Judgment Under Uncertainty

1. Penilaian Intuitif Bergantung pada Heuristik, Mengarah pada Kesalahan yang Dapat Diprediksi

Banyak keputusan didasarkan pada keyakinan mengenai kemungkinan peristiwa yang tidak pasti, seperti hasil pemilihan, kesalahan seorang terdakwa, atau nilai dolar di masa depan.

Heuristik menyederhanakan kompleksitas. Ketika dihadapkan pada penilaian yang kompleks dalam ketidakpastian, orang sering kali mengandalkan heuristik – aturan praktis yang sederhana dan intuitif yang mengurangi usaha mental. Meskipun heuristik ini umumnya berguna, mereka dapat menyebabkan kesalahan sistematis dan dapat diprediksi. Hal ini karena mereka sering mengabaikan faktor-faktor yang seharusnya dipertimbangkan atau memberikan bobot yang berlebihan pada informasi yang tidak relevan.

Tiga heuristik umum. Buku ini mengidentifikasi tiga heuristik kunci:

• Representativitas: Menilai probabilitas suatu peristiwa berdasarkan seberapa mirip peristiwa tersebut dengan stereotip atau harapan sebelumnya.
• Ketersediaan: Memperkirakan kemungkinan suatu peristiwa berdasarkan seberapa mudah contoh-contoh muncul dalam ingatan.
• Penetapan dan Penyesuaian: Memulai dengan nilai awal (penetapan) dan menyesuaikan dari sana, sering kali tidak memadai.

Memahami bias sangat penting. Mengenali heuristik ini dan bias yang dihasilkannya adalah hal yang penting untuk meningkatkan pengambilan keputusan di berbagai bidang, mulai dari pilihan pribadi hingga penilaian profesional. Dengan menyadari jebakan kognitif ini, kita dapat berusaha untuk membuat keputusan yang lebih terinformasi dan rasional.

2. Data Kausal Memberikan Pengaruh yang Lebih Kuat daripada Data Diagnostik

Sebaliknya, kami mengusulkan bahwa dampak psikologis dari data sangat bergantung pada perannya dalam skema kausal.

Data kausal vs. data diagnostik. Orang cenderung memberikan bobot lebih pada informasi yang tampaknya secara langsung menyebabkan suatu peristiwa (data kausal) dibandingkan dengan informasi yang hanya bersifat diagnostik atau indikatif. Preferensi untuk penjelasan kausal ini dapat menyebabkan bias dalam penilaian.

Contoh bias. Misalnya, mengetahui bahwa sebuah perusahaan berinvestasi besar-besaran dalam R&D (kausal) mungkin mengarah pada prediksi yang lebih tinggi tentang kesuksesan masa depannya dibandingkan dengan mengetahui bahwa harga saham perusahaan tersebut telah meningkat secara stabil (diagnostik), meskipun kedua informasi tersebut sama-sama informatif. Hal ini karena investasi R&D dianggap sebagai pendorong langsung kesuksesan, sementara harga saham hanya dianggap sebagai gejala.

Implikasi untuk pengambilan keputusan. Bias ini dapat mengarah pada keputusan yang suboptimal, karena orang mungkin terlalu menekankan faktor-faktor yang tampaknya terkait secara kausal sambil mengabaikan informasi relevan lainnya. Untuk membuat keputusan yang lebih baik, penting untuk mempertimbangkan baik data kausal maupun diagnostik, dan menghindari terpengaruh oleh kekuatan hubungan kausal yang tampak.

3. Memahami Hubungan Representativitas adalah Kunci untuk Penilaian yang Akurat

Dalam makalah ini, kami menyelidiki secara mendetail salah satu heuristik yang disebut representativitas.

Representativitas didefinisikan. Heuristik representativitas melibatkan penilaian probabilitas suatu peristiwa berdasarkan seberapa mirip peristiwa tersebut dengan stereotip atau model mental. Meskipun ini bisa menjadi jalan pintas yang berguna, sering kali mengarah pada kesalahan.

Jenis-jenis representativitas:

• Kesamaan sampel dengan populasi: Menilai kemungkinan suatu sampel berdasarkan seberapa baik ia mencerminkan karakteristik populasi yang diambil.
• Refleksi acak: Mengharapkan urutan acak menunjukkan representativitas lokal, yang mengarah pada kesalahpahaman tentang peluang.

