– Gerd Gigerenzer et Daniel Goldstein L’expérience de la négligence du taux de base – Amos

La question de la rationalité humaine constitue l’un des carrefours les plus féconds et les plus disputés des sciences cognitives contemporaines. Au début des années 1970, un paradigme expérimental émergea avec une force de persuasion sans précédent, sous la conduite d’Amos Tversky et de Daniel Kahneman. Leurs recherches sur les heuristiques et les biais mirent en lumière un phénomène devenu paradigmatique : la négligence du taux de base (base rate neglect). Selon leurs conclusions initiales, l’esprit humain, lorsqu’il est confronté à des descriptions singularisantes ou à des stéréotypes saillants, manifeste une propension presque systématique à ignorer les probabilités a priori objectives. Les décideurs humains furent ainsi dépeints comme des statisticiens naïfs, victimes d’illusions cognitives comparables aux illusions d’optique, structurellement inaptes à déployer intuitivement la rigueur du calcul des probabilités conditionnelles formalisé par Thomas Bayes.

Cette vision pessimiste de l’architecture cognitive a toutefois suscité une opposition intellectuelle vigoureuse à partir des années 1990. Sous l’impulsion du psychologue cognitif allemand Gerd Gigerenzer et de son collaborateur américain Daniel Goldstein, une rupture épistémologique majeure a été opérée sous la bannière de la rationalité écologique. Loin de voir dans l’omission des taux de base une fatalité de l’irrationalité cognitive, Gigerenzer et Goldstein ont démontré que l’esprit humain n’a pas évolué pour manipuler des probabilités abstraites exprimées en pourcentages ou en probabilités singulières, mais pour traiter des flux séquentiels d’informations concrètes : les fréquences naturelles. En replaçant l’investigation psychologique dans son contexte évolutionniste et écologique, leurs travaux ont déconstruit méthodologiquement les protocoles expérimentaux d’Amos Tversky, révélant que le prétendu biais cognitif disparaît lorsque l’architecture du format informationnel s’harmonise avec la boîte à outils adaptative de l’esprit.

Cet article propose une exploration approfondie de cette controverse fondatrice qui a redéfini les frontières de l’économie comportementale, de la modélisation computationnelle de la décision et de la psychologie du jugement. À travers l’analyse minutieuse des protocoles originels de Tversky et Kahneman, des contre-expériences rigoureuses menées par Gigerenzer et Goldstein, et des répercussions sociétales fondamentales en médecine, en justice et en politiques publiques, nous examinerons comment la réévaluation de la négligence du taux de base a permis de réhabiliter la logique de l’intelligence humaine face à l’incertitude.

1. Introduction aux origines théoriques : La négligence du taux de base selon Amos Tversky et Daniel Kahneman

1.1 Le paradigme originel des heuristiques et biais

L’avènement du programme de recherche sur les heuristiques et biais au tournant des années 1970 a marqué un point de bascule intellectuel au sein de la psychologie cognitive et de la théorie de la décision. Développé initialement par Amos Tversky et Daniel Kahneman à l’Université hébraïque de Jérusalem, ce modèle visait à cartographier les écarts systématiques et récurrents qui séparent le jugement intuitif des individus des lois prescrites par la logique formelle, la théorie des probabilités et l’optimisation économique néoclassique. Au cœur de cette approche résidait la thèse selon laquelle les êtres humains, confrontés à des tâches complexes d’évaluation probabiliste sous contrainte de temps et de ressources informationnelles, s’en remettent à un répertoire restreint de raccourcis cognitifs nommés heuristiques. Bien que ces heuristiques soient fonctionnelles et efficientes dans de nombreuses circonstances quotidiennes, elles induisent, selon les auteurs, des distorsions prévisibles et sévères, dénommées biais cognitifs.

Dans ce catalogue d’anomalies du jugement, le biais de négligence du taux de base (base rate neglect ou base rate fallacy) occupe une place matricielle. Ce biais se définit formellement comme l’incapacité récurrente des décideurs à intégrer de manière appropriée les probabilités a priori de survenue d’un événement ou la prévalence statistique générale d’une caractéristique au sein d’une population parente, dès lors qu’une information singularisante, descriptive ou indiciaire leur est présentée. L’heuristique de représentativité fut mobilisée par Tversky et Kahneman comme l’armature explicative centrale de cette déviation normative. Selon cette mécanique théorique, lorsqu’un individu cherche à évaluer la probabilité qu’un élément spécifique $A$ appartienne à un ensemble ou à une classe $B$, son esprit n’opère pas une combinaison mathématique entre la rareté relative de $B$ et la précision de l’indice propre à $A$. Il procède au contraire à une simple évaluation de similarité qualitative : dans quelle mesure $A$ partage-t-il les traits typiques ou stéréotypiques associés à la catégorie $B$ ?

Cette substitution mentale — remplacer un calcul de probabilité distributionnelle par une estimation de similarité catégorielle — engendre une insensibilité structurelle aux taux de base. Si un profil psychologique, une description biographique ou le relevé d’un symptôme clinique correspond fidèlement au stéréotype mental d’une catégorie rare, le sujet conclut intuitivement à une probabilité d’appartenance élevée, reléguant au rang d’artefact négligeable la distribution statistique réelle au sein de laquelle s’inscrit le cas particulier.

1.2 L’expérience classique de l’ingénieur et de l’avocat (1973)

Afin de fournir une assise empirique indiscutable à ce postulat théorique, Amos Tversky et Daniel Kahneman ont conçu en 1973 une expérience devenue légendaire dans les annales des sciences sociales : le paradigme de l’avocat et de l’ingénieur. Le protocole expérimental consistait à placer des participants face à une situation fictive dans laquelle un panel de psychologues était censé avoir interrogé et dressé le profil psychologique de cent professionnels, composés exclusivement d’ingénieurs et d’avocats. Les expérimentateurs manipulèrent directement la variable indépendante fondamentale, à savoir la probabilité a priori, en créant deux conditions expérimentales distinctes. Dans la première condition, l’échantillon contenait 70 ingénieurs et 30 avocats (taux de base de 0,7 pour les ingénieurs) ; dans la seconde condition, les proportions étaient symétriquement inversées, avec 30 ingénieurs et 70 avocats (taux de base de 0,3).

