Resumo do PDF:Ruído, por Daniel Kahneman, Olivier Sibony e Cass Sunstein

Por que duas pessoas semelhantes, condenadas pelo mesmo crime, recebem sentenças drasticamente diferentes? Por que um candidato a emprego é contratado enquanto outro, igualmente qualificado, nem sequer é entrevistado? A resposta, segundo Daniel Kahneman (Pensar, rápido e devagar), Olivier Sibony e Cass R. Sunstein (Nudge), é o ruído— uma variação inesperada e indesejada nos julgamentos humanos. Kahneman, Sibony e Sunstein argumentam que compreender e neutralizar esse tipo de ruído é fundamental para melhorar os julgamentos que afetam alguns dos aspectos mais importantes de nossas vidas, incluindo nosso sistema de justiça, assistência médica, educação e decisões empresariais.

Com base em décadas de pesquisa e em suas próprias experiências como consultores de ruído, os autores explicam o que é o ruído, de onde ele vem e como podemos reduzi-lo para tornar nosso mundo mais justo e coerente. Neste guia, aprofundaremos o conceito de ruído, relacionando-o aos trabalhos anteriores dos autores e a ideias semelhantes em áreas que vão desde o mercado financeiro até a seleção de talentos no beisebol.

(continuação)...

Por exemplo, você consegue dizer se o tempo está ensolarado ou nublado. Esse é um julgamento qualitativo: há nuvens no céu ou não? Geralmente, você também consegue dizer se está quente ou frio. Mas se fosse exposto a uma série de temperaturas diferentes e tivesse que classificá-las da mais fria à mais quente, rapidamente cometeria erros. (Segundo os autores, estudos descobriram que conseguimos classificar as coisas em cerca de sete níveis de qualidade ou intensidade antes de começarmos a cometer erros de classificação.) Você se sairá bem se puder comparar diretamente um item com outro, mas, diante de um conjunto de itens e solicitado a classificá-los ou categorizá-los, cometerá erros mais facilmente do que imagina.

Por fim, os autores destacam que qualquer tipo de avaliação que exija classificar itens em uma escala se torna mais imprecisa à medida que a escala se torna menos definida. Sem um contexto adequado e um referencial comum sobre o significado dos valores e como eles devem ser atribuídos, quem avalia é forçado a adivinhar, o que torna a avaliação arbitrária. Como cada pessoa adivinha de maneira diferente, a escala se torna imprecisa. (Nota da Shortform: exploraremos maneiras de melhorar as escalas de classificação mais adiante neste guia.)

Fontes sociais de ruído

Não só cada um de nós gera seu próprio ruído pela maneira como compreende o mundo, mas, quando as pessoas trabalham em grupo para chegar a conclusões, os fatores sociais acrescentam novas fontes de ruído.

Por um lado, a popularidade (real ou percebida) influencia a forma como as pessoas interpretam as informações. Uma ideia que recebe apoio público ou popularidade logo no início tem mais chances de ser bem-sucedida, independentemente do mérito inerente à ideia. Esse fenômeno é chamado de cascata de informação. Quando uma pessoa compartilha uma opinião, é mais provável que a próxima pessoa concorde com ela, a menos que tenha bons motivos para não concordar. O efeito se intensifica a cada pessoa que adere à opinião inicial. Quando um grupo está tomando uma decisão, muitas pessoas podem começar indecisas ou com sentimentos contraditórios. Sua decisão, portanto, é geralmente determinada pela opinião que deu início à cascata de informação.

Como a maioria das pessoas concorda com o resultado final, achamos que ele era inevitável — mas não era. Se o ponto de partida tivesse sido outro, o resultado poderia ter sido diferente. Isso não nos parece óbvio porque cada situação do mundo real (como esta) ocorre apenas uma vez.

Os grupos também são suscetíveis à polarização, o que significa que os membros tendem a adotar uma versão mais radical de suas opiniões iniciais. Se cada membro de uma comissão de contratação se sentir moderadamente entusiasmado com o candidato A, ao final da reunião, eles podem agora se sentir apaixonadamente entusiasmados com o candidato A. Por outro lado, se alguns membros se sentirem moderadamente entusiasmados com o candidato A enquanto outros se sentirem moderadamente entusiasmados com o candidato B, então o efeito de polarização poderia levar a um impasse em que metade da comissão apoia fortemente A enquanto se opõe fortemente a B, e vice-versa.

