà du domaine pour lequel ils ont été développés, avec l'implication que les solutions dans cette discipline peuvent ne fournir que des cadres génériques à une théorie et à une pratique. d'atténuation des biais cognitifs.

Apprentissage automatique Modifier

L'apprentissage automatique, une branche de l'intelligence artificielle, a été utilisé pour étudier l'apprentissage humain et la prise de décision. [67]

Une technique particulièrement applicable à l'atténuation des biais cognitifs est l'apprentissage des réseaux neuronaux et la sélection des choix, une approche inspirée de la structure et de la fonction imaginées des réseaux neuronaux biologiques réels dans le cerveau humain. La structure de collecte et de propagation de signaux multicouches et interconnectés typiques des modèles de réseaux neuronaux, où les poids régissent la contribution des signaux à chaque connexion, permet à de très petits modèles d'effectuer des tâches de prise de décision assez complexes avec une haute fidélité.

En principe, de tels modèles sont capables de modéliser une prise de décision qui prend en compte les besoins et les motivations humaines dans des contextes sociaux, et suggèrent leur considération dans une théorie et une pratique d'atténuation des biais cognitifs. Défis pour réaliser ce potentiel : accumuler la quantité considérable d'« ensembles d'entraînement » appropriés du monde réel pour la partie réseau de neurones de ces modèles caractérisant des situations et des résultats de prise de décision dans la vie réelle afin de piloter efficacement les modèles et le manque de cartographie directe à partir d'un la structure interne du réseau de neurones aux composants du mécanisme de raisonnement humain.

Génie logiciel Modifier

Cette discipline, bien que non axée sur l'amélioration des résultats du raisonnement humain comme objectif final, en est une dans laquelle la nécessité d'une telle amélioration a été explicitement reconnue, [18] [19] bien que le terme « atténuation des biais cognitifs » ne soit pas universellement utilisé.

Une étude [68] identifie des étapes spécifiques pour contrer les effets du biais de confirmation dans certaines phases du cycle de vie du génie logiciel.

Une autre étude [43] prend du recul par rapport aux biais cognitifs et décrit un cadre d'identification des « normes de performance », des critères par lesquels les résultats du raisonnement sont jugés corrects ou incorrects, afin de déterminer quand l'atténuation des biais cognitifs est nécessaire, pour guider l'identification des biais qui peuvent être « en jeu » dans une situation du monde réel, et par la suite de prescrire leurs atténuations. Cette étude fait référence à un vaste programme de recherche dans le but d'évoluer vers une théorie et une pratique de l'atténuation des biais cognitifs.

Autre Modifier

D'autres initiatives visant directement une théorie et une pratique de l'atténuation des biais cognitifs peuvent exister dans d'autres disciplines sous des étiquettes différentes de celles employées ici.


Objectifs de la trousse à outils de sensibilisation et de prévention du cannabis/marijuana

1. apprenez des informations de base sur tous les produits de cannabis/marijuana

2. comprendre comment leur cerveau se développe et comment le cannabis/la marijuana influence ce développement

3. identifier les façons dont la consommation de cannabis/marijuana peut interférer avec le développement des compétences de vie que tous les adolescents doivent apprendre maintenant

4. comprendre comment la consommation de cannabis/marijuana peut les empêcher de découvrir ce qui peut leur apporter du plaisir

5. explorer qui ils sont et ce qu'ils aiment, comme alternatives à la consommation de cannabis/marijuana

6. apprendre pourquoi et comment certaines personnes (1 jeune sur 6) peuvent devenir accros au cannabis/marijuana

7. continuer à ne pas consommer de cannabis pour ceux qui ne consomment actuellement pas de cannabis/marijuana

8. envisager de diminuer, de retarder ou d'arrêter la consommation de cannabis/marijuana pour ceux qui sont des consommateurs actuels de cannabis/marijuana

9. acquérir des compétences de refus pour faire face à la pression des pairs de l'expérimentation et de la consommation de cannabis/marijuana.


