Illusion de regroupement
Voir des motifs dans des données aléatoires
Qu'est-ce que c'est?
L'illusion de regroupement est la tendance à percevoir des motifs significatifs dans des données en réalité aléatoires. Notre cerveau est une machine à repérer des motifs—précieuse pour survivre, mais sujette aux faux positifs. Nous nous attendons à ce qu'une séquence aléatoire "ait l'air" aléatoire (répartie uniformément), alors que le vrai hasard produit souvent des amas et des séries qui semblent ne rien lui devoir. Lancez une pièce 100 fois : vous obtiendrez probablement des séries de cinq ou six piles ou faces d'affilée—non pas la preuve d'un motif, simplement les probabilités. Dans une célèbre étude de 1985, Thomas Gilovich, Robert Vallone et Amos Tversky ont conclu que les séries de la "main chaude" au basket-ball restaient compatibles avec des variations aléatoires. Des réanalyses ultérieures suggèrent un léger effet réel, bien plus faible que ce que perçoivent joueurs et supporters—les amas nous semblent simplement plus significatifs qu'ils ne le sont. L'illusion touche l'investissement (voir des motifs dans les mouvements boursiers), le management (déceler des "tendances" dans de petits échantillons) et la science (trouver des faux positifs dans des données bruitées). Le biais de confirmation l'amplifie : dès que nous croyons voir un motif, nous remarquons les cas qui le confirment et ignorons les exceptions. La corriger demande une culture statistique, une idée juste de ce à quoi ressemble le vrai hasard, des échantillons suffisants avant de conclure, et des tests statistiques formels plutôt que la seule intuition visuelle.
Exemple
Croire qu'un commercial est dans une "série gagnante" alors que ses succès relèvent du hasard. Voir des motifs dans des mouvements de cours boursiers qui ne sont que du bruit. Déceler des "tendances" dans de petits échantillons de données.
Références
Gilovich, T., Vallone, R., & Tversky, A. (1985). La main chaude au basket-ball : sur la perception erronée des séquences aléatoires. Cognitive Psychology, 17(3), 295-314.
Tversky, A., & Kahneman, D. (1971). La croyance en la loi des petits nombres. Psychological Bulletin, 76(2), 105-110.
Comment l'éviter
Doxa s'appuie sur l'IA et peut se tromper. Comment c'est construit
Ce motif est-il statistiquement significatif ?
Cette "série" pourrait-elle s'expliquer par une variation aléatoire ?
Combien de motifs verrais-je dans des données vraiment aléatoires ?
Est-ce que je vois des motifs parce que je les cherche ?
Sur combien de données ce motif repose-t-il ?
Utilisez des tests statistiques pour vérifier les motifs avant d'agir.
Examinez des échantillons plus grands avant de tirer des conclusions.
Attendez-vous à ce qu'une série extrême soit suivie de résultats plus ordinaires (régression vers la moyenne).
Générez des séquences aléatoires pour calibrer la détection de motifs.
Attendez que le motif se reproduise sur de nouvelles données avant d'agir.