On présenta ensuite aux sujets plusieurs descriptions de personnalité rédigées sur de petits cartons, prétendument tirées au sort de manière rigoureusement aléatoire parmi les cent dossiers disponibles. Parmi ces vignettes se trouvait la célèbre description de « Jack » : un homme de 45 ans, marié et père de quatre enfants, généralement conservateur, méticuleux et ambitieux, ne manifestant aucun intérêt pour les questions politiques ou sociales et passant l’essentiel de son temps libre à bricoler dans son atelier d’ébénisterie et à résoudre des énigmes mathématiques. Les participants devaient estimer la probabilité que Jack soit un ingénieur. Les résultats empiriques furent sans appel : les estimations moyennes fournies par les sujets dans la condition où la proportion d’ingénieurs était de 70 % ne différaient pas de manière statistiquement significative de celles fournies par les sujets dans la condition où cette même proportion n’était que de 30 %. Dans les deux cas, la probabilité médiane assignée oscillait autour de 0,80 ou 0,90.

Le constat apparut plus saisissant encore lors de l’introduction d’une vignette totalement neutre (« Dick »), ne contenant aucun trait distinctif permettant d’orienter le diagnostic vers l’une ou l’autre des deux professions. Même face à cette absence totale d’information diagnostique différentielle, les participants refusèrent d’appliquer les taux de base objectifs de 70/30 ou 30/70, assignant majoritairement une probabilité de 50 % à l’hypothèse de l’ingénieur. L’interprétation qui fut tirée de ces données initiales marqua durablement la psychologie : l’esprit humain souffrirait d’une forme d’irrationalité cognitive fondamentale, où la présence du moindre fragment d’information individualisante oblitère de façon spectaculaire les règles élémentaires du raisonnement distributionnel.

1.3 La formalisation bayésienne comme référence normative

Pour qualifier les réponses des participants d’erreurs ou de déviations cognitives, Tversky et Kahneman se sont appuyés sur le modèle normatif standard de l’induction probabiliste : le théorème de Bayes. Formulé initialement par le révérend Thomas Bayes au XVIIIe siècle et formalisé ultérieurement par Pierre-Simon de Laplace, ce théorème stipule la manière mathématiquement exacte dont une probabilité a priori doit être mise à jour à la lumière d’une nouvelle preuve empirique pour produire une probabilité a posteriori. Dans sa formulation formelle pour deux hypothèses mutuellement exclusives et exhaustives, $H$ et $neg H$, en présence d’une donnée d’observation $D$, la règle d’inférence s’écrit :

$$P(H|D) = \frac{P(D|H) \cdot P(H)}{P(D|H) \cdot P(H) + P(D|\neg H) \cdot P(\neg H)}$$

Dans ce cadre normatif, le terme $P(H)$ désigne le taux de base ou la probabilité a priori de l’hypothèse, $P(D|H)$ représente la vraisemblance (la probabilité d’observer les données si l’hypothèse est vraie), et $P(H|D)$ exprime la probabilité a posteriori révisée. L’application rigoureuse de cette équation au problème de l’ingénieur et de l’avocat implique que toute modification significative du paramètre $P(H)$ — passant de 0,70 à 0,30 — doit obligatoirement induire une variation substantielle de la probabilité conditionnelle finale $P(H|D)$, quel que soit le degré de représentativité de la description $D$. L’insensibilité empirique documentée par le paradigme de 1973 représentait donc une violation frontale des axiomes élémentaires du calcul bayésien standard.

Les conséquences théoriques de cet écart furent colossales. Durant les deux décennies suivantes, les écrits académiques et les manuels de référence ont universellement conclu à une faillite structurelle des facultés inférentielles de l’Homo sapiens. Si des étudiants d’universités prestigieuses, des gestionnaires financiers et même des praticiens chevronnés étaient incapables d’intégrer spontanément les distributions de base dans des scénarios aussi élémentaires, l’affirmation selon laquelle l’esprit humain serait nativement « bayésien » paraissait définitivement réfutée. L’orthodoxie académique consacra l’existence d’une fracture irrémédiable entre les règles normatives idéales de la rationalité mathématique et l’architecture psychologique contingente, biaisée et lacunaire des décideurs en chair et en os.

2. La rupture épistémologique : La rationalité écologique de Gerd Gigerenzer

2.1 Critique du postulat de l’homo œconomicus et des normes abstraites

Au début des années 1990, le chercheur allemand Gerd Gigerenzer, alors directeur au prestigieux Institut Max Planck de développement humain à Berlin, a initié une critique épistémologique radicale à l’encontre de cette vision déficitaire de l’esprit humain. Son point de départ résidait dans le rejet pur et simple de l’assimilation de la rationalité humaine aux canons de la logique formelle universelle et du calcul des probabilités abstraites. Pour Gigerenzer, ériger les lois axiomatiques de la probabilité en étalon unique et universel du jugement humain constitue une erreur de catégorie philosophique et psychologique. Ce geste théorique découle de la transposition mécanique du concept d’Homo œconomicus, agent omniscient doté d’une capacité de calcul infinie et opérant dans un univers où toutes les probabilités futures sont connues et statiques.

En s’inscrivant dans le sillage intellectuel tracé par Herbert Simon et son concept séminal de rationalité limitée (bounded rationality), Gigerenzer a forgé le paradigme de la rationalité écologique. Cette approche postule que la rationalité d’un processus de décision ne s’évalue pas à l’aune de sa conformité aveugle à des critères mathématiques abstraits décontextualisés, mais à travers le prisme de son adéquation fonctionnelle aux structures informationnelles de l’environnement physique et social dans lequel évolue l’organisme. Un mécanisme décisionnel n’est ni intrinsèquement rationnel ni intrinsèquement biaisé ; il est rationnel s’il est écologiquement adapté, c’est-à-dire s’il exploite de manière optimale les régularités structurelles, les redondances et les indices statistiques de l’écosystème où il est déployé pour accomplir des objectifs vitaux de survie, de classification ou de reproduction.

Dans ce cadre renouvelé, la question n’est plus de déterminer si les individus respectent rigoureusement les axiomes de Kolmogorov ou le théorème de Bayes sur une feuille de papier, mais de comprendre comment des architectures cognitives réelles, soumises à des limites énergétiques et de mémoire de travail, parviennent à prendre des décisions précises, robustes et rapides dans un monde fondamentalement incertain.

2.2 L’esprit adaptatif contre les illusions cognitives universelles

La seconde offensive épistémologique de Gigerenzer a visé directement la notion d’« illusion cognitive », métaphore omniprésente chez Tversky et Kahneman. Ces derniers soutenaient que, de même que notre système visuel ne peut s’empêcher de percevoir la flèche de Müller-Lyer comme asymétrique même lorsqu’il connaît la réalité métrique des traits, notre système cognitif serait inexorablement condamné à succomber aux heuristiques fallacieuses. Gigerenzer s’est élevé vigoureusement contre cette assimilation des heuristiques à des erreurs d’arbitrage systématiques. Il a proposé la métaphore alternative de l’esprit adaptatif doté d’une « boîte à outils adaptative » (adaptive toolbox), collection de modules de traitement heuristique façonnés au fil de l’évolution biologique et de l’apprentissage culturel pour résoudre des classes spécifiques de problèmes environnementaux.