Outils et éthique pour les connaissances comportementales appliquées : la boîte à outils BASIC

Vous voulez comprendre comment BASIC peut vous aider à améliorer l'élaboration des politiques ? Lisez la brochure BASIC pour obtenir un aperçu rapide de Pourquoi La BI est importante pour résoudre les problèmes rencontrés par le gouvernement et Quel est le processus par lequel les aspects comportementaux d'un problème peuvent être identifiés, délimités et traités. Ceci complète le manuel d'instructions plus détaillé situé dans la publication de l'OCDE ci-dessus.

Avez-vous déjà manqué un rendez-vous important parce que vous aviez trop à faire et que vous avez oublié? A renoncé à remplir correctement un formulaire public parce qu'il était trop lourd et difficile à comprendre ? Conduit un peu au-dessus de la limite de vitesse parce que tous les autres conducteurs allaient aussi vite ?

Ce sont des exemples quotidiens de la façon dont le contexte et biais comportementaux peut influencer la prise de décision.

Une meilleure compréhension du comportement humain peut conduire à de meilleures politiques . Si vous recherchez une approche plus nuancée et axée sur les données pour l'élaboration des politiques, vous devriez alors considérer ce qui motive réellement les décisions et les comportements des citoyens plutôt que de vous fier à des hypothèses sur la façon dont ils devraient agir.

C'est exactement ce que fournit les insights comportementaux (BI) . S'appuyant sur des recherches rigoureuses en économie comportementale et en sciences du comportement, la BI peut aider les organismes publics à comprendre pourquoi les citoyens se comportent comme ils le font et à pré-tester les solutions politiques les plus efficaces avant de les mettre en œuvre à grande échelle. En intégrant la BI dans l'élaboration des politiques, vous pouvez mieux anticiper les conséquences comportementales de votre politique et, en fin de compte, concevoir et mettre en œuvre des politiques plus efficaces qui peuvent améliorer le bien-être des citoyens.

Vous pouvez commencer à appliquer la BI à la stratégie maintenant. Peu importe où vous vous situez dans le cycle politique, les politiques peuvent être améliorées avec la BI grâce à un processus qui examine les comportements, l'analyse, les stratégies, les interventions, le changement (BASIC). Cela vous permet d'aller à la racine du problème politique, de rassembler des preuves de ce qui fonctionne, de montrer votre soutien à l'innovation gouvernementale et, en fin de compte, d'améliorer les résultats des politiques. Cette boîte à outils guide les responsables politiques à travers ces étapes BASIC pour commencer à utiliser une approche inductive et expérimentale pour une élaboration de politiques plus efficace.

Le cadre BASIC

La boîte à outils contient deux éléments principaux : tout d'abord, un guide qui vous fournira une introduction à l'élaboration de politiques éclairées par le comportement et un bref aperçu des tests et de la mise en œuvre. Ceci s'adresse aux décideurs qui connaissent le problème et le contexte politiques mais qui ont une expérience limitée ou même aucune expérience avec la BI. Deuxièmement, le manuel BASIC fournit des approches, des preuves de concepts et des détails sur les méthodes de conception et de mise en œuvre d'une intervention politique éclairée par le comportement.

Pour plus d'informations , veuillez contacter James Drummond.


Il existe peu d'études liant explicitement les biais cognitifs à des incidents du monde réel avec des résultats très négatifs. Exemples:

  • Une étude s'est explicitement concentrée sur les biais cognitifs en tant que contributeur potentiel à un événement de niveau catastrophe. Cette étude a examiné les causes de la perte de plusieurs membres de deux équipes d'expédition sur le mont Everest pendant deux jours consécutifs en 1996. Cette étude a conclu que plusieurs biais cognitifs étaient « en jeu » sur la montagne, ainsi que d'autres dynamiques humaines. Il s'agissait d'un cas de personnes hautement qualifiées et expérimentées enfreignant leurs propres règles, apparemment sous l'influence de l'effet d'excès de confiance, du sophisme des coûts irrécupérables, de l'heuristique de disponibilité et peut-être d'autres biais cognitifs.Cinq personnes, dont les deux chefs d'expédition, ont perdu la vie malgré des avertissements explicites dans les briefings avant et pendant l'ascension de l'Everest. En plus des erreurs des leaders, la plupart des membres de l'équipe, bien qu'ils aient reconnu les jugements erronés de leur leader, n'ont pas insisté pour suivre les règles d'ascension établies.
  • Dans un 2010 MarchéBeat étude, des chercheurs allemands ont examiné le rôle que certains biais cognitifs ont pu avoir dans la crise financière mondiale à partir de 2007. Leur conclusion était que le niveau d'expertise des analystes boursiers et des commerçants les rendait très résistants aux signaux non conformes. à leurs croyances dans le maintien du statu quo. En proie à un fort biais de confirmation renforcé par l'effet d'excès de confiance et le biais de statu quo, ils n'ont apparemment pas pu voir les signaux d'effondrement financier, même après qu'ils soient devenus évidents pour les non-experts.
  • De même, Kahneman, lauréat du prix Nobel d'économie, rapporte « 9113 » dans une étude évaluée par des pairs que les gestionnaires financiers hautement expérimentés n'ont pas fait mieux que le hasard, en grande partie en raison de facteurs similaires à ceux rapportés dans l'étude ci-dessus, qu'il a qualifiée de l'« illusion d'habileté ».

Il existe de nombreuses enquêtes sur des incidents déterminant que l'erreur humaine était au cœur de résultats potentiels ou réels très négatifs, dans lesquels la manifestation de biais cognitifs est une composante plausible. Exemples:

  • L'incident du 'Gimli Glider', ⎚] dans lequel un vol d'Air Canada du 23 juillet 1983 de Montréal à Edmonton a manqué de carburant à 41 000 pieds au-dessus du Manitoba en raison d'une erreur de mesure lors du ravitaillement, un résultat déterminé plus tard comme étant le résultat d'une série d'hypothèses non vérifiées réalisés par le personnel au sol. Sans électricité pour faire fonctionner la radio, le radar ou d'autres aides à la navigation, et seulement le fonctionnement manuel des gouvernes de l'avion, l'équipage de conduite a réussi à localiser une piste d'atterrissage abandonnée de l'Aviation canadienne près de Gimli, au Manitoba. Sans moteur et avec seulement un freinage manuel des roues, le pilote a posé l'avion, avec 61 passagers et membres d'équipage, et l'a immobilisé en toute sécurité. Ce résultat était le résultat de l'habileté (le pilote avait de l'expérience en planeur) et de la chance (le copilote était juste au courant de la piste d'atterrissage) aucune vie n'a été perdue, les dommages à l'avion étaient modestes et il y avait des survivants bien informés pour informer des modifications aux procédures de ravitaillement dans tous les aéroports canadiens.
  • La perte de l'orbiteur climatique de Mars, ⎛] qui le 23 septembre 1999 "a rencontré Mars à une altitude incorrectement basse" et a été perdu. La NASA a décrit la cause systémique de cet incident comme un échec organisationnel, la cause spécifique et immédiate étant des hypothèses non vérifiées parmi les équipes de mission concernant le mélange d'unités de mesure métriques et anglaises utilisées dans différents systèmes sur l'engin. Une multitude de biais cognitifs peuvent être imaginés dans cette situation : biais de confirmation, biais rétrospectif, effet d'excès de confiance, biais de disponibilité, et même la tache aveugle de biais de méta-biais.
  • L'incident de la mine Sullivan⎜] du 18 mai 2006, dans laquelle deux professionnels de l'exploitation minière et deux ambulanciers paramédicaux de la mine fermée de Sullivan en Colombie-Britannique, au Canada, tous spécialement formés aux mesures de sécurité, ont perdu la vie en ne comprenant pas une situation potentiellement mortelle qui avec le recul, c'était évident. La première personne à succomber n'a pas réussi à discerner avec précision un environnement anoxique au fond d'un puisard dans un hangar d'échantillonnage, accessible par une échelle. Après le premier décès, trois autres collègues, tous entraînés à des situations opérationnelles dangereuses, ont perdu la vie l'un après l'autre exactement de la même manière, chacun écartant apparemment les preuves du sort des victimes précédentes. Le pouvoir du biais de confirmation suffirait à lui seul à expliquer pourquoi cela s'est produit, mais d'autres biais cognitifs se sont probablement aussi manifestés.
  • Les défaillances du service d'ambulance de Londres, dans laquelle plusieurs défaillances du système de répartition assistée par ordinateur (DAO) ont entraîné des retards de service hors spécifications et des rapports de décès attribués à ces retards. Une défaillance du système en 1992 a été particulièrement impactante, avec des retards de service allant jusqu'à 11 heures entraînant environ 30 décès inutiles en plus de centaines de procédures médicales retardées. ⎝] Cet incident est un exemple de la façon dont les grands projets de développement de systèmes informatiques présentent des défauts majeurs dans la planification, la conception, l'exécution, les tests, le déploiement et la maintenance. ⎞]⎟] , un professionnel accompli dans le domaine médical, raconte ⎠] les résultats d'une initiative dans un grand hôpital américain, dans laquelle un test a montré que les médecins ont sauté au moins un des 5 étapes dans 1/3 de certains cas de chirurgie, après quoi les infirmières ont reçu l'autorité et la responsabilité d'attraper les médecins manquant toutes les étapes d'une simple liste de contrôle visant à réduire les infections des cathéters centraux. Au cours des 15 mois suivants, les taux d'infection sont passés de 11 % à 0 %, 8 décès ont été évités et quelque 2 millions de dollars de coûts évitables ont été économisés.
  • D'autres exemples au niveau des catastrophes de résultats négatifs résultant d'erreurs humaines, incluant peut-être de multiples biais cognitifs : la fusion nucléaire de Three Mile Island, la perte de la navette spatiale Challenger, l'incendie du réacteur nucléaire de Tchernobyl, la chute d'un avion de ligne d'Iran Air, le réponse inefficace à l'événement météorologique de l'ouragan Katrina, et bien d'autres.