Superando o pensamento de grupo

As cascatas de informação e a polarização também podem se alimentar mutuamente. Por mero acaso, o primeiro a se manifestar influencia o grupo em uma determinada direção (iniciando uma cascata de informação) e, em seguida, o efeito de polarização faz com que o grupo se mova de forma decisiva nessa direção — mesmo que nenhum membro do grupo tivesse uma opinião particularmente firme sobre qualquer direção ao chegar à reunião. A interação entre esses dois fenômenos pode ser uma das origens do que tradicionalmente se denomina “pensamento de grupo”.

Em Originals, Adam Grant argumenta que, em um ambiente corporativo, o pensamento de grupo também resulta diretamente das atitudes da empresa em relação às vozes dissidentes. Nesses ambientes, ser transparente, incentivar a dissidência e escolher líderes que realmente acolham críticas podem ajudar a reduzir o risco do pensamento de grupo na tomada de decisões. Vale a pena ter esses princípios em mente quando discutirmos a sabedoria das multidões mais adiante neste guia. Só é possível acessar a sabedoria das multidões quando um grupo é composto por pessoas com pontos de vista diferentes e quando essas pessoas se sentem à vontade para expressar suas ideias.

Como reduzir ou eliminar o ruído

Agora que entendemos o que é o ruído e de onde ele vem, podemos examinar medidas para reduzir ou eliminar o ruído dos julgamentos. Os autores de *Noise* oferecem algumas soluções, incluindo ferramentas mecânicas de julgamento (modelos e algoritmos) que podem substituir ou complementar o julgamento humano, bem como um conjunto de sugestões para reduzir o ruído na tomada de decisões humanas.

Detecção e medição de ruído

Normalmente, o primeiro passo para reduzir o ruído é determinar, antes de tudo, qual é a magnitude desse ruído. Essa etapa é necessária porque os administradores tendem a acreditar que suas organizações tomam decisões de forma consistente e, até que possam constatar o problema por si mesmos, podem mostrar resistência à mudança.

Para determinar o nível de ruído presente em uma empresa, organização ou sistema, os autores descrevem um processo de auditoria de ruído que utilizam ao prestar consultoria a empresas. O livro inclui um apêndice com diretrizes detalhadas para a realização de uma auditoria de ruído. A ideia geral é que uma organização forneça um conjunto de casos de amostra a todos os seus membros cuja função seja emitir julgamentos sobre tais casos. Por exemplo, uma seguradora forneceria um conjunto de sinistros de amostra a todos os seus avaliadores. Os avaliadores submetidos à auditoria realizam seus julgamentos de forma independente e, em seguida, os resultados são comparados para verificar o grau de variabilidade existente em toda a organização.

Avaliações mecânicas

Uma vez detectado o ruído, há várias opções para reduzi-lo. Uma delas é eliminar completamente o julgamento humano do processo. Para isso, a tomada de decisões pode ser conduzida por meio de modelos estatísticos ou algoritmos computacionais.

Embora abordem vários métodos de julgamento mecânico (que explicaremos brevemente a seguir), os autores estão mais interessados em reduzir o ruído no julgamento humano do que em substituir o julgamento humano pelo julgamento mecânico. Isso se deve, em parte, ao fato de que, como os autores apontam, as previsões mecânicas atualmente não conseguem fazer nada que os humanos não possam fazer — elas apenas o fazem com maior precisão preditiva. Os autores argumentam que essa precisão aprimorada resulta principalmente da eliminação do ruído e, portanto, podemos ver a eficácia dos julgamentos mecânicos mais como uma demonstração dos benefícios da redução de ruído do que como uma solução abrangente para o problema do ruído.

(Nota resumida: Embora os autores se posicionem a favor de aprimorar, em vez de substituir, o julgamento humano, talvez não deixem esse ponto tão claro quanto poderiam, dada a forma como alguns críticos se concentram nos perigos dos algoritmos como principal crítica às recomendações do livro. De fato, os autores dedicam muito tempo a explicar modelos e algoritmos e a defendê-los de possíveis críticas, o que talvez crie uma impressão equivocada sobre o quão centrais eles são para o curso de ação proposto em *Noise*. Para manter o foco nas formas de melhorar o julgamento humano, mantivemos a discussão a seguir sobre modelos e algoritmos breve e direta ao ponto.)

Modelos estatísticos

Uma maneira de fazer previsões é utilizando um modelo estatístico. Um modelo estatístico é uma fórmula que utiliza variáveis ponderadas para calcular a probabilidade de um resultado. Por exemplo, seria possível criar um modelo estatístico que preveja a probabilidade de um aluno se formar na faculdade, atribuindo pesos a fatores como a média geral do ensino médio, as notas no SAT, o número de atividades extracurriculares, se os pais do aluno se formaram na faculdade e assim por diante.

