Resumo em 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 um emprego é contratado quando outro candidato igualmente qualificado nem sequer é entrevistado? A resposta, de acordo com Daniel Kahneman(Thinking, Fast and Slow), Olivier Sibony e Cass R. Sunstein(Nudge), é o ruído -variaçãoinesperadae indesejada nos julgamentos humanos. Kahneman, Sibony e Sunstein argumentam que compreender e neutralizar esse tipo de ruído é fundamental para aprimorar os julgamentos que afetam alguns dos aspectos mais importantes de nossas vidas, inclusive o sistema judiciário, o atendimento médico, a educação e as decisões comerciais.

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 consistente. Neste guia, elaboraremos o conceito de ruído conectando-o ao trabalho anterior dos autores e a ideias semelhantes em campos que vão desde o comércio financeiro até o olheiro de beisebol.

(continuação)...

Por exemplo, você pode dizer se o dia está ensolarado ou nublado. Esse é um julgamento qualitativo: Há nuvens no céu ou não? Em geral, você também pode dizer se está quente ou frio. Mas se você fosse exposto a uma série de temperaturas diferentes e lhe pedissem para classificá-las da mais fria para a mais quente, você cometeria erros rapidamente. (De acordo com os autores, estudos descobriram que podemos 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 se receber um conjunto de itens e for solicitado que os classifique ou categorize, você cometerá erros com mais facilidade do que imagina.

Por fim, os autores destacam que qualquer tipo de julgamento que exija a avaliação de coisas em uma escala se torna mais ruidoso à medida que a escala se torna menos definida. Sem um contexto adequado e um quadro de referência compartilhado sobre o significado dos valores e como eles devem ser atribuídos, os julgadores são forçados a adivinhar de uma forma que torna o julgamento arbitrário. Como cada pessoa adivinha de forma diferente, a escala se torna ruidosa.Shortform NotaShortform : Exploraremos maneiras de melhorar as escalas de classificação mais adiante neste guia).

Fontes sociais de Ruído

Não apenas cada um de nós produz seu próprio ruído por meio da maneira como entendemos o mundo, mas quando as pessoas trabalham em grupos para chegar a julgamentos, os fatores sociais acrescentam novas fontes de ruído.

Por um lado, a popularidade (real ou percebida) afeta a forma como as pessoas veem as informações. Uma ideia que recebe apoio público ou popularidade logo no início tem maior probabilidade de sucesso, independentemente do mérito inerente da ideia. Esse fenômeno é chamado de cascata de informações. Quando uma pessoa compartilha uma opinião, é mais provável que o próximo orador concorde com ela, a menos que tenha bons motivos para não concordar. O efeito se torna mais forte a cada pessoa que concorda com a opinião inicial. Quando um grupo está fazendo um julgamento, muitas pessoas podem começar indecisas ou com sentimentos contraditórios. Sua decisão, portanto, geralmente é determinada pela opinião que iniciou a cascata de informações.

Como a maioria das pessoas está de acordo no final do processo, achamos que o resultado era inevitável - mas não era. Com um ponto de partida diferente, poderia ter ocorrido um resultado diferente. Isso não é óbvio para nós porque cada situação do mundo real (como essa) ocorre apenas uma vez.

Os grupos também são suscetíveis à polarização, o que significa que os membros passam para uma versão mais extrema de suas opiniões iniciais. Se cada membro de um comitê de contratação se sentir levemente entusiasmado com o candidato A, ao final da reunião, eles poderão se sentir apaixonadamente entusiasmados com o candidato A. Por outro lado, se alguns membros se sentirem levemente entusiasmados com o candidato A, enquanto outros se sentirem levemente entusiasmados com o candidato B, o efeito de polarização poderá levar a um impasse no qual metade do comitê apoia fortemente A e se opõe fortemente a B, e vice-versa.

Superando o pensamento de grupo

As cascatas de informações e a polarização também podem se alimentar mutuamente. Por meio do acaso, o primeiro orador influencia o grupo em uma determinada direção (iniciando uma cascata de informações) e, em seguida, o efeito de polarização garante que o grupo se mova de forma decisiva nessa direção - mesmo que nenhum membro do grupo tenha se sentido particularmente decisivo em relação a qualquer direção quando chegou à reunião. A interação entre esses dois fenômenos pode ser uma das fontes do que tradicionalmente é chamado de "pensamento de grupo".