Dans cette perspective, les heuristiques ne sont pas des compromis dégradés (trade-offs) concédés par un esprit paresseux en échange d’une réduction de l’effort computationnel, mais des algorithmes remarquablement sophistiqués conçus pour exploiter les propriétés de l’environnement, notamment le bruit statistique et la non-stationnarité des distributions réelles. Gigerenzer a vivement critiqué ce qu’il a nommé l’« industrie des biais », une propension des psychologues à concevoir des énigmes expérimentales artificielles, saturées de pièges linguistiques et logiques, afin de mettre en scène l’incompétence supposée du public profane. Pour lui, diagnostiquer un déficit de rationalité sur la seule base de l’échec à un problème probabiliste artificiel revient à déclarer le système respiratoire inadapté parce qu’il ne parvient pas à extraire l’oxygène sous l’eau.

L’enjeu n’était donc pas de nier l’existence d’erreurs empiriques ponctuelles, mais de contester la thèse selon laquelle ces déviations découlaient de tares architecturales permanentes de l’esprit. Si l’humain échoue face à certains problèmes bayésiens, ce n’est pas parce que sa machinerie mentale est défectueuse, mais parce que le format de présentation des données qui lui est imposé est orthogonal à celui pour lequel son système cognitif a été sélectionné.

2.3 L’apport conjoint de Daniel Goldstein à la dynamique de recherche

L’association intellectuelle entre Gerd Gigerenzer et Daniel Goldstein, amorcée au cours des années 1990, a apporté une rigueur computationnelle et algorithmique décisive à cette entreprise de réhabilitation cognitive. Alors que la controverse menaçait de s’enliser dans des débats purement rhétoriques sur la nature de la rationalité, Daniel Goldstein a impulsé une modélisation formelle des processus de recherche d’information séquentielle et d’inférence frugale. Ensemble, ils ont conceptualisé des modèles algorithmiques précis, testables et falsifiables, rompant avec les labels verbaux vagues attribués aux heuristiques par le paradigme dominant.

Leurs travaux conjoints sur les heuristiques « rapides et frugales » (fast and frugal heuristics), telles que l’heuristique de reconnaissance (Recognition Heuristic) et l’algorithme Take the Best, ont apporté la preuve formelle et empirique que des stratégies décisionnelles ignorant délibérément une grande partie de l’information statistique disponible peuvent surpasser en précision prédictive des modèles hautement complexes, tels que la régression multiple ou les réseaux bayésiens complets, particulièrement lorsqu’il s’agit de généraliser des prédictions à de nouvelles données hors échantillon.

Cette collaboration scientifique a jeté les bases méthodologiques indispensables pour réexaminer le cas spécifique du taux de base. Forts de cette approche algorithmique, Gigerenzer et Goldstein ont émis une hypothèse révolutionnaire : si l’esprit humain semble ignorer les taux de base lorsqu’ils sont formulés sous des formats probabilistes standard décontextualisés, cette cécité apparente n’est qu’un artefact d’encodage informationnel. En modifiant la structure mathématique et représentationnelle des stimuli expérimentaux sans altérer le contenu statistique sous-jacent, ils ont entrepris de démontrer que le raisonnement bayésien est en réalité pleinement accessible et spontanément mobilisé par les décideurs humains ordinaires.

3. Le cadre méthodologique de Gigerenzer et Goldstein sur le taux de base

3.1 Distinction cruciale entre probabilités singulières et fréquences naturelles

Le pivot méthodologique et théorique des travaux de Gerd Gigerenzer et Daniel Goldstein réside dans la distinction fondamentale, souvent occultée par les théoriciens de la décision, entre deux représentations mathématiques formellement équivalentes mais cognitivement incommensurables : les probabilités singulières (exprimées en pourcentages ou en décimales) et les fréquences naturelles. Une probabilité singulière ou relative $P(A)$ exprime le degré de croyance ou la certitude numérique attribuée à l’occurrence d’un événement unique, souvent formalisée par un chiffre compris entre 0 et 1 ou entre 0 % et 100 % (par exemple, « la probabilité que cette personne soit ingénieur est de 30 % », ou « la probabilité d’un faux positif à ce test est de 5 % »).

À l’inverse, les fréquences naturelles résultent directement d’un échantillonnage séquentiel brut dans un environnement naturel sans normalisation mathématique préalable. Elles décrivent des dénombrements conjoints non standardisés. Par exemple, au lieu de formuler des propositions probabilistes conditionnelles normalisées (« si une personne est malade, la probabilité que le test soit positif est de 80 %, mais le taux de base de la maladie n’est que de 1 % »), le format en fréquences naturelles énonce : « Sur 100 personnes, 1 personne a la maladie et recevra un test positif ; sur les 99 personnes saines, 5 recevront néanmoins un test positif ». Dans cette structure, l’observateur préserve intacte l’information distributionnelle de base directement liée au dénominateur naturel de l’expérience vécue.

Gigerenzer et Goldstein ont adossé cette distinction à une hypothèse évolutionniste d’une clarté lumineuse : durant des centaines de milliers d’années d’évolution biologique, les ancêtres de l’homme moderne n’ont jamais été confrontés à des tableaux de bord statistiques, à des calculs de pourcentages ou à des théories formelles des probabilités — ces dernières n’ayant émergé que tardivement dans l’histoire des idées, au milieu du XVIIe siècle sous l’égide de Blaise Pascal et Pierre de Fermat. L’expérience écologique ancestrale consistait à observer des événements séquentiels concrets : dénombrer combien de fois une trace de prédateur conduisait effectivement à une confrontation, ou combien de baies vénéneuses engendraient une intoxication létale. L’esprit humain a donc développé des systèmes d’encodage conçus pour stocker des fréquences d’événements observés, et non pour manier des abstractions normalisées exigeant des inversions mathématiques complexes.

3.2 Revue critique des stimuli expérimentaux d’Amos Tversky

Armés de cette perspective, Gigerenzer et Goldstein ont soumis les expériences historiques d’Amos Tversky à une déconstruction linguistique et pragmatique minutieuse. En s’appuyant sur la théorie des maximes conversationnelles formulée par le philosophe du langage Paul Grice, ils ont mis en évidence le fait que les protocoles de psychologie cognitive ne constituent pas de purs exercices mathématiques désincarnés, mais des actes de communication sociale gouvernés par des attentes implicites de pertinence et de coopération.

