¡Descarga pensamiento heurísticos y más Apuntes en PDF de Psicología solo en Docsity!
TEMA 4. RAZONAMIENTO INDUCTIVO.
- Inducción: es buscar el patrón común para sacar conclusiones de carácter general. A partir de premisas particulares se obtienen conclusiones generales.
Las características de las tareas de inducción son:
- Nos sirven para ampliar nuestro conocimiento.
- La conclusión nos da más información o es más amplia que las premisas.
- El tipo de razonamiento que obtenemos es probabilístico. Es decir, la normativa de la inducción es la teoría de la probabilidad.
Razonamiento Deductivo Razonamiento Inductivo Capacidad de realizar inferencias particulares o concretas a partir de información más general.
Capacidad para generalizar a partir de información particular. La verdad de las premisas garantiza la verdad de la conclusión.
Permite extraer conclusiones probables (ni verdaderas ni falsas). La información semántica de las premisas es igual o mayor que la de la conclusión.
La información de la conclusión es mayor que la de las premisas.
Tipos de tareas.
- Razonamiento deductivo: conectivas, silogismos, silogismos lineales, etc. Estas tareas están acotadas.
- Razonamiento inductivo. Hay muchas tareas. Según Holyoak y Nisbett (1988) se distinguen: formación de conceptos, de categorías, de hipótesis, de esquemas causales, mecanismos de predicción, de probabilidad, de toma de decisiones, estimación de correlaciones, aprendizaje, causalidad, solución de problemas, etc. Que halla tanta cantidad de tareas dificulta el estudiar el razonamiento inductivo. Esto no ocurre en el razonamiento deductivo porque las tareas están más acotadas.
Una diferencia destacada es el debate racionalidad-no racionalidad. Desde el razonamiento inductivo se plantea si razonamos desde nuestras teorías o desde los datos. Desde el razonamiento deductivo el debate está en si somos sujetos lógicos o no lógicos.
Otra diferencia es la restricción en la inducción (algunas generalizaciones son válidas y otras no).
Podemos decir que en el campo del razonamiento inductivo se plantean dos preguntas:
- ¿Cuál es el papel de las teorías previas en la inducción?
- ¿Cuáles son los mecanismos que restringen nuestras inducciones?
Los mecanismos inductivos sirven para hacer frente a la incertidumbre de acontecimientos numerosos y variados (presentes, pasados y futuros). Nuestras teorías dan sentido a lo que nos rodea (aunque esto posibilita la aparición de sesgos).
El debate que se plantea dentro del razonamiento inductivo es el papel de las teorías (positivo o negativo). Se plantean dos posturas diferentes:
- No racionalistas: las teorías sesgan y cometemos errores.
- Racionalistas: las teorías son objetivas. Son un espejo de los hechos que ocurren en la realidad.
Los no racionalistas se plantean que “vemos el mundo tal y como somos”, y los racionalistas que “somos tal y como es el mundo”.
Los tres contenidos que se plantean para estudiar el comportamiento inductivo son: probabilidad, correlación y causalidad. Se plantean ejercicios en estos tres aspectos: relación probabilística, covariación y relación causal.
PROBABILIDAD: en nuestra vida cotidiana hacemos constantemente juicios probabilísticos. A la hora de abordar este punto nos podemos encontrar dos enfoques: un enfoque evolutivo ( Cuantificación de probabilidades de Piaget) en el que se cogen sujetos de distintas edades y se ve que estrategias utilizan para resolver este tipo de problemas, y un enfoque educativo (los trabajos de Fischbein) para estudiar la influencia de la instrucción en las tareas. Este segundo enfoque es el del análisis de procesos inductivos (destacando los trabajos de Tversky y Kahneman sobre heurísticos) en que se plantean problemas con varias alternativas de respuesta en las que se plantean de forma implícita conceptos de probabilidad para ver si se comprenden o no. La diferencia con el anterior enfoque es que en este último el sujeto no tiene que hacer cálculos.
El concepto matemático de probabilidad es que se trata de un modelo correcto para hacer predicciones de carácter probabilístico.