Estudos demonstraram que modelos estatísticos simples, que aplicam médias ponderadas de variáveis relevantes, apresentam um desempenho consistentemente superior ao das previsões humanas. De fato, os autores apresentam estudos que sugerem que qualquer modelo estatístico , seja ele cuidadosamente elaborado ou montado aleatoriamente, é capaz de prever resultados com mais precisão do que os seres humanos.

Os autores argumentam que esse desempenho superior se deve simplesmente ao fato de que os modelos estatísticos (e, por extensão, os algoritmos) eliminam o ruído. Mesmo o modelo mais rudimentar ou arbitrário tem a vantagem de ser consistente em todos os casos. E embora os avaliadores humanos possam ponderar fatores subjetivos sutis que um modelo não consegue levar em conta, os autores sugerem que essa subjetividade tende a adicionar mais ruído do que clareza preditiva. Como vimos anteriormente, não somos muito bons em reconhecer quais fatores são relevantes para nossas previsões.

Algoritmos de computador

Outra forma mais recente e complexa de julgamento mecânico é o algoritmo computacional. Os autores explicam que os algoritmos computacionais se baseiam na ideia fundamental da modelagem estatística, mas também trazem benefícios adicionais que aumentam sua precisão. Como levam em conta enormes conjuntos de dados e podem ser programados para aprender com sua própria análise, os algoritmos são capazes de detectar padrões que os seres humanos não conseguem identificar. Esses padrões podem dar origem a novas regras que aumentam a precisão dos julgamentos.

Os autores reconhecem que os algoritmos não são perfeitos — e que, se forem treinados com dados que reflitam preconceitos humanos, eles reproduzirão esses preconceitos. Por exemplo, se um algoritmo criado para prever a reincidência criminal for construído a partir de um conjunto de dados que reflita preconceitos raciais no sistema judiciário, o algoritmo perpetuará esses preconceitos raciais. (Nota resumida: por exemplo, após anos de desenvolvimento, a Amazon descobriu que seu algoritmo de recrutamento favorecia sistematicamente os homens em detrimento das mulheres. Da mesma forma, os algoritmos de publicidade do Facebook têm sido alvo de críticas por ajudar a disseminar de tudo, desde notícias falsas até discursos de ódio.)

Combinando o julgamento mecânico e o julgamento humano

Como os autores estão mais interessados em encontrar maneiras de melhorar o julgamento humano, eles não dedicam muita atenção à opção de combinar o julgamento humano com o mecânico. Essa abordagem híbrida tem precedentes na vida real e, em alguns casos, pode ser a melhor maneira de resolver um problema.

Por exemplo, após o sucesso do livro de Michael Lewis Moneyball, alguns times de beisebol passaram a dar preferência a análises estatísticas rigorosas em vez da tradicional observação de jogadores ao decidir quais jogadores contratar. Na época, não havia uma boa maneira estatística de medir as habilidades defensivas dos jogadores, então alguns times negligenciaram a defesa em favor de habilidades ofensivas, mais fáceis de medir. Na prática, esses times sofreram tantos pontos que acabaram anulando os benefícios de sua nova abordagem estatística.

Nos últimos anos, a maioria das equipes adotou técnicas de modelagem estatística, mas as equipes mais bem-sucedidas combinaram esses modelos com o tradicional trabalho de observação humana. Essa abordagem híbrida funciona porque os olheiros conseguem levar em conta aspectos que os modelos não conseguem, como os fatores mentais necessários para ter sucesso no beisebol profissional.

O beisebol oferece um contra-argumento às advertências de Noisecontra a subjetividade humana. Mas o ponto principal aqui é que as equipes aprenderam a combinar julgamentos humanos e mecânicos de forma a maximizar os pontos fortes e minimizar os pontos fracos de cada um.

Higiene da tomada de decisões

Apesar das vantagens potenciais dos julgamentos mecânicos, os autores estão mais interessados em encontrar maneiras de reduzir o ruído nos julgamentos humanos. Eles afirmam que a melhor maneira de melhorar os julgamentos humanos é implementando a “higiene da decisão” — medidas consistentes e preventivas adotadas para minimizar a probabilidade de ruído. A higiene decisória consiste em um conjunto flexível de sugestões, práticas e princípios que exploramos a seguir. (Nota resumida: com uma exceção (veja o Procedimento de Contratação de Exemplo abaixo), os autores não estabelecem um curso de ação específico e sistemático. Presumivelmente, as organizações devem se esforçar para implementar o máximo possível das sugestões a seguir, na medida em que forem relevantes e praticáveis.)