Konsekuensi dari ketergantungan pada representativitas. Ketergantungan yang berlebihan pada representativitas dapat menyebabkan pengabaian terhadap tingkat dasar, ukuran sampel, dan pertimbangan statistik penting lainnya. Untuk membuat penilaian yang lebih akurat, sangat penting untuk memahami batasan heuristik ini dan mempertimbangkan faktor relevan lainnya.

4. Ketersediaan Membentuk Persepsi Kita tentang Frekuensi dan Probabilitas

Ada situasi di mana orang menilai frekuensi suatu kelas atau probabilitas suatu peristiwa berdasarkan seberapa mudah contoh atau kejadian dapat diingat.

Heuristik ketersediaan dijelaskan. Heuristik ketersediaan membuat kita memperkirakan kemungkinan peristiwa berdasarkan seberapa mudah contoh-contoh muncul dalam ingatan. Meskipun ini sering menjadi jalan pintas yang berguna, hal ini dapat menyebabkan bias sistematis.

Faktor-faktor yang mempengaruhi ketersediaan:

• Familiaritas: Peristiwa yang lebih familiar lebih mudah diingat.
• Keterpaduan: Peristiwa yang lebih mencolok atau dramatis lebih mudah diingat.
• Kebaruan: Peristiwa terbaru lebih mudah diingat.

Konsekuensi dari bias ketersediaan. Bias ini dapat menyebabkan kita melebih-lebihkan kemungkinan peristiwa langka tetapi dramatis (misalnya, kecelakaan pesawat) dan meremehkan kemungkinan peristiwa umum tetapi kurang sensasional (misalnya, diabetes). Untuk membuat penilaian yang lebih akurat, penting untuk menyadari faktor-faktor yang mempengaruhi ketersediaan dan mencari data objektif.

5. Penetapan Mempengaruhi Estimasi, Bahkan Ketika Penetapan Tidak Relevan

Dalam banyak situasi, orang membuat estimasi dengan memulai dari nilai awal yang disesuaikan untuk menghasilkan jawaban akhir.

Penetapan dan penyesuaian. Ketika membuat estimasi numerik, orang sering kali memulai dengan nilai awal (penetapan) dan kemudian menyesuaikan dari sana. Namun, penyesuaian ini biasanya tidak memadai, yang mengarah pada estimasi yang bias menuju penetapan.

Penetapan yang tidak relevan. Bahkan ketika penetapan sepenuhnya sewenang-wenang atau tidak relevan, hal itu masih dapat mempengaruhi estimasi. Misalnya, ditanya apakah populasi Chicago lebih atau kurang dari 1 juta dapat mempengaruhi estimasi Anda tentang populasi sebenarnya kota tersebut.

Konsekuensi dari penetapan. Bias ini dapat mempengaruhi berbagai penilaian, mulai dari memperkirakan harga hingga memprediksi peristiwa di masa depan. Untuk mengurangi efek penetapan, penting untuk menyadari pengaruhnya dan secara aktif mencari perspektif dan informasi alternatif.

6. Intuisi Statistik Sering Kali Salah, Bahkan di Antara Para Ahli

Ketergantungan pada heuristik dan prevalensi bias tidak terbatas pada orang awam. Peneliti berpengalaman juga rentan terhadap bias yang sama – ketika mereka berpikir secara intuitif.

Heuristik mempengaruhi semua orang. Bahkan individu yang memiliki pelatihan luas dalam statistik dan probabilitas rentan terhadap bias penilaian ketika mereka mengandalkan intuisi daripada analisis formal. Ini menyoroti luasnya dan kekuatan jalan pintas kognitif ini.

Contoh bias di antara para ahli:

• Kepercayaan berlebihan pada replikasi temuan penelitian
• Mengabaikan tingkat dasar dalam penilaian diagnostik
• Salah mengartikan efek regresi

Implikasi untuk penelitian dan praktik. Temuan ini menunjukkan bahwa pelatihan statistik saja tidak cukup untuk menghilangkan bias. Sangat penting untuk mengembangkan strategi untuk mengenali dan mengurangi pengaruh heuristik dalam penelitian dan pengambilan keputusan di dunia nyata.

7. Kepercayaan Berlebihan adalah Bias yang Meluas dalam Penilaian

Kepercayaan yang tidak berdasar yang dihasilkan oleh kecocokan yang baik antara hasil yang diprediksi dan informasi input dapat disebut sebagai ilusi validitas.