Chacun des quelque 100 biais cognitifs connus à ce jour peut également produire des résultats négatifs dans notre vie quotidienne, bien que rarement aussi graves que dans les exemples ci-dessus. Une sélection illustrative, relatée dans de multiples études Ώ] ΐ] Α] Β] Γ] Δ] Ε] Ζ] &# 919] ⎖] :

  • Biais de confirmation, la tendance à rechercher uniquement les informations qui soutiennent ses idées préconçues et à ignorer celles qui ne les soutiennent pas. Par exemple, n'entendre qu'un côté d'un débat politique, ou ne pas accepter la preuve que son travail est devenu superflu.
  • Effet de cadrage, la tendance à réagir à la façon dont l'information est cadrée, au-delà de son contenu factuel. Par exemple, choisir de ne pas subir de chirurgie lorsqu'on lui dit qu'il a un taux d'échec de 10 %, alors que l'on aurait opté pour la chirurgie si on lui avait dit qu'il avait un taux de réussite de 90 %, ou, choisir de ne pas choisir le don d'organes dans le cadre du renouvellement du permis de conduire lorsque le est 'Non'.
  • Biais d'ancrage, la tendance à produire une estimation proche d'un montant de repère qui peut ou non avoir été intentionnellement offert. Par exemple, produire un devis basé sur les préférences d'un gestionnaire ou négocier un prix d'achat d'une maison à partir du montant de départ suggéré par un agent immobilier plutôt qu'une évaluation objective de la valeur.
  • L'erreur du joueur (aka biais des coûts irrécupérables), l'incapacité de réinitialiser ses attentes en fonction de sa situation actuelle. Par exemple, refuser de payer à nouveau pour acheter un billet de remplacement pour un billet perdu pour un divertissement souhaité, ou refuser de vendre une importante position longue sur un marché en baisse rapide.
  • Heuristique de représentativité, la tendance à juger quelque chose comme appartenant à une classe sur la base de quelques caractéristiques saillantes sans tenir compte des taux de base de ces caractéristiques. Par exemple, la croyance que l'on ne deviendra pas alcoolique parce qu'il manque une caractéristique d'un stéréotype alcoolique, ou que l'on a une probabilité plus élevée de gagner à la loterie parce qu'on achète des billets auprès du même type de vendeur que plusieurs grands gagnants connus.
  • effet de halo, la tendance à attribuer des capacités non vérifiées à une personne sur la base d'une capacité observée. Par exemple, croire l'affirmation d'un acteur oscarisé concernant la chasse aux phoques de l'Atlantique, ou, supposer qu'un grand et bel homme est intelligent et gentil.
  • Biais rétrospectif, la tendance à évaluer ses décisions antérieures comme plus efficaces qu'elles ne l'étaient. Par exemple, « se souvenir » de sa prédiction selon laquelle Vancouver perdrait la Coupe Stanley 2011, ou « se souvenir » d'avoir identifié la cause immédiate de la Grande Récession de 2007.
  • Disponibilité heuristique, la tendance à estimer que ce dont on se souvient facilement est plus probable que ce qui ne l'est pas. Par exemple, estimer qu'une réunion d'information sur l'urbanisme sera ennuyeuse parce que la dernière réunion de ce type à laquelle vous avez assisté (sur un sujet différent) l'était, ou, ne pas croire la promesse de votre député de lutter pour l'égalité des femmes parce qu'il n'a pas montré jusqu'à votre collecte de fonds de vente de pâtisseries maison pour lui.
  • Effet d'entraînement, la tendance à faire ou croire ce que les autres font ou croient. Par exemple, voter pour un candidat politique parce que votre père a toujours voté pour le parti de ce candidat, ou ne pas s'opposer au harcèlement d'un intimidateur parce que le reste de vos pairs ne le fait pas.