Pense estatisticamente

Lembre-se de que nossa maneira normal e causal de pensar está sujeita a erros e vieses que se manifestam como ruído. Para tornar nosso raciocínio mais preciso, precisamos adotar uma perspectiva estatística. Os autores sugerem que, em vez de tratar cada caso como um item único, devemos aprender a considerá-lo como um membro de uma classe maior de coisas semelhantes. Assim, ao prever a probabilidade de um resultado, devemos levar em conta a probabilidade desse resultado em toda a classe. Voltando a um exemplo anterior, se estivermos tentando prever a probabilidade de um aluno se formar na faculdade, precisamos primeiro saber qual porcentagem de todos os alunos ingressantes acaba se formando na faculdade.

Como pensar estatisticamente

A nossa incapacidade de pensar estatisticamente é um tema central em *Pensar, Rápido e Devagar*. Nesse livro, Kahneman analisa mais detalhadamente os erros de raciocínio desse tipo e sugere maneiras de superá-los. Tal como também é sugerido em *Ruído*, a ideia básica é levar em conta as probabilidades de base.

Em O Sinal e o Ruído, Nate Silver sugere outra abordagem ao raciocínio estatístico baseada em uma fórmula estatística conhecida como Teorema de Bayes. Ao fazer uma previsão usando o Teorema de Bayes, você começa com uma estimativa preliminar sobre a probabilidade de um evento. Idealmente, essa estimativa se baseia em dados concretos, como uma probabilidade inicial. Em seguida, você faz alguns cálculos nos quais ajusta a probabilidade inicial diante de evidências específicas relacionadas ao que está tentando prever. Por fim, repete-se esse processo tantas vezes quanto possível, começando sempre com a probabilidade mais recentemente atualizada.

Essa abordagem tem duas vantagens. Em primeiro lugar, ela leva explicitamente em conta o ruído no julgamento humano ao incorporar estimativas e previsões humanas na fórmula. Em segundo lugar, ela exige testes repetidos de uma previsão ou hipótese, a fim de melhorar a precisão em resposta a novas evidências. Curiosamente, Silver argumenta que uma abordagem bayesiana teria evitado a crise de replicabilidade que tem assolado recentemente as ciências —incluindo alguns dos estudos apresentados em *Pensar, rápido e devagar*.

Escolha (e treine) melhores avaliadores

Os autores argumentam que é possível melhorar a qualidade dos avaliadores humanos. Podemos fazer isso, em primeiro lugar, selecionando avaliadores mais competentes e, em seguida, ajudando-os a aprimorar suas técnicas e processos.

Há dois fatores a serem considerados ao identificar bons avaliadores. Alguns campos lidam com resultados objetivamente corretos ou incorretos; nesses casos, os avaliadores podem ser avaliados por seus resultados objetivos. No entanto, como apontam os autores, outros campos baseiam-se, em vez disso, na especialização, que não pode ser medida por um indicador. Mas os avaliadores em qualquer campo podem ser avaliados por sua inteligência geral, seu estilo cognitivo e sua abertura de espírito; essas características estão correlacionadas com melhores habilidades de julgamento. Os autores enfatizam, no entanto, que a inteligência por si só não torna alguém um bom avaliador. As outras duas características são igualmente importantes, se não mais.

Os autores também observam que alguns membros da população em geral são superprevisores, e suas previsões são consistentemente mais precisas do que as de um especialista treinado médio. Idealmente, essas são as pessoas que deveríamos contratar ou nomear como avaliadores. Os autores identificam várias características apresentadas pelos superprevisores que podemos usar para escolher melhores avaliadores ou para treinar melhor os avaliadores já em funções:

• Eles têm a mente aberta.
• Eles estão dispostos a rever suas opiniões e previsões quando surgem novas evidências.
• Eles pensam naturalmente em termos estatísticos; ao contrário da maioria de nós, eles realmente levam em conta fatores como as taxas de base.
• Eles analisam os problemas e consideram os elementos com base na probabilidade, em vez de confiar em uma “intuição” geral sobre a resposta.