Kepercayaan berlebihan didefinisikan. Kepercayaan berlebihan adalah kecenderungan untuk melebih-lebihkan akurasi keyakinan dan penilaian seseorang. Bias ini meluas dan mempengaruhi orang dari berbagai lapisan masyarakat, termasuk para ahli di bidangnya.

Manifestasi kepercayaan berlebihan:

• Menyatakan interval kepercayaan yang terlalu sempit
• Menyatakan kepastian yang tidak berdasar dalam prediksi
• Meremehkan kemungkinan kesalahan

Faktor-faktor yang berkontribusi pada kepercayaan berlebihan:

• Ilusi validitas: Kepercayaan yang tidak berdasar yang dihasilkan oleh kecocokan yang baik antara hasil yang diprediksi dan informasi input
• Mengabaikan faktor-faktor yang membatasi akurasi prediktif

Konsekuensi dari kepercayaan berlebihan. Kepercayaan berlebihan dapat mengarah pada keputusan yang buruk, karena orang mungkin meremehkan risiko, gagal mencari informasi tambahan, dan tidak siap menghadapi hasil yang tidak terduga.

8. Ilusi Validitas Menciptakan Kepercayaan yang Tidak Berdasar

Konsistensi internal dari pola input adalah penentu utama dari kepercayaan seseorang dalam prediksi yang didasarkan pada input ini.

Konsistensi vs. validitas. Orang cenderung lebih percaya diri dalam prediksi yang didasarkan pada informasi yang konsisten atau koheren, meskipun informasi tersebut sebenarnya tidak sangat prediktif terhadap hasil. Ini dikenal sebagai ilusi validitas.

Redundansi meningkatkan kepercayaan. Pola yang sangat konsisten sering kali diamati ketika variabel input sangat redundan atau berkorelasi. Oleh karena itu, orang cenderung memiliki kepercayaan yang besar dalam prediksi yang didasarkan pada variabel input yang redundan.

Redundansi mengurangi akurasi. Namun, hasil dasar dalam statistik korelasi menyatakan bahwa, mengingat variabel input yang dinyatakan validitasnya, prediksi yang didasarkan pada beberapa input tersebut dapat mencapai akurasi yang lebih tinggi ketika mereka independen satu sama lain daripada ketika mereka redundan atau berkorelasi.

Implikasi untuk pengambilan keputusan. Dengan demikian, redundansi di antara input mengurangi akurasi meskipun meningkatkan kepercayaan, dan orang sering kali percaya pada prediksi yang kemungkinan besar tidak tepat.

9. Regresi ke Rata-rata Sering Kali Salah Dipahami dan Salah Diartikan

Kami mengusulkan bahwa fenomena regresi tetap sulit dipahami karena tidak sesuai dengan keyakinan bahwa hasil yang diprediksi harus sangat representatif dari input, dan, oleh karena itu, nilai variabel hasil harus se-ekstrem nilai variabel input.

Regresi ke rata-rata dijelaskan. Regresi ke rata-rata adalah fenomena statistik di mana nilai-nilai ekstrem cenderung diikuti oleh nilai yang lebih dekat ke rata-rata. Ini terjadi karena nilai-nilai ekstrem sering kali disebabkan oleh faktor kebetulan yang tidak mungkin bertahan.

Salah tafsir regresi. Orang sering kali gagal mengenali regresi ke rata-rata dan sebaliknya menciptakan penjelasan kausal yang tidak relevan untuk itu. Misalnya, pengajar mungkin percaya bahwa pujian untuk kinerja yang baik diikuti oleh kinerja yang lebih buruk karena pujian itu sendiri merugikan.

Konsekuensi dari salah memahami regresi. Kegagalan untuk memahami regresi dapat mengarah pada melebih-lebihkan efektivitas hukuman dan meremehkan efektivitas penghargaan. Dalam interaksi sosial, serta dalam pelatihan, penghargaan biasanya diberikan ketika kinerja baik, dan hukuman biasanya diberikan ketika kinerja buruk.

10. Strategi Mengurangi Bias Dapat Meningkatkan Penilaian, Namun Menghadapi Tantangan yang Signifikan

Pemahaman yang lebih baik tentang heuristik ini dan bias yang dihasilkannya dapat meningkatkan penilaian dan keputusan dalam situasi ketidakpastian.