P (S) = número de casos favorables de S / número de casos posibles
Tversky y Kahneman dicen que la gente no analiza los eventos cotidianos mediante listas exhaustivas de probabilidades ni elabora un pronóstico final combinando varios parámetros probabilísticos (probabilidades previas complementarias). Los parámetros serían una serie de estrategias que le sirven de atajos o heurísticos para reducir y simplificar tareas complejas de toma de decisiones de tipo probabilístico. No se produce un análisis exhaustivo de la información y esto a veces supone un error en los juicios.
Los heurísticos de juicio constituyen reglas básicas de inferencia probabilística utilizadas por los adultos (independientemente de su cultura, su conocimiento de las leyes matemáticas y el contenido del problema).
¿Por qué los utilizamos?
- Reducir la incertidumbre ambiental
- Restricciones de nuestro sistema cognitivo y las limitaciones de atención, memoria y selección de información. Por ello Tversky y Kahneman hacen un cambio sobre el estudio de los juicios.
El enfoque de los heurísticos surge en los 70 y plantea que no somos capaces de hacer juicios objetivos, reglas estadísticas sino heurísticas para resolver las tareas probabilísticas.
Una definición de heurístico podría ser: una operación por medio de la cual se reduce la complejidad del mundo que nos rodea a una dimensión que es manejable para nuestro sistema cognitivo. En ocasiones acertamos y a veces cometemos errores, y ambas ocasiones provienen de los heurísticos. Pero Tversky y Kahneman plantean que es más útil estudiar los errores para analizar los procesos. Los errores son más informativos.
Propiedades de los heurísticos serían:
- Son vagos y poco definidos. A veces no se sabe muy bien porqué se aplica un determinado heurístico.
- Son universales.
- Son automáticos y no reflexivos (se utilizan de forma no consciente).
- Enfatizan cierta información e ignoran otra.
-Generalmente proporcionan respuestas adecuadas aunque conducen también a errores sistemáticos o sesgos.
- Pertenecen al punto de vista de procesamiento de la información.
- Proporcionan mejores soluciones que las técnicas por ensayo y error.
Tversky y Kahneman distinguen cuatro tipos de heurísticos:
Heurístico de representatividad:
Es juzgar un fenómeno en función del grado en que se parece, por ejemplo, una muestra a una población, o por ejemplo, una consecuencia o efecto a la causa que lo ha producido, o un caso particular a uno en general. Se trata de juzgar en función de la semejanza. Es decir, se trata de juzgar la probabilidad de que A pertenezca a un conjunto B, fijándose en la semejanza entre A y los miembros de B. El juicio de representatividad se realiza comparando las semejanzas que tiene el caso ( individuo de una foto ) con el prototipo de su categoría ( alemanes: altos, rubios, ojos azules… ). Una vez realizado este juicio, la asignación de probabilidades se realiza por la representatividad del suceso ( hay un 90% de probabilidades de que el individuo de la foto sea alemán). Lo que hace es enfatizar el parecido “muestra-población” por encima de lo que haría la estadística. Se basa en una concepción prototípica del conocimiento.
Este heurístico actuaría en cuatro situaciones posibles :
- Cuando M es una clase y X es un valor o variable de esa clase: los valores más representativos son los que más se aproximan a los valores centrales de esa clase. Lo que se destaca de la información son los valores centrales.
- Cuando M es una clase y X es un ejemplo de esa clase: un ejemplo es representativo de una categoría cuando tiene los mismos rasgos prototípicos que comparten los miembros de esa categoría y no tiene otros rasgos no prototípicos. Juzgamos por medio de los prototipos (por ejemplo, los estereotipos).
- (^) Cuando M es una clase y X es un subconjunto o muestra de esa clase: en un subconjunto los elementos representativos deben aproximarse tanto a los valores centrales de la clase así como mostrar su dispersión (valores de variabilidad).
- Cuando M es un sistema causal y X es un posible efecto o consecuencia de ese sistema causal: causas y efectos se parecen.
2.2. Ignorancia del tamaño de la muestra. Evaluar la probabilidad de obtener un resultado concreto de una muestra extraída de una determinada población aplicando representatividad. La semejanza entre el estadístico de la muestra y el parámetro poblacional no depende del tamaño de la muestra.
Pero la estadística dice que las conclusiones van a ser más o menos precisas según el tamaño de la muestra. La exactitud de nuestras estimaciones será mejor a más muestra, ya que cuanto más pequeño sea el tamaño de la muestra que tomemos más variables serán los resultados. No se maneja la idea estadística según la cual la probabilidad asignada a un suceso será más cercana a la probabilidad real del suceso cuanto mayor sea el número de observaciones de las que partimos.