Ouriços e raposas

A análise de Noisesobre os superprevisores baseia-se no trabalho de Philip E. Tetlock e Dan Gardner. Em Superforecasting, Tetlock e Gardner oferecem uma descrição particularmente vívida do que torna os superprevisores tão “super”: eles tendem a ser raposas, não ouriços. A ideia básica é que uma pessoa com personalidade de ouriço tende a ver o mundo através das lentes de uma grande ideia, faz julgamentos precipitados sobre as coisas e é extremamente confiante em suas previsões. Em contrapartida, uma pessoa com personalidade de raposa tende a coletar pequenas informações sobre muitas coisas, abordar um problema lentamente e sob vários ângulos, e ser cautelosa e moderada em suas previsões.

Como você deve imaginar, Tetlock e Gardner sugerem que as raposas são melhores em fazer previsões do que os ouriços. Felizmente, todos nós também podemos praticar as habilidades das raposas. Podemos aprender a reconhecer e evitar nossos próprios vieses cognitivos. Podemos gerar múltiplas perspectivas sobre um problema. E podemos aprender a dividir os problemas em questões menores.

Se essas técnicas lhe parecem familiares, é porque são essencialmente as mesmas que muitas das recomendações do livro *Noise*.

Leia atentamente as instruções

Como os julgamentos estão sujeitos à influência de informações, pistas contextuais, viés de confirmação e outros fatores, é importante controlar e organizar cuidadosamente as informações que os avaliadores recebem. Os autores apresentam algumas diretrizes para a implementação dessa estratégia:

• Como regra geral, os juízes devem receber apenas o que precisam, quando precisam.
• Devemos garantir que as avaliações independentes sejam realmente independentes; se a pessoa que verifica o resultado conhecer a conclusão da primeira pessoa, é mais provável que ela a confirme.
• Por fim, os autores sugerem que os avaliadores documentem suas conclusões em cada etapa do processo; e, caso novas informações os levem a alterar suas decisões, devem explicar e justificar o motivo.

(Nota resumida: também é importante levar em conta a quantidade de informações que quem toma decisões recebe. Tanto Malcolm Gladwell quanto Nate Silver destacam que a sobrecarga de informações leva a decisões equivocadas, seja porque não nos concentramos no que é mais importante, seja porque ficamos sobrecarregados e recorremos a padrões familiares e noções preconcebidas.)

Sentenças agregadas

Outra maneira de reduzir o ruído — e, na verdade, transformá-lo em algo positivo — é por meio da agregação de julgamentos. É possível coletar vários julgamentos independentes e, em seguida, compará-los ou calcular a média entre eles; ou ainda formar equipes que cheguem a um julgamento em conjunto. Segundo os autores, essastécnicas aproveitam a sabedoria das multidões, um efeito comprovado pelo qual os julgamentos de um grupo de pessoas tendem, como um todo, a se aproximar da resposta correta.

Essa técnica funciona melhor se você formar uma equipe cujos pontos fortes, pontos fracos e preconceitos se equilibrem. A ideia é reunir o maior número possível de perspectivas diferentes sobre um problema, na esperança de encontrar a melhor resposta em algum ponto intermediário.

(Nota resumida: Os autores afirmam em outro lugar que o ruído não se neutraliza, mas isso se aplica a um conjunto de decisões ruidosas dentro de um sistema; aqui, estamos falando de harmonizar opiniões antes que uma decisão final seja tomada e antes que qualquer ação seja empreendida.)

Uma maneira prática de agregar opiniões em uma reunião típica é o procedimento “estimar-discutir-estimar ”:

• Primeiro, cada membro do grupo faz uma estimativa em particular — algum tipo de previsão, prognóstico ou avaliação.
• Em seguida, cada pessoa explica e justifica sua estimativa.
• Após a discussão, cada membro faz uma nova estimativa com base no que foi debatido. Essas avaliações da segunda rodada são agregadas para formar uma decisão final.

Como esse procedimento exige que cada pessoa parta de um julgamento independente, ele reduz o ruído proveniente das cascatas de informação e da polarização. Ao mesmo tempo, equilibra os vieses psicológicos individuais, incentivando as opiniões atípicas a se aproximarem do meio-termo. (Nota resumida: esse procedimento de estimar-discutir-estimar também tem desvantagens. Por exemplo, como seu objetivo é construir consenso, ele pode desencorajar a dissidência e levar a uma falsa sensação de acordo, muito semelhante às cascatas de informação que se pretende evitar. Abordagens alternativas, como o Delphi de políticas e o Delphi de argumentos, evitam essa armadilha ao visar não o consenso, mas a geração de uma ampla gama de perspectivas dissidentes.)