Bias kognitif sangat meluas. Bias kognitif tidak dapat diatribusikan pada efek motivasional seperti berpikir positif atau distorsi penilaian oleh imbalan dan hukuman. Memang, beberapa kesalahan penilaian yang parah yang dilaporkan sebelumnya terjadi meskipun subjek didorong untuk akurat dan diberi imbalan untuk jawaban yang benar.

Mengurangi bias itu sulit. Ketergantungan pada heuristik dan prevalensi bias tidak terbatas pada orang awam. Peneliti berpengalaman juga rentan terhadap bias yang sama – ketika mereka berpikir secara intuitif.

Strategi untuk mengurangi bias:

• Pelatihan: Pengalaman langsung dengan pengambilan sampel berulang dan pengamatan terhadap aturan statistik.
• Perhitungan: Perhitungan eksplisit tentang tingkat signifikansi, kekuatan, dan interval kepercayaan.
• Kesadaran: Mengenali keberadaan bias dan mengambil langkah-langkah pencegahan yang diperlukan.

Batasan pengurangan bias. Bahkan dengan pelatihan, sulit untuk menghilangkan bias sepenuhnya. Namun, dengan memahami bias ini dan mengadopsi prosedur korektif, kita dapat meningkatkan kualitas penilaian dan keputusan kita.

11. Paradigma Tanya-Jawab Dapat Mempengaruhi Hasil Penilaian

Sifat subjektif dari probabilitas telah membuat banyak siswa percaya bahwa koherensi, atau konsistensi internal, adalah satu-satunya kriteria valid di mana probabilitas yang dinilai harus dievaluasi.

Konteks percakapan penting. Cara pertanyaan diajukan dapat secara signifikan mempengaruhi jawaban. Subjek mungkin menafsirkan pertanyaan secara berbeda dari yang dimaksudkan oleh peneliti, yang mengarah pada respons yang bias.

Prinsip kooperatif. Orang berasumsi bahwa penanya bersikap informatif, jujur, relevan, dan jelas. Asumsi ini dapat membuat mereka menarik kesimpulan dari penggalan kata dalam pertanyaan itu sendiri.

Contoh bias dalam menjawab pertanyaan:

• Pertanyaan yang memimpin: Pertanyaan yang menyarankan jawaban tertentu.
• Efek penggambaran: Cara suatu masalah disajikan dapat mempengaruhi pilihan yang dibuat orang.
• Skala respons: Rentang dan distribusi opsi respons dapat mempengaruhi estimasi.

Implikasi untuk penelitian. Peneliti perlu menyadari bias ini dan mengambil langkah-langkah untuk meminimalkan pengaruhnya. Ini mungkin melibatkan penggunaan bahasa netral, memberikan instruksi yang jelas, dan mempertimbangkan dengan cermat desain skala respons.

12. Model dan Heuristik Membentuk Pemahaman Kita tentang Ketidakpastian

Hakim yang rasional tetap berusaha untuk mencapai kompatibilitas, meskipun konsistensi internal lebih mudah dicapai dan dinilai.

Probabilitas subjektif vs. objektif. Probabilitas subjektif adalah opini yang terkuantifikasi dari seseorang yang ideal. Probabilitas subjektif dari suatu peristiwa didefinisikan oleh serangkaian taruhan tentang peristiwa ini yang bersedia diterima oleh orang tersebut.

Peran model. Orang menggunakan model mental untuk memahami dunia dan membuat prediksi. Model-model ini dapat didasarkan pada aturan formal, heuristik intuitif, atau pengalaman pribadi.

Pentingnya kompatibilitas. Agar probabilitas yang dinilai dianggap memadai, atau rasional, konsistensi internal saja tidak cukup. Penilaian harus kompatibel dengan seluruh jaringan keyakinan yang dipegang oleh individu.

Berusaha untuk mencapai kompatibilitas. Hakim yang rasional tetap berusaha untuk mencapai kompatibilitas, meskipun konsistensi internal lebih mudah dicapai dan dinilai. Secara khusus, ia akan berusaha untuk membuat penilaian probabilitasnya kompatibel dengan pengetahuannya tentang subjek, hukum probabilitas, dan heuristik serta bias penilaiannya sendiri.

Terakhir diperbarui: February 4, 2025