Dans l’expérience classique de l’ingénieur et de l’avocat, l’expérimentateur fournit au participant une information statistique de base (le ratio 70/30), puis enchaîne immédiatement en lui soumettant la description biographique détaillée d’un individu rédigée par de prétendus psychologues. Selon la maxime griceéenne de pertinence, tout récepteur d’un énoncé postule par défaut que l’émetteur ne lui transmet pas d’informations superflues ou inutiles. En lisant la description de Jack, le sujet déduit implicitement que l’expérimentateur attend de lui qu’il évalue précisément la portée sémantique de ce portrait psychologique. Si le participant devait simplement reproduire le taux de base statistique brut de 70 %, l’ensemble de la vignette textuelle deviendrait une diversion communicative inutile. Dès lors, ce que Tversky qualifiait d’erreur de jugement logique relève en réalité d’une réponse pragmatiquement sensée à une situation de dialogue trompeuse.

De surcroît, la vignette neutre de Dick recelait une ambiguïté linguistique fondamentale : en précisant que le texte ne permettait pas de trancher entre ingénieur et avocat, le protocole induisait artificiellement l’idée que le portrait fournissait une probabilité épistémique égale de 50/50, neutralisant activement l’évaluation de la distribution de base chez des participants soucieux de conformité communicative plutôt que de rigueur bayésienne scolaire.

3.3 Architecture du protocole expérimental comparatif

Pour dépasser l’impasse des querelles interprétatives, Gigerenzer et Goldstein ont conçu une architecture expérimentale rigoureuse destinée à tester empiriquement leur hypothèse computationnelle. L’objectif était de comparer, dans des conditions méthodologiquement irréprochables et sous un contrôle expérimental strict en double aveugle, l’impact différentiel du format d’information sur la performance d’inférence bayésienne des individus.

Le dispositif articulait deux dimensions majeures de manipulation des variables indépendantes :

• La variable de format informationnel : d’un côté, le format standard des « probabilités relatives / pourcentages singuliers », rigoureusement calqué sur la rhétorique classique de Tversky et Kahneman ; de l’autre, le format en « fréquences naturelles », où l’ensemble des données statistiques est converti en dénombrements concrets au sein d’échantillons démographiques définis.
• La variable de contexte sémantique : contrastant des formulations verbales saturées de sous-entendus pragmatiques avec des instructions claires, épurées de tout piège conversationnel, explicitant que les descriptions avaient été sélectionnées par échantillonnage probabiliste aveugle sans intervention d’un jugement humain sélectif.

Les indicateurs quantitatifs de conformité bayésienne ne reposaient pas sur des déclarations subjectives vagues, mais sur le calcul de métriques précises : proportion exacte de sujets produisant la réponse numérique bayésienne juste, dispersion des estimations autour de la valeur théorique optimale, temps d’induction requis et identification des stratégies de calcul intermédiaires via des protocoles de verbalisation continue (think-aloud protocols).

4. L’expérience empirique : Dispositif et variations expérimentales

4.1 Revisite expérimentale du problème de l’avocat et de l’ingénieur

Dans la mise en œuvre pratique de leur programme expérimental, Gerd Gigerenzer et ses collaborateurs ont méthodiquement neutralisé les artefacts identifiés dans le paradigme originel de 1973. La première intervention a consisté à purifier la présentation du profil de Dick et des vignettes analogues. Au lieu de suggérer subtilement que les descriptions contenaient des indices diagnostiques cachés, les expérimentateurs ont pris soin de démontrer matériellement aux participants le processus de tirage au sort physique. Dans certaines conditions de contrôle renforcées, les sujets tiraient eux-mêmes au hasard une enveloppe scellée parmi cent enveloppes disposées dans une urne transparente, brisant net l’inférence conversationnelle selon laquelle l’expérimentateur tentait de tester leur sens psychologique des stéréotypes.

Dans la condition en fréquences naturelles révisée, les proportions a priori ne furent plus introduites sous la formule : « La probabilité qu’un individu pris au hasard soit un ingénieur est de 70 % ». Le protocole énonçait clairement : « Sur 100 personnes interrogées dans cette cohorte, 70 sont des ingénieurs et 30 sont des avocats. Si vous deviez tirer au sort 100 individus consécutifs présentant des traits aussi neutres que ceux-ci, combien d’entre eux seraient des ingénieurs ? ». Cette reformulation sémantique fondamentale réancrait immédiatement le jugement dans une structure ensembliste (la théorie des ensembles de Cantor appliquée à des dénombrements tangibles) plutôt que dans un calcul nébuleux de plausibilité projective sur une entité singulière abstraite.

En éliminant simultanément la suggestivité stylistique des textes et l’ambiguïté des règles du jeu expérimental, Gigerenzer et Goldstein s’assuraient que la seule capacité mesurée était l’aptitude mathématique computationnelle des sujets à synthétiser les informations distributionnelles et diagnostiques.

4.2 Introduction de la condition fréquentiste pure

L’innovation expérimentale la plus décisive fut l’instauration d’une condition fréquentiste pure, articulée autour de représentations en arbres fréquentiels simples (frequency trees). Pour rendre transparent le mécanisme d’inférence statistique, Gigerenzer structura les stimuli de sorte que le dénominateur de l’échantillon ne soit jamais fracturé par des pourcentages emboîtés d’ordres différents. Alors qu’un problème classique juxtapose un taux de base de 1 %, une sensibilité de test de 80 % et un taux de faux positifs de 9,6 % — forçant le cerveau à jongler entre des bases de calcul incohérentes —, l’arbre fréquentiel présente une décomposition directe et transparente :

• « Considérez un groupe de 1 000 individus. »
• « Sur ces 1 000 individus, 10 ont la condition médicale $X$, et 990 ne l’ont pas. »
• « Parmi les 10 individus qui ont la condition $X$, 8 obtiendront un test positif. »
• « Parmi les 990 individus sains, 99 obtiendront également un test positif. »
• « Question : Combien d’individus obtenant un test positif ont réellement la condition $X$ ? »

Dans ce dispositif expérimental, la suppression de l’obligation de normalisation mathématique opère une transmutation cognitive radicale. Le participant n’est plus sommé de deviner comment combiner des grandeurs abstraites via l’algèbre des fractions rationnelles. Les chiffres nécessaires pour résoudre le problème sont déjà pré-segmentés et alignés sur les contours naturels de l’expérience statistique brute. Les expérimentateurs mesurèrent simultanément les temps de traitement cognitif et la charge mentale subjective via des échelles psychométriques validées de type NASA-TLX. Les résultats préliminaires confirmèrent une chute drastique du temps d’inhibition et une réduction massive de l’effort computationnel subjectif dans la condition fréquentiste comparée à la condition en probabilités standards.