Como tomar melhores decisões por conta própria

A maioria das sugestões dos autores para a redução do ruído é direcionada a organizações, mas e se você quiser melhorar suas próprias decisões como indivíduo? Algumas das sugestões desta seção são simples o suficiente para serem adotadas individualmente. Por exemplo, você pode praticar o raciocínio estatístico ou a decomposição de problemas por conta própria. Mas como você pode agregar decisões se estiver trabalhando sozinho, em vez de em grupo?

O segredo é reunir o maior número possível de perspectivas antes de tomar uma decisão ou fazer uma previsão. Uma maneira de fazer isso é ler o máximo que puder sobre o problema em questão. Encontre o maior número possível de perspectivas e opiniões diferentes — lembre-se de que você está tentando reproduzir o benefício da sabedoria coletiva, que só funciona quando se reúne uma diversidade de pontos de vista.

Outra maneira de gerar perspectivas alternativas é procurar deliberadamente informações que refutem sua previsão ou sua linha de ação preferida. Essa técnica é chamada de empirismo negativo e oferece uma visão mais ampla sobre um problema, ao mesmo tempo em que evita algumas das falácias lógicas nas quais você poderia cair.

Divida os julgamentos em partes menores

Os autores sugerem que é mais fácil evitar o ruído quando se divide uma decisão geral em um conjunto de subavaliações menores e mais concretas. Procedimentos padronizados, listas de verificação, diretrizes e avaliações ajudam nesse sentido. Por exemplo, os educadores podem reduzir o ruído na avaliação de redações utilizando rubricas. Pedir ao avaliador que atribua notas individuais à originalidade, clareza lógica, organização e gramática do texto antes de calcular a nota final facilita o julgamento. Dividir uma avaliação dessa forma também ajuda a garantir que todos os avaliadores sigam os mesmos procedimentos e prestem atenção aos mesmos fatores.

Os autores admitem que essa estratégia não é perfeita. Eles destacam que, no campo da saúde mental, o DSM — um manual destinado a auxiliar e padronizar os diagnósticos mentais — praticamente não reduziu a variabilidade diagnóstica. Uma das razões é que psiquiatras e psicólogos tendem a interpretar sinais e sintomas através das lentes de sua formação e experiência. Em outras palavras, diferentes abordagens teóricas sobre a mente e sobre esses tipos de transtornos moldam a maneira como os diversos profissionais interpretam os fatos que lhes são apresentados.

Será que alguns campos são simplesmente ruidosos?

Os autores sugerem que os diagnósticos de saúde mental são inconsistentes devido às diferentes formações e orientações teóricas dos diversos profissionais da área. Isso é verdade, mas também há motivos para acreditar que a saúde mental possa ser um campo inerentemente impreciso.

Uma das razões para isso é que os transtornos de saúde mental se sobrepõem e influenciam uns aos outros: se você sofre de depressão, é bem provável que também sofra de ansiedade. Da mesma forma, pode ser difícil separar a saúde mental da saúde física. Além disso, os profissionais divergem quanto às melhores práticas para diagnosticar e tratar problemas de saúde mental, incluindo questões básicas como se um determinado conjunto de sintomas constitui um transtorno ou apenas uma variação.

Esses fatores sugerem que algumas áreas podem ser mais propensas ao ruído — e mais resistentes à redução do ruído — do que outras. Isso não quer dizer que os cuidados de saúde mental, por exemplo, não possam se tornar menos ruidosos. Fazer isso pode simplesmente exigir análises e reformas que vão além do escopo das técnicas de higiene sonora que estamos explorando aqui.

Regras e normas de uso

Uma maneira de dividir as decisões em partes menores é implementar regras e/ou padrões. (Nota do Shortform: Os autores apresentam regras e padrões como parte de uma discussão mais ampla sobre os prós e contras da implementação da redução de ruído. Consideramos que vale a pena encarar regras e padrões como estratégias de higiene de ruído, e é por isso que os incluímos aqui.)

• As regras oferecem orientações explícitas, geralmente vinculadas a critérios objetivos. Por exemplo, existe um limite máximo permitido de álcool no sangue, acima do qual um motorista pode ser acusado de dirigir embriagado.
• As normas são diretrizes orientativas que exigem certa dose de interpretação e aplicação subjetivas. Por exemplo, os agentes da lei são treinados para reconhecer sinais potenciais de embriaguez (por exemplo, direção irregular) e para aplicar testes de sobriedade no local.