3. Sesgos relacionados con las probabilidades compuestas:
3.1. Ignorar las probabilidades previas : el teorema de Bayes parte de las probabilidades previas de un suceso. La gente no las tiene en cuenta y emiten juicios basados únicamente en la información específica que se proporciona cuando esta es representativa. Esta conclusión la obtuvieron Tversky y Kahneman a través de varias tareas: Presentan descripciones de la personalidad de individuos que se han seleccionado al azar entre 100 abogados e ingenieros y se les pregunta: ¿cuál es la probabilidad de que fuese ingeniero en vez de abogado? Les dan dos condiciones: una es que el grupo está compuesto por 70 ingenieros y 30 abogados, y la otra que está compuesto por 30 ingenieros y 70 abogados. Parece que la probabilidad de que sea ingeniero en la primera condición es mayor que en la segunda. Pero los sujetos ignoraban la proporción inicial de ingenieros o abogados porque aplican el heurístico de representatividad. Evaluaban la probabilidad de que una descripción correspondiese a un ingeniero según el grado de representatividad de esa descripción con respecto a sus estereotipos de ambas profesiones, sin prestar atención a las probabilidades previas de cada profesión. Pero usan correctamente las probabilidades previas cuando no hay otra información (en ausencia de la descripción de la personalidad). Sin embargo cuando se daba una descripción aunque no fuera nada informativa ignoraban las probabilidades previas.
3.2. Falacia de la conjunción : la teoría de la probabilidad plantea que la probabilidad conjunta de dos sucesos es siempre menor o igual que la probabilidad de cada uno por separado. Para ver en qué medida se aplicaba esto Tversky y Kahneman aplicaban el “problema de Linda” :
Linda tiene 31 años de edad, soltera, inteligente y muy brillante. Se especializó en filosofía. Como estudiante, estaba profundamente preocupada por los problemas de discriminación y justicia social, participando también en manifestaciones anti-nucleares.
¿Qué es más probable?
- Linda es una cajera.
- Linda es una cajera de banco y es activista de movimientos feministas. El 85% de los encuestados eligió la opción 2. Sin embargo, la probabilidad de que los dos eventos ocurran juntos (en "conjunción") es siempre menor o igual que la probabilidad de que cada uno ocurra por separado. Los sujetos consideraron más probable la afirmación 2 (h) que la afirmación 1 (f) a pesar de que la afirmación 2 (h) es la conjunción de la c y la f. Los sujetos consideran más probable la conjunción (cajera y feminista) que un elemento aislado cuando la conjunción era más representativa que los elementos aislados. A veces también se produce una violación de la regla de conjunción: los sujetos no se plantean la tarea como un cálculo de probabilidad de los componentes y su conjunción. Evalúan el grado de representatividad de los componentes respecto a un modelo causal. En ausencia del modelo (personalidad) son sensibles a la regla de la conjunción.
3.3. Efecto diluido : una información que tiene un valor diagnóstico respecto a un modelo. Por ejemplo: “ A Juan le gustan los juegos lógicos ” ¿Es ingeniero o escultor?
En la vida cotidiana tenemos mucha información respecto al modelo: datos diagnósticos y no diagnósticos o irrelevantes para el pronóstico.
“ A Juan le gustan los juegos lógicos, tiene 32 años, mide 1,72 y le gusta jugar al ping- pong ” ¿Se ve afectada nuestra predicción sobre su profesión con elementos no diagnósticos?
El hecho de que añaden información irrelevante suele hacer que las personas cambien de opinión. Los pronósticos se hacen menos extremos (atenuación del sesgo de representatividad).
Las causas del efecto diluido no han sido claramente establecidas. El hecho de dar más información irrelevante disminuye la similitud global entre la descripción y el prototipo.