Em OriginaisAdam Grant argumenta que, em um ambiente corporativo, o pensamento de grupo também resulta diretamente das atitudes da empresa em relação às vozes discordantes. Nesses ambientes, ser transparente, convidar a discordância e escolher líderes que realmente aceitem críticas podem ajudar a reduzir o risco de pensamento de grupo ao tomar decisões. Vale a pena ter esses princípios em mente quando discutirmos a sabedoria das multidões mais adiante neste guia. Só é possível aproveitar a sabedoria da multidão quando um grupo é formado por pessoas com pontos de vista diferentes e quando essas pessoas se sentem livres para expressar suas ideias.

Como reduzir ou eliminar o Ruído

Agora que entendemos o que é ruído e de onde ele vem, podemos analisar as etapas para reduzir ou eliminar o ruído dos julgamentos. Os autores de Ruído oferecem algumas soluções, incluindo ferramentas de julgamento mecânico (modelos e algoritmos) que podem substituir ou aumentar o julgamento humano, bem como um conjunto de sugestões para reduzir o ruído na tomada de decisão humana.

Detectando e medindo Ruído

Normalmente, a primeira etapa para reduzir o ruído é descobrir a quantidade de ruído existente. Essa etapa é necessária porque os administradores tendem a acreditar que suas organizações fazem julgamentos de forma consistente e, até que possam ver o problema em primeira mão, podem ser resistentes à mudança.

Para determinar a quantidade de ruído presente em uma empresa, organização ou sistema, os autores descrevem um processo de auditoria de ruído que utilizam quando prestam 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 é fazer julgamentos sobre esses casos. Por exemplo, uma companhia de seguros daria um conjunto de amostras de reclamações a todos os seus avaliadores. Os avaliadores que estão sendo auditados concluem seus julgamentos de forma independente e, em seguida, os resultados são comparados para verificar a variabilidade existente em toda a organização.

Julgamentos mecânicos

Depois que o ruído é detectado, há várias opções para reduzi-lo. Uma opção é remover completamente o julgamento humano da equação. Para isso, a tomada de decisões pode ser feita por meio de modelos estatísticos ou algoritmos de computador.

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 podem fazer nada que os humanos não possam fazer - elas apenas fazem isso com melhor precisão de previsão. Os autores argumentam que essa maior precisão resulta principalmente da eliminação do ruído e, portanto, podemos ver a eficácia dos julgamentos mecânicos mais como uma demonstração dos benefícios da redução do ruído do que como uma solução geral para o problema do ruído.

Shortform NotaShortform : Embora os autores se posicionem a favor do aprimoramento, e não da substituição, dos julgamentos humanos, talvez eles não tenham deixado esse ponto tão claro quanto poderiam, dada a maneira como alguns revisores se concentram nos perigos dos algoritmos como uma das principais críticas às recomendações do livro. De fato, os autores passam muito tempo explicando modelos e algoritmos e defendendo-os de possíveis críticas, o que talvez crie uma impressão equivocada de como eles são fundamentais para Ruídopara o curso de ação proposto por Ruído. Para manter o foco nas formas de aprimorar o julgamento humano, mantivemos a seguinte discussão sobre modelos e algoritmos breve e direta).

Modelos estatísticos

Uma maneira de fazer previsões é usar um modelo estatístico. Um modelo estatístico é uma fórmula que usa variáveis ponderadas para calcular a probabilidade de um resultado. Por exemplo, você pode criar um modelo estatístico que preveja a probabilidade de um aluno se formar na faculdade atribuindo pesos a fatores como GPA do ensino médio, pontuações no SAT, 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 superam consistentemente os julgamentos preditivos humanos. De fato, os autores fornecem estudos que sugerem que qualquer modelo estatístico, seja ele cuidadosamente elaborado ou montado aleatoriamente, pode prever resultados melhor do que os humanos.

Os autores argumentam que esse desempenho superior se deve simplesmente ao fato de os modelos estatísticos (e, por extensão, os algoritmos) eliminarem o ruído. Mesmo o modelo mais rudimentar ou arbitrário tem a vantagem de ser consistente em todos os casos. E embora os julgadores humanos possam pesar fatores subjetivos sutis que um modelo não pode levar em conta, os autores sugerem que essa subjetividade tende a acrescentar 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 mais complexa de julgamento mecânico é o algoritmo de computador. Os autores explicam que os algoritmos de computador se baseiam na ideia básica de modelagem estatística, mas também apresentam benefícios adicionais que aumentam sua precisão. Como eles levam em conta conjuntos de dados maciços e podem ser programados para aprender com sua própria análise, os algoritmos podem detectar padrões que os humanos não conseguem. Esses padrões podem formar novas regras que melhoram a precisão dos julgamentos.