4.3 Profils des participants et standardisation des mesures

Afin de parer à toute critique relative à un éventuel biais de sélection d’échantillon, Gigerenzer et Goldstein ont administré ces protocoles comparatifs à une population large, diversifiée et rigoureusement stratifiée. Les cohortes expérimentales comprenaient non seulement des étudiants de premier cycle universitaire en psychologie ou en sciences humaines — public classiquement ciblé par les recherches de Kahneman et Tversky —, mais également des professionnels en exercice confrontés quotidiennement à la prise de décision sous incertitude : des médecins hospitaliers, des magistrats, des officiers de police judiciaire, ainsi que des étudiants avancés en mathématiques et en statistiques appliquées.

Le niveau antérieur de compétence mathématique formelle et de familiarité avec le calcul des probabilités conditionnelles fut évalué en amont via un questionnaire standardisé d’aptitude statistique, permettant d’isoler l’effet propre du format d’information en éliminant les facteurs confondants d’expertise académique. De plus, les critères d’évaluation de la performance bayésienne furent formalisés selon des règles rigoureuses :

• Performance bayésienne exacte : le sujet fournit le ratio mathématiquement parfait dérivé des données (par exemple $8 / (8 + 99) = 8 / 107$).
• Performance bayésienne approchée : le sujet produit une estimation comprise dans un intervalle de confiance strict de $\pm 5,%$ autour de la valeur bayésienne réelle, attestant de la prise en compte intégrale du taux de base combiné à la vraisemblance.
• Erreur de représentativité : le sujet répond exclusivement en fonction du taux de sensibilité du test ou de la similarité du stéréotype (par exemple $80,%$, en ignorant totalement la base de 99 faux positifs).

Cette standardisation métrique sans précédent offrait un socle empirique inattaquable pour jauger la validité universelle de l’affirmation de Tversky selon laquelle la négligence du taux de base serait une composante inamovible du cerveau humain.

5. Résultats expérimentaux : La disparition du biais de négligence

5.1 Amélioration spectaculaire des performances de raisonnement

Les conclusions quantitatives issues des séries expérimentales conduites par Gigerenzer, Goldstein et leurs collaborateurs ont suscité une onde de choc au sein de la communauté des sciences du comportement. Lorsque les problèmes de jugement étaient formulés selon le canon probabiliste traditionnel de Tversky et Kahneman, les données ont confirmé le constat historique : un taux effroyablement bas de réponses bayésiennes correctes, oscillant invariablement entre 10 % et 20 % selon les groupes d’âge et de formation, la quasi-totalité des participants succombant à la négligence flagrante des probabilités a priori au profit de jugements stéréotypiques ou d’estimations indexées exclusivement sur la sensibilité du signal.

En revanche, dès lors que les mêmes problèmes statistiques étaient transcrits dans le format des fréquences naturelles, l’effet expérimental fut spectaculaire : la proportion de participants produisant la réponse bayésienne exacte s’est envolée pour atteindre des niveaux compris entre 50 % et près de 80 %, sans qu’aucun entraînement préalable ni aucun cours de rattrapage en logique formelle n’ait été dispensé. Dans une étude devenue célèbre menée auprès de médecins généralistes évaluant la valeur prédictive d’un test de dépistage, le taux de raisonnement bayésien correct est passé de 8 % sous le format des pourcentages à 46 % sous le format fréquentiste, et même à 75 % lorsque des arbres visuels accompagnaient le texte descriptif.

Ces données établirent de manière irréfutable que la négligence du taux de base n’est pas un déficit cognitif indélébile gravé dans l’architecture neuronale de notre espèce. Dès que l’on restaure l’isomorphisme entre la structure de la tâche et les capacités de traitement écologique du système cognitif, le prétendu biais s’évapore en grande partie. Des réplications indépendantes menées à travers le monde par des équipes concurrentes ont systématiquement validé cette robustesse phénoménologique : la manipulation du format d’information reste à ce jour l’intervention expérimentale la plus puissante jamais découverte pour éradiquer l’illusion de négligence du taux de base.

5.2 L’impact direct de la transparence algorithmique de l’information

L’explication fondamentale de ce saut qualitatif de performance tient à ce que Gigerenzer nomme la transparence algorithmique de l’information. Sous le format standard des probabilités et pourcentages, la résolution d’une inférence bayésienne contraint la mémoire de travail de l’opérateur humain à déployer une cascade d’opérations de haute intensité computationnelle : multiplication de probabilités disjointes, calcul du dénominateur marginal intégrant les faux positifs et inversion conceptuelle de la relation conditionnelle entre $P(D|H)$ et $P(H|D)$. La formule de Bayes impose une acrobatie mathématique consistant à ramener différentes bases d’échantillonnage à une échelle unitaire normalisée comprise entre 0 et 1, opération hautement vulnérable aux interférences mémorielles et aux erreurs de calcul arithmétique.

Sous le format des fréquences naturelles, cette complexité computationnelle s’effondre d’un coup. Le calcul bayésien se réduit à une opération élémentaire de comptage à la portée d’un enfant :

$$\text{Probabilité recherchée} = \frac{\text{Nombre de vrais positifs}}{\text{Nombre de vrais positifs} + \text{Nombre de faux positifs}} = \frac{a}{a + b}$$

Le sujet n’a plus besoin de multiplier la sensibilité par le taux de base, ni de calculer la probabilité complémentaire des faux négatifs ou des personnes saines : l’information distributionnelle du taux de base a déjà été automatiquement absorbée et encodée dans la magnitude brute des sous-populations $a$ et $b$. En éliminant le besoin de normalisation et d’inversion des probabilités conditionnelles, le format fréquentiste rend l’algorithme computationnel immédiatement transparent. L’intelligence humaine n’a pas subitement changé de nature ; elle a simplement été branchée sur un protocole représentationnel qui externalise et simplifie le travail algébrique, permettant aux mécanismes de classification naturelle de fonctionner à plein régime.