Ao decidir entre regras e normas, os autores afirmam que devemos primeiro determinar qual delas levará a mais erros. Eles também destacam que, às vezes, não é possível implementar regras porque os responsáveis por elaborá-las não conseguem chegar a um consenso (por exemplo, devido a diferenças políticas ou morais) ou porque não dispõem das informações necessárias para redigir uma regra adequada.

Os autores sugerem ainda que , em alguns casos, a melhor abordagem consiste em combinar regras e critérios. As diretrizes de sentenças obrigatórias adotam essa abordagem, estabelecendo uma pena mínima e máxima para um determinado crime (regra) e, nos demais casos, solicitando aos juízes que determinem uma sentença justa para cada caso individual (critério).

Decisões de segunda ordem

Regras e normas são exemplos do que Sunstein e Edna Ullmann-Margalit chamam de decisões de segunda ordem— estratégias que usamos para reduzir nossa carga cognitiva quando as decisões são numerosas demais, repetitivas demais, difíceis demais ou ambíguas demais para serem tomadas uma a uma. Outras decisões de segunda ordem incluem:

• Presunções, que são diretrizes semelhantes a regras, mas que admitem a possibilidade de exceções em alguns casos.

• Hábitos, como escovar sempre os dentes logo antes de dormir.

• Dar pequenos passos reversíveis, como cuidar do cachorro de um vizinho antes de se comprometer a adotar um cachorro próprio.

• Escolher ao acaso, em vez de escolher deliberadamente, como atirar um dardo num mapa para decidir para onde ir nas férias.

• Delegar, como deixar seu parceiro escolher o jantar desta noite.

• Heurísticas, como a operação de correspondência descrita anteriormente neste guia.

Use balanças de melhor qualidade

Como observado anteriormente, grande parte do ruído decorre da nossa tentativa de avaliar as coisas por meio de escalas. Se a escala for pouco clara, complexa demais ou inadequada para a tarefa, haverá ruído. Se a escala exigir que os avaliadores a interpretem ou calibrem por conta própria, haverá ruído. Portanto, nos casos em que as escalas são úteis ou necessárias, precisamos criar escalas melhores.

Os autores argumentam que , como regra geral, as escalas comparativas apresentam menos variações aleatórias do que as escalas absolutas. Eles citam o exemplo das avaliações de desempenho profissional, que apresentam variações aleatórias em parte porque as escalas numéricas tradicionais são pouco claras e são interpretadas de maneira diferente por cada avaliador. O que constitui um “6” em “habilidades de comunicação” ou em “liderança”? Sem orientações explícitas sobre o que os números significam e como se correlacionam com as qualidades que medem, cada pessoa terá uma compreensão diferente de como pontuar um funcionário.

Em vez de avaliar os funcionários com base em um número absoluto, os autores afirmam que é melhor classificá-los. Por exemplo, no que diz respeito à comunicação de um funcionário, pergunte se suas habilidades se enquadram nos 20% melhores da empresa, ou nos 20% seguintes, e assim por diante. Como observado anteriormente, geralmente somos melhores em comparar coisas do que em quantificá-las de forma abstrata.

(Nota resumida: Lembre-se da discussão anterior sobre operações de correspondência e da maneira como nossa mente substitui uma pergunta mais complexa por outra mais simples. Sem uma orientação clara, algo semelhante provavelmente ocorre com uma escala de avaliação vaga, pois substituímos a pergunta “Qual é a nota da comunicação de X em uma escala de 0 a 10?” por algo como “O quanto estou impressionado com a comunicação de X?” ou “Quão claro acho que X é?”)

Uma escala comparativa também oferece pontos de referência concretos e descrições ou indicadores claros para cada nível. Um bom ponto de referência relaciona um valor específico da escala com um exemplo relevante do que está sendo avaliado (se você estiver corrigindo uma redação e souber que a nota “C” representa um trabalho mediano, esse é o seu ponto de referência). Para minimizar a variação, os pontos de referência devem ser fornecidos com antecedência, de modo que cada avaliador comece com o mesmo quadro de referência.

(Nota resumida: A âncora é outro conceito extraído do livro “Pensar, Rápido e Devagar”. A ideia básica da âncora é que uma informação inicial (por exemplo, um valor sugerido para doação) exerce grande influência sobre as ações que tomamos (neste caso, quanto decidimos doar). Ao sugerir que as escalas sejam acompanhadas de pontos de âncora claros, os autores de “Noise” buscam tirar proveito desse efeito psicológico, utilizando-o para calibrar as avaliações dos avaliadores.)