Os autores reconhecem que os algoritmos não são perfeitos e que, se forem treinados com dados que refletem preconceitos humanos, eles reproduzirão esses preconceitos. Por exemplo, se um algoritmo criado para prever a reincidência criminal for criado a partir de um conjunto de dados que reflita preconceitos raciais no sistema judiciário, o algoritmo perpetuará esses preconceitos raciais.Shortform NotaShortform : 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 foram criticados por ajudar a disseminar tudo, desde notícias falsas até discurso de ódio) .

Combinação de julgamento mecânico e humano

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

Por exemplo, após o sucesso do livro de Michael Lewis Moneyballde Michael Lewis, alguns times de beisebol começaram a privilegiar a análise estatística rigorosa em detrimento do scouting tradicional ao decidir quais jogadores adquirir. Na época, não havia uma boa maneira estatística de medir as habilidades de campo dos jogadores, portanto, algumas equipes negligenciaram a defesa em favor de habilidades ofensivas mais facilmente mensuráveis. Na prática, essas equipes perderam tantas corridas que anularam os benefícios de sua nova abordagem estatística.

Nos anos mais recentes, a maioria das equipes adotou técnicas de modelagem estatística, mas as equipes mais bem-sucedidas combinaram esses modelos com o olheiro humano à moda antiga. Essa abordagem híbrida funciona porque os olheiros podem levar em conta coisas que os modelos não podem, como os fatores mentais necessários para ter sucesso no beisebol profissional.

O beisebol fornece um contra-argumento para Ruídocontra a subjetividade humana. Mas a chave 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 das decisões

Apesar das possíveis vantagens 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 aprimorar os julgamentos humanos é implementar a "higiene das decisões" - medidas consistentes e preventivas colocadas em prática para minimizar a chance de ruído. A higiene das decisões consiste em um conjunto de sugestões, práticas e princípios que exploraremos a seguir.Shortform NotaShortform : Com uma exceção (veja o Exemplo de procedimento de contratação abaixo), os autores não estabelecem um curso de ação específico e sistemático. Presumivelmente, as organizações devem se esforçar para implementar o maior número possível das sugestões a seguir que forem relevantes e praticáveis).

Pense estatisticamente

Lembre-se de que nossa maneira normal e causal de pensar é propensa a erros e vieses que se manifestam como ruído. Para tornar nosso pensamento mais preciso, precisamos adotar uma visão estatística. Os autores sugerem que, em vez de tratar cada caso como um item único, devemos aprender a pensar nele como um membro de uma classe maior de coisas semelhantes. Então, ao prever a probabilidade de um resultado, devemos considerar a probabilidade desse resultado em toda a classe. Voltando ao exemplo anterior, se estivermos tentando prever a probabilidade de um aluno se formar na faculdade, primeiro precisamos saber qual a porcentagem de todos os alunos que ingressam na faculdade que acabam se formando.

Como pensar estatisticamente

Nossa incapacidade de pensar estatisticamente é um tema importante em Thinking, Fast and Slow. Nesse livro, Kahneman oferece uma visão mais detalhada dos erros de pensamento desse tipo e sugere maneiras de superá-los. Como também é sugerido em Ruídoa ideia básica é levar em conta as probabilidades básicas.

Em O Sinal e o RuídoNate Silver sugere outra abordagem para o pensamento estatístico com base em uma fórmula estatística conhecida como Teorema de Bayes. Ao fazer uma previsão usando o Teorema de Bayes, você começa com um palpite preliminar sobre a probabilidade de um evento. O ideal é que essa suposição seja baseada em dados concretos, como uma probabilidade básica. Em seguida, você faz alguns cálculos nos quais ajusta a probabilidade inicial em face de evidências específicas relacionadas ao que está tentando prever. Por fim, você repete esse processo quantas vezes puder, cada vez começando com a probabilidade atualizada mais recentemente.