4. Concepciones erróneas de la regresión
Las puntuaciones extremas en una medición tienden a acercarse a la media en una medición posterior. Ejemplo: saca una nota muy alta, por encima del promedio, qué sacará en el siguiente examen? Sería una nota alta, pero no tanto (siempre hay un componente de azar). No comprenden el concepto:
- Subestimar y estimaciones sesgadas
- Acuden a explicaciones causales para la variabilidad estadística y fortuita
- Ante el efecto de la regresión proponen una explicación a posteriori. Se asume la semejanza entre dos sucesos muy relacionados y no se acepta que tiendan a
1.1. Sesgo de la influencia de variables o factores : la singularidad de los datos, la familiaridad, el impacto, sucesos más recientes serán más accesibles. Se da una sobreestimación de los casos conocidos y una sobre valoración de los datos concretos sobre los abstractos.
Ejemplo: accidente de avión de las torres Gemelas; a un amigo le acaban de robar en su portal la probabilidad objetiva antes y después es la misma, pero la subjetiva no.
1.2. Sesgo de correlación ilusoria : cuando en la memoria existe un fuerte vínculo entre dos sucesos las personas consideran que habitualmente ambos se presentan unidos. Creer que existe una correlación cuando no existe. Este sesgo lo ponen de manifiesto Chapman & Chapman investigando si el test de la figura humana servía para hacer diagnósticos psiquiátricos. Un sesgo general de los sujetos era que buscaban datos que confirmaran sus teorías. Según Tversky y Kahneman era más accesible para los sujetos acceder a cierta información para ciertas características diagnósticas. ( Cada dibujo lo asemejaban con un diagnóstico erróneo)
Heurístico de ajuste y anclaje :
Nuestros juicios se ajustan y se anclan en función de los datos e intervalos numéricos que nos dan al presentar un problema determinado.
- Tversky y Kahneman plantean a los sujetos una tarea de predecir el porcentaje de países africanos que pertenecen a las Naciones Unidas y en una ruleta se sortea un número. La predicción de los sujetos se asemeja al número obtenido en la ruleta. ( Ejemplo: es útil en situaciones en las que no disponemos de info, acudimos a un evento similar que sirva de punto de referencia)
- Tversky y Kahneman incluyeron posteriormente este heurístico como parte del heurístico de accesibilidad : la facilidad con la que nos vienen ejemplos a la memoria por la prominencia de los datos.
Heurístico de simulación o construcción :
Cuando queremos explicar un suceso construimos un escenario para explicarlo. Juzgamos el acontecimiento en función de la facilidad con que construimos un escenario para explicar un hecho. Cuanto más fácil es construir un escenario más alta nos parece su probabilidad. Construir y recordar son procesos psicológicos distintos.
Sesgos
1.1. Sesgo del efecto de explicación : construido un escenario le asignamos una probabilidad hipotética mucho mayor que a otros escenarios alternativos, por ser el que hemos construido en primer lugar. Atribuimos una mayor probabilidad a los hechos que encajan en ese escenario que los hechos que no encajan.
1.2. Sesgo del efecto del falso consenso : pensar que una vez construido un escenario el resto de las personas van a estar de acuerdo con nosotros. Creemos que la gente cercana (misma información, parecidas creencias, ideología, gustos, etc.) va a tener un consenso en la construcción de los escenarios.
Ideas generales que nos ofrece el enfoque de los heurísticos:
- La imagen del hombre está muy lejos del hombre científico intuitivo. El uso de heurísticos y la persistencia de los sesgos no sólo se dan en sujetos inexpertos. Los sujetos con experiencia (jueces, médicos, etc.) y con formación en estadística muestran los mismos errores.
- Los heurísticos no actúan indiscriminadamente en todas las ocasiones, depende del campo (por ejemplo, juegos de azar vs. situaciones sociales).
Críticas a los trabajos de Tversky y Kahneman:
- Gran flexibilidad de los heurísticos. A veces no sabemos en qué condiciones se aplicará uno u otro heurístico.
- Los heurísticos se pueden aplicar sucesivamente. Están muy relacionados entre sí, y algunas veces es difícil saber cual es el que se está utilizando.
- Escasa validez externa de estos trabajos: no se pueden generalizar a la vida diaria. Las situaciones naturales son más complejas que las del laboratorio (más información, muchos estímulos redundantes, etc.).
- Forma de presentación de la información (confusa): los sujetos tienden a tratar la información de manera distinta a como pretenden los experimentadores (la utilizan). A veces por ejemplo, se le da información irrelevante que se espera que no use y que el sujeto utiliza (“para algo me la darán”).