5.3 Analyse détaillée des schémas d’erreur résiduels

Malgré cette spectaculaire résorption du biais, une proportion minoritaire de participants continuait d’échouer dans les conditions en fréquences naturelles. L’analyse fine de ces échecs résiduels a permis à Gigerenzer et Goldstein d’affiner encore leur diagnostic épistémologique. Contrairement aux affirmations des tenants du paradigme des biais cognitifs, qui voyaient dans toute déviation la signature d’un raisonnement intrinsèquement fallacieux gouverné par la représentativité, les données qualitatives révélèrent que les erreurs résiduelles relevaient de contraintes computationnelles prosaïques et non d’une faillite conceptuelle structurelle.

La première cause d’erreur résiduelle identifiée réside dans les limites intrinsèques de la mémoire de travail lorsque les nombres absolus manipulés deviennent excessivement volumineux ou arithmétiquement encombrants (par exemple, calculer le ratio mental de $17 / (17 + 843)$ sans crayon ni papier). Lorsque les individus étaient confrontés à des fractions non réductibles intuitivement, une fraction substantielle des sujets déclarait des approximations imprécises en raison de la fatigue cognitive ou recourait à des stratégies de simplification par arrondi grossier.

La seconde cause concernait la confusion sémantique des ensembles : certains participants isolaient correctement le numérateur (les vrais positifs) mais sélectionnaient par inadvertance la population globale totale comme dénominateur ($a / N$ au lieu de $a / (a + b)$), commettant une erreur de délimitation de la sous-catégorie d’intérêt et non une omission du taux de base proprement dite. Cette distinction est cruciale : confondre deux catégories au sein d’un échantillon ne relève pas de la même pathologie cognitive que d’ignorer délibérément la rareté d’une maladie en se focalisant sur un stéréotype. Les travaux de Gigerenzer ont ainsi démontré que la compétence statistique élémentaire est bel et bien présente dans le répertoire cognitif ordinaire, mais que son expression demeure tributaire de l’accessibilité cognitive des représentations numériques.

6. La polémique scientifique : Le débat intellectuel avec Amos Tversky

6.1 Les contre-arguments formulés par Amos Tversky et ses partisans

La publication des travaux de Gerd Gigerenzer déstabilisa profondément l’édifice théorique érigé par le programme des heuristiques et biais. Amos Tversky, secondé par Daniel Kahneman, réagit vigoureusement à cette contestation directe de leurs conclusions historiques. Au cours d’une série de joutes intellectuelles mémorables publiées dans les plus grandes revues de psychologie au milieu des années 1990 — notamment dans la Psychological Review —, Tversky a défendu pied à pied la robustesse ontologique de la négligence du taux de base.

Le principal contre-argument formulé par Tversky et ses partisans consistait à affirmer que les fréquences naturelles ne constituent nullement une preuve de la rationalité bayésienne humaine, mais représentent simplement une béquille computationnelle externe (computational crutch). Selon leur interprétation, présenter des fréquences naturelles revient à pré-digérer la tâche mathématique en lieu et place du participant. Si l’être humain a impérativement besoin que l’on transforme un problème probabiliste en dénombrement arithmétique trivial pour parvenir à la solution, c’est précisément la preuve irréfutable, soutenaient-ils, que son intuition native est totalement incapable de traiter le concept authentique de probabilité.

Tversky insistait sur le fait que, dans la vie réelle moderne, les informations ne se présentent pas sous la forme ordonnée d’arbres fréquentiels soigneusement pré-échantillonnés. Un juge au tribunal, un analyste du renseignement ou un investisseur boursier est continuellement contraint d’évaluer la probabilité d’un événement unique non répétable (single-event probability) à partir d’indices disparates et de taux de base globaux formulés en pourcentages abstraits. Dans cette configuration singulière, maintenait Tversky, l’heuristique de représentativité reprend inévitablement ses droits, et le biais de négligence du taux de base ressurgit avec toute sa puissance dévastatrice, démontrant ainsi la persistance d’une irrationalité fondamentale dès que l’artifice fréquentiste est retiré.

6.2 La réplique épistémologique de Gerd Gigerenzer

La riposte de Gerd Gigerenzer à ces objections ne s’est pas fait attendre et s’est déployée sur le terrain de la rigueur épistémologique et de la philosophie des sciences. Gigerenzer a accusé le programme de recherche de Kahneman et Tversky de reposer sur des concepts théoriques mous, élastiques et fondamentalement infalsifiables au sens poppérien. Dans son célèbre article de 1996, « On Narrow Norms and Vague Heuristics », il a souligné que l’heuristique de représentativité, telle que définie par ses inventeurs, est incapable de prédire quantitativement le comportement humain a priori : elle ne sert qu’à fournir des explications narratives commodes a posteriori.

Selon Gigerenzer, affirmer qu’un participant fait appel à la « représentativité » lorsqu’il se focalise sur la description et qu’il ferait appel à une autre règle indéterminée lorsqu’il utilise les statistiques ne constitue pas une modélisation cognitive digne de ce nom. Il a exigé le remplacement de ces étiquettes verbales par des algorithmes précis spécifiant les étapes pas-à-pas de l’encodage de l’information, des règles de recherche mnésique, des conditions d’arrêt d’analyse et des fonctions de décision. C’est précisément ce que réalisent les modèles computationnels basés sur les fréquences naturelles.

De plus, Gigerenzer a rejeté avec vigueur l’argument de la « béquille computationnelle ». Pour lui, accuser le format fréquentiste d’être une béquille artificielle relève d’un contresens historique et phylogénétique total : c’est le pourcentage décimal — invention humaine vieille de seulement quelques siècles — qui constitue un format artificiel imposé à une machinerie cognitive qui a passé des millions d’années à traiter des fréquences concrètes au contact direct de la nature. Reprocher à l’esprit humain de mieux raisonner avec des fréquences naturelles qu’avec des probabilités singulières revient à reprocher à un œil humain de mieux voir la lumière visible que les rayons gamma, puis d’en conclure que la vision humaine est déficiente.

6.3 Points de divergence irréconciliables sur la nature de la rationalité

Cette polémique a rapidement mis au jour des divergences philosophiques irréconciliables quant à la nature même de la rationalité et de la définition épistémique de la probabilité. Au fondement de cette discorde réside le clivage historique entre l’école fréquentiste de Richard von Mises et l’orthodoxie bayésienne subjective d’un Bruno de Finetti ou d’un Leonard Savage.