Essa abordagem tem duas vantagens. Primeiro, ela considera explicitamente o ruído no julgamento humano, incorporando estimativas e previsões humanas à fórmula. Em segundo lugar, ela exige testes repetidos de uma previsão ou hipótese para melhorar a precisão em resposta a evidências atualizadas. É interessante notar que Silver argumenta que uma abordagem bayesiana teria evitado a crise de replicabilidade que recentemente assolou as ciências - incluindoalguns dos estudos em Thinking, Fast and Slow.

Escolha (e treine) melhores julgadores

Os autores argumentam que é possível melhorar a qualidade dos julgadores humanos. Podemos fazer isso encontrando melhores julgadores em primeiro lugar e ajudando-os a aprimorar suas técnicas e processos.

Há dois fatores que devem ser levados em conta ao identificar bons julgadores. Alguns campos lidam com resultados objetivamente certos ou errados; nesses casos, os julgadores podem ser medidos por seus resultados objetivos. No entanto, como os autores apontam, outros campos se baseiam na experiência, que não pode ser medida com uma métrica. Mas os julgadores de qualquer campo podem ser avaliados por sua inteligência geral, seu estilo cognitivo e sua mente aberta; essas características estão correlacionadas com melhores habilidades de julgamento. Os autores enfatizam, entretanto, que a inteligência por si só não faz de alguém um bom julgador. 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 do especialista treinado médio. Idealmente, essas são as pessoas que deveríamos contratar ou nomear como juízes. Os autores identificam várias características exibidas pelos superprevisores que podemos usar para escolher melhores julgadores ou para treinar melhor os julgadores já existentes:

• Eles têm a mente aberta.
• Eles estão dispostos a atualizar suas opiniões e previsões quando surgem novas evidências.
• Eles pensam naturalmente em termos estatísticos; ao contrário da maioria de nós, ocorre a eles considerar fatores como taxas básicas.
• Eles dividem os problemas e consideram os elementos usando a probabilidade em vez de confiar em uma "intuição" holística sobre a resposta.

Ouriços e raposas

RuídoA discussão de Ruído sobre superprevisores baseia-se no trabalho de Philip E. Tetlock e Dan Gardner. Em Superforecasting (Superprevisão)Tetlock e Gardner oferecem uma descrição particularmente colorida 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 pelas lentes de uma grande ideia, faz julgamentos rápidos sobre as coisas e é extremamente confiante em suas previsões. Por outro lado, uma pessoa com personalidade de raposa tende a coletar pequenas informações sobre muitas coisas, a abordar um problema lentamente e de vários ângulos e a ser cautelosa e qualificada em suas previsões.

Como você pode imaginar, Tetlock e Gardner sugerem que as raposas são melhores preditoras 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 várias perspectivas sobre um problema. E podemos aprender a dividir os problemas em perguntas menores.

Se essas técnicas parecerem familiares, é porque elas são essencialmente as mesmas que muitas das recomendações em Ruído.

Sequenciar as informações com cuidado

Como os julgamentos estão sujeitos à influência de informações, pistas contextuais, viés de confirmação e assim por diante, é importante controlar e sequenciar cuidadosamente as informações que os julgadores recebem. Os autores fornecem algumas diretrizes para a implementação dessa estratégia:

• Como regra básica, os juízes devem receber apenas o que precisam, quando precisam.
• Devemos nos certificar de que os julgamentos independentes sejam de fato independentes; se a pessoa que verificar o resultado conhecer a conclusão da primeira pessoa, é mais provável que ela a verifique.
• Por fim, os autores sugerem que os julgadores devem documentar suas conclusões em cada etapa do processo e, se novas informações os levarem a mudar suas decisões, eles devem explicar e justificar o motivo.

Shortform NotaShortform : Também é importante considerar a quantidade de informações que os julgadores recebem. Tanto Malcolm Gladwell quanto Nate Silver apontam que a sobrecarga de informações leva a decisões ruins, seja porque não nos concentramos no que é mais importante, seja porque ficamos sobrecarregados e recorremos a padrões familiares e noções preconcebidas).

Julgamentos agregados

Outra maneira de reduzir o ruído, e de fato transformá-lo em algo positivo, é agregando julgamentos. Você pode coletar vários julgamentos independentes e, em seguida, compará-los ou calcular a média deles; ou pode reunir equipes que chegarão a um julgamento em conjunto. De acordo com os autores, essastécnicas aproveitam a sabedoria das multidões, um efeito demonstrado pelo qual os julgamentos de um grupo de pessoas tendem, como um todo, a se concentrar na resposta correta.