Exemplo: Um modelo de procedimento de contratação

Para dar uma ideia de como aplicar essas práticas de “higiene decisória” na prática, os autores apresentam uma visão geral do processo de contratação do Google. Em resumo, o processo é o seguinte:

1. Determine quais são as competências mais importantes para o cargo que você está a recrutar.
2. Elabore escalas para avaliar cada candidato em cada competência definida na etapa 1.
3. Entreviste cada candidato várias vezes com entrevistadores diferentes (o Google realiza quatro entrevistas). O objetivo das entrevistas é avaliar as competências dos candidatos. As entrevistas devem ser conduzidas de forma independente umas das outras (os entrevistadores ainda não podem comparar suas observações).
4. A equipe de contratação se reúne para discutir os resultados, analisar os dados coletados e, por fim, compartilhar suas impressões e tomar uma decisão final.

Juntando tudo

O processo acima sintetiza muitas das sugestões que exploramos na segunda metade deste guia. Os autores destacam isso, mas não de forma clara e metódica. A análise a seguir mostra como o procedimento do Google incorpora várias técnicas de higiene decisória:

• Na etapa 1, a empresa divide uma decisão mais ampla— Quem devemos contratar? — em partes menores.

• Na etapa 2, a empresa utiliza os insights sobre como criar melhores escalas para garantir a coleta de dados consistentes e de alta qualidade

• Na etapa 3, a empresa organiza cuidadosamente as informações, garantindo que as entrevistas sejam realmente independentes umas das outras. Essa organização é facilitada pelo estabelecimento de regras e padrões claros que orientam as entrevistas propriamente ditas e garantem que elas sejam consistentes e objetivas.

• Na etapa 4, a empresa agrega as opiniões, solicitando que vários entrevistadores cheguem a uma decisão em conjunto.

• Em um nível mais amplo, o processo como um todo também organiza as informações, solicitando aos entrevistadores que não levem em conta suas impressões subjetivas até esta última etapa. Ao fazer isso, a empresa deixa margem para que sua equipe de recrutamento tenha reações pessoais em relação aos candidatos, mas garante que essas reações sejam moderadas pelos dados concretos coletados ao longo do restante do processo e pela sabedoria coletiva dos diversos entrevistadores (cada um dos quais teve a oportunidade de formar uma opinião independente sobre o candidato).

Embora este procedimento descreva especificamente um processo de contratação, os autores destacam que ele pode ser facilmente adaptado a outros tipos de decisões empresariais, como a decisão de realizar um investimento ou de adquirir ou se fundir com uma empresa concorrente. (Nota resumida: os autores apresentam um cenário hipotético detalhado para mostrar como fazer isso. Para simplificar, consulte os princípios descritos acima: decomponha o problema, descubra como coletar os dados necessários, mantenha um controle cuidadoso sobre o processo de coleta de informações e, em seguida, agregue os dados e as conclusões resultantes.)

Resumo: Como melhorar os julgamentos avaliativos

Como você pôde ver ao longo deste guia, muitas das ideias contidas no livro já foram exploradas em outros lugares, inclusive em obras anteriores dos próprios autores. No entanto, há pelo menos uma lição importante a ser tirada do livro que realmente parece ser uma ideia nova: o argumento de que devemos tratar as avaliações da mesma forma que tratamos as previsões.

Para explicar melhor esse ponto, lembre-se de que o livro *Noise* divide os julgamentos em dois tipos: preditivos (por exemplo, prever o valor futuro de uma ação) e avaliativos (por exemplo, dar nota a uma redação). Estamos acostumados a aceitar que os julgamentos avaliativos são inerentemente subjetivos — não há uma resposta correta pela qual se possa medir sua qualidade e, portanto, parece que não há como melhorar a qualidade e a precisão das avaliações. Certamente, há menos literatura sobre como melhorar as avaliações do que sobre como melhorar as previsões.

No entanto, se aceitarmos os argumentos de *Noise*de que avaliações e previsões são do mesmo tipo (julgamentos), que ambas sofrem com o ruído no mesmo grau e pelas mesmas razões, e que reduzir o ruído é algo positivo, então conclui-se que podemos melhorar nossos julgamentos avaliativos. Podemos fazer isso aplicando às nossas avaliações os mesmos conselhos que muitos autores já ofereceram para fazer melhores previsões. É um ponto que Noise destaca logo no início, mas que merece ser ressaltado, pois essa percepção parece ser verdadeiramente original.