Pour l’école bayésienne subjective adoptée implicitement par Kahneman et Tversky, la probabilité est une mesure cohérente du degré de croyance qu’un individu rationnel assigne à une proposition ou à un événement unique, qu’il s’agisse de la culpabilité d’un suspect ou de la météo de demain. Dès lors, toute violation de la cohérence interne de ces croyances mesurées par les axiomes probabilistes constitue une déviation irrationnelle. Pour l’école fréquentiste radicale dont s’inspire Gigerenzer, en revanche, la probabilité mathématique n’a rigoureusement aucun sens lorsqu’elle est appliquée à un événement singulier et non répétable. La probabilité n’est définie que comme la fréquence limite relative d’un événement au sein d’un collectif de référence indéfiniment répété :

$$P(E) = \lim_{n to \infty} \frac{n_E}{n}$$

Dans ce cadre conceptuel, demander à un individu d’estimer « la probabilité que Dick soit un ingénieur » (un individu spécifique, unique, qui est soit 100 % ingénieur, soit 100 % avocat, mais jamais une fraction des deux) est un non-sens sémantique. L’absence d’une réponse alignée sur un pourcentage a priori ne peut en aucun cas être décrétée irrationnelle, car aucune norme mathématique unique ne fait consensus parmi les théoriciens des fondements de la statistique pour imposer la rationalité d’une probabilité singulière subjective. Ce schisme intellectuel a révélé que la querelle empirique sur le taux de base masquait en réalité une guerre fondamentale d’axiomes épistémologiques sur ce que signifie « raisonner rationnellement ».

7. Modélisation cognitive : Des heuristiques descriptives aux algorithmes frugaux

7.1 L’architecture algorithmique proposée par Gigerenzer et Goldstein

Pour concrétiser leur rupture avec le paradigme des heuristiques et biais, Gerd Gigerenzer et Daniel Goldstein ont formalisé, au sein du groupe Center for Adaptive Behavior and Cognition (ABC), une famille de modèles de décision opérant sous rationalité écologique. Cette entreprise visait à prouver que le jugement humain en situation d’incertitude peut être modélisé non par des équations bayésiennes labyrinthiques ou des optimisations non linéaires irréalistes, mais par des architectures algorithmiques frugales respectant scrupuleusement les contraintes computationnelles de la cognition.

L’architecture générale de ces modèles repose sur trois règles de fonctionnement canoniques :

• Règle de recherche séquentielle ordonnée (search rule) : l’esprit n’analyse pas l’ensemble des données simultanément. Il explore les indices d’évaluation séquentiellement, les uns après les autres, en fonction de leur pouvoir de discrimination ou de leur validité écologique préétablie.
• Règle d’arrêt précoce (stopping rule) : la collecte et le traitement de l’information sont interrompus immédiatement dès que le premier indice discriminant est identifié, rendant superflue la prise en compte du reste des variables disponibles.
• Règle de décision univariée (decision rule) : le choix ou la classification s’effectue exclusivement sur la base de cet unique indice décisif, excluant toute pondération matricielle complexe entre avantages et inconvénients résiduels.

Cette approche substitue à l’hypothèse de l’intégration globale de l’information un traitement séquentiel discontinu fondé sur le principe de « décision par une seule bonne raison » (one-reason decision making). Ce cadre permet d’analyser l’usage ou l’abandon délibéré des taux de base non comme un dysfonctionnement cognitif, mais comme une conséquence logique de l’agencement algorithmique des indices de diagnostic.

7.2 L’heuristique « Take the Best » et son lien avec l’usage des taux de base

L’illustration la plus éclatante de cette modélisation algorithmique computationnelle est l’heuristique Take the Best (TTB), conçue et formalisée par Daniel Goldstein et Gerd Gigerenzer en 1996. Conçue initialement pour des tâches de choix binaire entre deux alternatives (par exemple, déterminer laquelle de deux villes d’Allemagne a la population la plus élevée), TTB s’applique parfaitement à la question du classement catégoriel de cas cliniques ou juridiques impliquant des taux de base.

Dans l’algorithme Take the Best, les indices diagnostiques sont préalablement ordonnés selon leur validité écologique $v_i$, définie par la probabilité conditionnelle qu’un choix soit correct étant donné que l’indice discrimine les deux options :

$$v_i = P(O_A > O_B mid \text{Indice } i \text{ discrimine } A \text{ et } B)$$

Si le taux de base possède une validité prédictive supérieure à celle des indices descriptifs disponibles, il est interrogé en premier lieu. Si sa magnitude permet de trancher avec un degré de certitude suffisant, la règle d’arrêt s’enclenche, et le décideur classe le cas en fonction de ce seul taux de base, ignorant totalement le reste des informations. À l’inverse, si un indice descriptif (par exemple, un profil comportemental extrêmement typique ou un biomarqueur pathologique lourd) possède une validité supérieure à celle du taux de base statistique ambiant, Take the Best consulte cet indice en premier. S’il discrimine le cas, la règle d’arrêt bloque instantanément toute recherche informationnelle ultérieure. Le taux de base n’est alors pas « négligé par stupidité » : il est écologiquement neutralisé parce que sa prise en compte marginale n’améliorerait pas la décision ou augmenterait le risque d’erreur d’ajustement computationnel.

Ce phénomène s’inscrit au cœur du principe contre-intuitif formalisé par Gigerenzer et Goldstein sous le nom de « moins, c’est plus » (less-is-more effect). Ils ont démontré mathématiquement qu’il existe des plages statistiques étendues dans lesquelles un décideur exploitant moins d’informations — en ignorant consciemment les taux de base secondaires au profit d’un indicateur clinique cardinal — atteint un niveau de précision prédictive supérieur à celui d’un modèle statistique intégrant l’ensemble des probabilités conditionnelles pondérées.

7.3 Validation informatique et simulations computationnelles

Pour asseoir la crédibilité scientifique de ces algorithmes face aux modèles de décision néoclassiques, Daniel Goldstein a piloté d’immenses séries de simulations informatiques par la méthode de Monte-Carlo, confrontant Take the Best à des méthodes d’optimisation réputées infaillibles, au premier rang desquelles la régression linéaire multiple et le calcul bayésien intégral.

Ces simulations ont analysé la précision des prédictions sur des dizaines de bases de données empiriques issues du monde réel (prédiction de la mortalité infantile, prix de l’immobilier, taux d’admission scolaire, diagnostic cardiologique). Les données étaient systématiquement scindées en deux sous-ensembles : une base d’apprentissage (fitting) et une base de test hors échantillon (cross-validation / prediction). Les résultats computationnels ont mis en déroute les attentes conventionnelles :

• Dans la phase d’apprentissage, les modèles statistiques complexes intégraient l’ensemble des prédicteurs et des taux de base, affichant un ajustement descriptif supérieur à celui des algorithmes frugaux.
• Mais lors de l’application des modèles à des données inédites (généralisation prédictive), l’heuristique Take the Best a régulièrement égalé ou surpassé la régression linéaire et les modèles bayésiens probabilistes complets.