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

Shortform ObservaçãoShortform : os autores dizem em outro lugar que o ruído não é compensado, mas isso se aplica a um conjunto de decisões ruidosas em um sistema; aqui estamos falando de compensar as opiniões antes que uma decisão final seja tomada e antes que qualquer ação seja realizada).

Uma maneira prática de agregar julgamentos em um ambiente típico de reunião é o procedimento de estimativa-fala-estimativa:

• Primeiro, cada membro do grupo faz uma estimativa em particular - algum tipo de previsão, predição ou avaliação.
• Em seguida, cada pessoa explica e justifica sua estimativa.
• Após a discussão, cada membro faz uma nova estimativa com base na discussão. Esses julgamentos de segunda rodada são agregados em uma decisão final.

Como esse procedimento exige que cada pessoa comece com um julgamento independente, ele reduz o ruído resultante das cascatas de informações e da polarização. Ao mesmo tempo, ele equilibra os vieses psicológicos individuais, incentivando as opiniões mais discrepantes a se moverem em direção ao meio.Shortform NotaShortform : Esse procedimento de estimativa-fala-estimativa também tem desvantagens. Por exemplo, como seu objetivo é criar um consenso, ele pode desencorajar a discordância e levar a uma falsa sensação de concordância, muito parecida com as cascatas de informações que se pretende evitar. Abordagens alternativas, como o delphi de políticas e o delphi de argumentos, evitam essa armadilha, pois não visam ao consenso, mas à geração de uma ampla gama de perspectivas divergentes).

Como fazer melhores julgamentos por conta própria

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

O truque é gerar 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 replicar o benefício da sabedoria da multidão, que só funciona quando você reúne uma diversidade de pontos de vista.

Outra maneira de gerar perspectivas alternativas é procurar deliberadamente informações que refutem sua previsão ou seu curso de ação preferido. Essa técnica é chamada de empirismo negativo e lhe dá mais perspectiva sobre um problema, além de evitar algumas das falácias lógicas das quais você poderia ser vítima.

Dividir as decisões judiciais em componentes menores

Os autores sugerem que é mais fácil evitar ruídos quando você divide uma decisão geral em um conjunto de subjulgamentos menores e mais concretos. Procedimentos padronizados, listas de verificação, diretrizes e avaliações ajudam nesse caso. Por exemplo, os educadores podem reduzir o ruído na avaliação de uma redação usando rubricas. Pedir ao avaliador que atribua pontuações individuais à originalidade, clareza lógica, organização e gramática do trabalho antes de calcular a nota final facilita o julgamento. Dividir um julgamento dessa forma também ajuda a garantir que todos os avaliadores estejam seguindo os mesmos procedimentos e prestando atenção aos mesmos fatores.

Os autores admitem que essa estratégia não é perfeita. Eles apontam que, no campo da saúde mental, o DSM - um livro destinado a auxiliar e padronizar os diagnósticos mentais - dificilmente reduziu o ruído do diagnóstico. Um dos motivos é que os psiquiatras e psicólogos provavelmente leem os sinais e sintomas pelas lentes de seu treinamento e formação. Em outras palavras, diferentes entendimentos teóricos sobre a mente e sobre esses tipos de transtornos moldam a forma como diferentes profissionais entendem os fatos que lhes são apresentados.

Alguns campos são apenas barulhentos?

Os autores sugerem que os diagnósticos de saúde mental são inconsistentes devido aos diferentes treinamentos e orientações teóricas dos diferentes profissionais de saúde mental. Isso é verdade, mas também há motivos para pensar que a saúde mental pode ser um campo inerentemente ruidoso.

Uma razão para isso é que os problemas de saúde mental se sobrepõem e se influenciam mutuamente: se você sofre de depressão, há uma boa chance de que também sofra de ansiedade. Da mesma forma, pode ser difícil separar a saúde mental da saúde física. Além disso, os profissionais discordam sobre as melhores práticas para diagnosticar e tratar problemas de saúde mental, incluindo questões básicas como, por exemplo, se um determinado conjunto de sintomas é um transtorno ou apenas uma diferença.

Esses fatores sugerem que alguns campos podem ser mais propensos a ruídos - e mais resistentes à redução de ruídos - do que outros. Isso não quer dizer que o atendimento à saúde mental, por exemplo, não possa se tornar menos barulhento. Fazer isso pode exigir análises e reformas que estão além do escopo das técnicas de higiene de ruído que estamos explorando aqui.