Aaron Seitz

Aaron Seitz est professeur de psychologie à l'Université de Californie à Riverside, où il mène des recherches sur les mécanismes d'apprentissage et de mémoire. Il a obtenu un baccalauréat en mathématiques théoriques du Reed College et un doctorat en neurosciences computationnelles de l'Université de Boston, a effectué des travaux postdoctoraux en neurosciences des systèmes à la Harvard Medical School et a été professeur adjoint de recherche spécialisé en psychophysique humaine et en neuroimagerie à l'Université de Boston. Ses recherches, avec près de 100 publications évaluées par des pairs, examinent les rôles du renforcement, de l'attention, des interactions multisensorielles et des différents systèmes cérébraux dans l'apprentissage, en utilisant des méthodes psychophysiques, physiologiques, d'imagerie cérébrale, psychopharmacologiques, génétiques et informatiques. Seitz a récemment fondé le UC Riverside Brain Game Center pour la forme mentale et le bien-être.


Activités de connaissance de soi

Établissement d'objectifs

Fixer des objectifs peut être une activité extrêmement puissante. Sur cette page, une série de questions de réflexion est fournie pour s'assurer que le processus de définition des objectifs est réfléchi.

Définition des objectifs (dans la boîte à outils des réflecteurs)

Éléments pour la connaissance de soi

Une activité amusante qui utilise des objets comme base du processus de réflexion. Le but de l'activité est de choisir un article qui reflète une certaine qualité. Lorsque cela est fait correctement et de manière réfléchie, cela peut être une activité utile pour obtenir une nouvelle perspective. Les types de questions pourraient être : « Choisissez un élément dans votre salle qui montre comment vous êtes en tant qu'apprenant ».

Éléments pour la connaissance de soi (dans la boîte à outils des réflecteurs)

Forces et faiblesses

Être capable d'identifier quelles sont vos forces et vos faiblesses est précieux à la fois pour la connaissance personnelle et pour pouvoir les communiquer aux autres. Sur cette page, deux activités de réflexion sont proposées pour vous aider à identifier vos forces et vos faiblesses.

Forces et faiblesses (dans la boîte à outils des réflecteurs)

Valeurs

Connaître vos valeurs personnelles peut être extrêmement bénéfique pour vous aider à établir des priorités et à prendre des décisions. Sur cette page, deux approches réflexives sont proposées pour identifier vos valeurs.

Valeurs (dans la boîte à outils des réflecteurs)

Écrire des lettres à votre futur et à votre passé

Regarder vers l'avenir et examiner le passé peut aider à déterminer comment nous devons agir dans le présent. Sur cette page, des instructions pour deux activités réflexives de rédaction de lettres sont fournies, l'une pour votre moi passé et l'autre pour votre moi futur.


Voir la vidéo: cours de maths pour la mécanique du point systéme de coordonnées (Novembre 2021).