Regras e padrões de uso

Uma maneira de dividir os julgamentos em partes menores é implementar regras e/ou padrões. Shortform NotaShortform : Os autores introduzem regras e padrões como parte de uma discussão mais ampla sobre os prós e contras da implementação da redução de ruído. Acreditamos que vale a pena analisar as regras e os padrões como estratégias de higiene de ruído, e é por isso que os incluímos aqui).

• Regras oferecem orientação explícita, normalmente vinculada a medidas objetivas. Por exemplo, há um teor máximo permitido de álcool no sangue acima do qual um motorista pode ser acusado de dirigir embriagado.
• Padrões são diretrizes sugestivas que requerem algum grau de interpretação e implementação subjetiva. Por exemplo, os policiais são treinados para reconhecer possíveis sinais de comprometimento (por exemplo, direção irregular) e para realizar testes de sobriedade em campo.

Ao decidir entre regras e padrões, os autores dizem que devemos primeiro determinar qual deles levará a mais erros. Eles também destacam que, às vezes, não é possível implementar regras porque as pessoas que as elaboram não chegam a um acordo (por exemplo, devido a diferenças políticas ou morais) ou porque as pessoas que as elaboram não têm as informações necessárias para redigir uma regra apropriada.

Os autores sugerem ainda que , em alguns casos, a melhor abordagem é combinar regras e padrões. As diretrizes de sentença obrigatória adotam essa abordagem, estabelecendo uma sentença mínima e máxima para um determinado crime (regra) e solicitando aos juízes que determinem uma sentença justa para cada caso individual (padrão).

Decisões de segunda ordem

Regras e padrões 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 muito numerosas, muito repetitivas, muito difíceis ou muito ambíguas para serem tomadas uma a uma. Outras decisões de segunda ordem incluem:

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

• Rotinas, como sempre escovar os dentes antes de dormir.

• Tomar medidas pequenas e reversíveis, como cuidar do cão de um vizinho antes de assumir o compromisso de adotar seu próprio cão.

• Escolher ale atoriamente em vez de escolher deliberadamente, como jogar um dardo em um mapa para decidir onde sair de férias.

• Delegar, por exemplo, permitir que seu parceiro escolha o jantar de hoje.

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

Use balanças melhores

Conforme observado anteriormente, muito ruído vem de nossa tentativa de julgar as coisas usando escalas. Se a escala não for clara, for muito complexa ou inadequada para a tarefa, haverá ruído. Se a escala exigir que os julgadores interpretem ou calibrem a escala por conta própria, haverá ruído. Portanto, nos casos em que as escalas são úteis ou necessárias, precisamos projetar escalas melhores.

Os autores argumentam que , como regra geral, as escalas comparativas são menos ruidosas do que as escalas absolutas. Os autores dão o exemplo das classificações de desempenho no trabalho, que são ruidosas em parte porque as escalas numéricas tradicionais não são claras e são interpretadas de forma diferente de um avaliador para outro. O que constitui um "6" em "habilidades de comunicação" ou em "liderança"? Sem uma orientação explícita sobre o que os números significam e como eles se correlacionam com as qualidades que medem, cada pessoa terá uma compreensão diferente de como avaliar um funcionário.

Em vez de avaliar os funcionários em termos de um número absoluto, os autores dizem que é melhor classificá-los. Por exemplo, em relação à comunicação de um funcionário, pergunte se suas habilidades estão entre as 20% melhores da empresa, ou entre as 20% seguintes, e assim por diante. Conforme observado anteriormente, geralmente somos melhores em comparar coisas do que em quantificá-las de forma abstrata.

Shortform NotaShortform : Lembre-se da discussão anterior sobre operações de correspondência e a maneira como nossas mentes substituem uma pergunta mais fácil por uma mais complexa. Sem uma orientação clara, é provável que algo semelhante aconteça com uma escala de classificação vaga, pois substituímos a pergunta "Qual é a nota da comunicação de X em 10?" por algo como "Estou impressionado com a comunicação de X?" ou "Acho X muito claro?")

Uma escala comparativa também fornece pontos de ancoragem concretos e descrições ou marcadores claros para cada ponto. Um bom ponto de ancoragem correlaciona um valor específico na escala com um exemplo relevante do que está sendo avaliado (se você estiver avaliando um trabalho e souber que uma nota "C" representa um trabalho mediano, esse é o seu ponto de ancoragem). Para minimizar o ruído, os pontos de ancoragem devem ser fornecidos com antecedência para que cada avaliador comece com o mesmo quadro de referência.

Shortform NotaShortform : A ancoragem é outro conceito extraído de Thinking, Fast and Slow. A ideia básica da ancoragem é que uma informação inicial (por exemplo, um valor de doação sugerido) tem uma grande influência sobre as ações que tomamos (nesse caso, quanto decidimos doar). Ao sugerir que as escalas venham com pontos de ancoragem claros, os autores de Ruído buscam tirar proveito desse efeito psicológico, usando-o para calibrar as avaliações dos julgadores).

Exemplo: Um exemplo de procedimento de contratação

Para ter uma ideia de como aplicar essas práticas de higiene de decisão em um ambiente real, os autores fornecem uma visão geral do processo de contratação do Google. Em resumo, o processo é o seguinte:

1. Determine quais habilidades são mais importantes para o cargo para o qual você está contratando.
2. Desenvolva escalas para medir cada candidato em cada habilidade determinada na etapa 1.
3. Entreviste cada candidato várias vezes com entrevistadores diferentes (o Google usa quatro entrevistas). O objetivo das entrevistas é avaliar as habilidades dos candidatos. As entrevistas devem ser realizadas independentemente umas das outras (os entrevistadores ainda não podem comparar anotações).
4. A equipe de contratação se reúne para discutir os resultados, analisar os dados que acumulou e, finalmente, compartilhar suas impressões e tomar uma decisão geral.

Colocando tudo junto

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

• Na etapa 1, a empresa divide um julgamento maior - quemdevemos contratar? - em componentes menores.

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

• Na etapa 3, a empresa sequencia cuidadosamente as informações, garantindo que as entrevistas sejam realmente independentes umas das outras. Esse sequenciamento é auxiliado pela definição de regras e padrões claros que regem as entrevistas reais e as mantêm consistentes e no ponto.

• Na etapa 4, a empresa agrega julgamentos pedindo a vários entrevistadores que tomem uma decisão em conjunto.

• Em um nível mais amplo, o processo como um todo também sequencia informações ao pedir que os entrevistadores não considerem suas impressões subjetivas até essa última etapa. Ao fazer isso, a empresa deixa espaço para que sua equipe de contratação tenha reações pessoais aos candidatos, mas garante que essas reações sejam mediadas pelos dados concretos coletados durante o restante do processo e pela sabedoria do grupo de vários entrevistadores (cada um dos quais teve a chance de formar uma opinião independente sobre o candidato).

Embora esse procedimento descreva especificamente um processo de contratação, os autores destacam que o processo pode ser facilmente adaptado a outros tipos de decisões de negócios, como fazer um investimento ou adquirir ou se fundir com uma empresa rival.Shortform NotaShortform : Os autores fornecem um cenário hipotético detalhado para mostrar como fazer isso. Para simplificar, volte aos princípios descritos acima: Desmembre 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 os julgamentos resultantes).

Conclusões Shortform : Melhorando os julgamentos avaliativos

Como você viu ao longo deste guia, muitas das ideias contidas no livro já foram exploradas em outros lugares, inclusive nos trabalhos anteriores dos próprios autores. No entanto, há pelo menos uma conclusão importante do livro que parece ser uma ideia nova, que é o argumento de que devemos tratar as avaliações da mesma forma que tratamos as previsões.

Para explicar melhor esse ponto, lembre-se de que Ruído divide os julgamentos em dois tipos: preditivos (por exemplo, prever o valor futuro de uma ação) e avaliativos (por exemplo, avaliar uma redação). Estamos acostumados a aceitar que os julgamentos avaliativos são inerentemente subjetivos - não há uma resposta correta para 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 Ruídode que as avaliações e previsões são o mesmo tipo de coisa (julgamentos), que ambas sofrem com o ruído no mesmo grau e pelos mesmos motivos, e que reduzir o ruído é uma coisa boa, então é possível melhorar nossos julgamentos avaliativos. Podemos fazer isso submetendo nossas avaliações aos mesmos conselhos que muitos autores já ofereceram para fazer previsões melhores. Esse é um ponto que Ruído faz logo no início, mas merece destaque, pois essa percepção parece ser realmente original.