Cette supériorité prédictive des algorithmes ignorant une partie des taux de base et des pondérations statistiques s’explique théoriquement par le dilemme biais-variance (bias-variance dilemma). Les modèles statistiques surparamétrés souffrent de surajustement (overfitting) : ils confondent le signal prédictif stable avec le bruit stochastique propre à l’échantillon d’apprentissage. En revanche, les heuristiques frugales, en raison de leur simplicité algorithmique et de leur arrêt précoce, font preuve d’une robustesse remarquable face au bruit environnemental. L’abandon de l’intégration exhaustive des taux de base par l’esprit humain apparaît dès lors non comme une tare de la rationalité, mais comme une barrière protectrice sophistiquée contre le surapprentissage statistique.

8. Facteurs contextuels et écologiques influençant l’utilisation du taux de base

8.1 La sémantique et le réalisme contextuel des stimuli

Au-delà de la formalisation algorithmique, les investigations empiriques menées dans le sillage des travaux de Gigerenzer et Goldstein ont documenté avec une grande précision les facteurs contextuels et écologiques qui déclenchent ou inhibent l’exploitation des taux de base par le cerveau humain. Le premier déterminant majeur concerne la charge de réalisme contextuel et la cohérence sémantique des tâches administrées. Dès que des problèmes statistiques sont extraits du laboratoire pour être ancrés dans des réalités professionnelles familières aux sujets testés, l’architecture du jugement se modifie substantiellement.

Dans des tâches décontextualisées mettant en scène des dés abstraits, des billes colorées ou des urnes virtuelles, les participants peinent à construire un modèle mental de la situation (situation model). Privés de repères physiques, ils deviennent particulièrement sensibles aux formulations textuelles et recourent à des heuristiques de surface mal calibrées. En revanche, lorsque les mêmes données statistiques sont intégrées dans une narration biologiquement ou socialement plausible — par exemple le pistage d’un gibier par un chasseur ou l’évaluation de la contagiosité d’une maladie infantile par une mère —, la plausibilité narrative structure immédiatement la distribution attendue des occurrences. Le taux de base n’est plus une donnée numérique morte que le sujet doit retenir artificiellement en mémoire de travail : il devient une propriété immanente du système écologique représenté.

De plus, la crédibilité de l’émetteur de l’information exerce une modulation critique. Si le taux de base provient d’une source jugée incertaine, manipulatrice ou non représentative de l’écosystème local, l’esprit humain a tendance à l’ignorer rationnellement pour privilégier l’observation directe du cas d’espèce, appliquant une saine méfiance statistique que les protocoles de laboratoire classiques codifiaient hâtivement sous le label d’« irrationalité cognitive ».

8.2 L’expertise du sujet et le domaine de décision

Un deuxième paramètre écologique fondamental réside dans le niveau d’expertise du décideur et les conditions d’apprentissage auxquelles il a été historiquement exposé. Gigerenzer et ses collaborateurs ont mis en exergue une divergence profonde entre deux modes d’apprentissage de l’information statistique : l’apprentissage par description (learning from description) et l’apprentissage par l’expérience directe (learning from experience).

Dans le monde académique et les protocoles de Kahneman et Tversky, l’information statistique est quasi systématiquement fournie sous forme de descriptions synthétiques préalables (textes, résumés chiffrés). Or, dans la pratique professionnelle réelle — qu’il s’agisse d’un urgentiste examinant des centaines de radiographies pulmonaires par an ou d’un mécanicien diagnostiquant des pannes de moteurs —, les experts n’acquièrent pas leurs connaissances statistiques à travers des fiches de probabilités abstraites. Ils apprennent par rétroaction séquentielle directe, cas par cas, construisant une intuition fréquentiste hautement calibrée de la prévalence réelle des pathologies au fil du temps.

Lorsqu’on évalue l’expertise dans un cadre expérimental respectant ce format d’apprentissage écologique par échantillonnage continu, la prétendue négligence du taux de base s’atténue considérablement chez les professionnels expérimentés. Un clinicien chevronné intègre spontanément la rareté d’une affection rare et exige des signes diagnostiques infiniment plus probants avant de poser une étiquette clinique lourde, démontrant que l’expertise authentique réconcilie l’intuition avec les taux de base, à condition que ces derniers aient été intégrés par expérience incarnée et non plaqués sous forme de pourcentages déconnectés de la pratique clinique.

8.3 La structure de causalité perçue

Le troisième facteur écologique capital influençant la prise en compte du taux de base est l’attribution d’un schéma de causalité direct entre la distribution statistique et le résultat individuel. Dans les travaux originaux d’Amos Tversky lui-même, amorcés à la fin des années 1970 avec son collaborateur Daniel Kahneman, ils avaient déjà été contraints de concéder une nuance majeure : l’humain intègre beaucoup plus aisément les taux de base lorsqu’ils peuvent être interprétés de manière causale.

Gigerenzer et d’autres chercheurs ont approfondi cette dimension en prouvant que la dichotomie entre information « causale » et « incidente » n’est pas un biais arbitraire de l’esprit, mais le reflet d’une adaptation statistique intelligente. Si l’on explique aux participants que dans une ville, 85 % des taxis sont verts et 15 % sont bleus, le taux de base est perçu comme une donnée purement fortuite ou incidente, n’ayant aucun lien causal avec la fiabilité de la vision d’un témoin oculaire dans la brume. En revanche, si l’on précise que les taxis verts sont impliqués dans 85 % des accidents parce que leur compagnie embauche des conducteurs non formés et recycle des véhicules vétustes, le taux de base acquiert une force causale immédiate. Dans cette configuration, les participants intègrent massivement cette statistique a priori dans leur équation décisionnelle pour déterminer la culpabilité du chauffeur incriminé.

Cette distinction met en lumière le fait que l’esprit humain n’a pas été calibré par l’évolution pour être une machine de corrélation passive dénuée de sens physique. L’architecture cognitive cherche avant tout à identifier des mécanismes génératifs et causaux dans le monde. Transformer une statistique incidente en information causalement intelligible désactive spontanément le filtre de négligence, réalignant l’inférence du sujet profane avec les prescriptions normatives bayésiennes.

9. Implications fondamentales pour le diagnostic médical

9.1 Le problème du dépistage et de la valeur prédictive positive

L’un des terrains d’application les plus cruciaux et les plus dramatiques des recherches menées par Gerd Gigerenzer sur la reformulation des taux de base concerne le diagnostic médical et l’épidémiologie clinique. Dans le domaine du dépistage de masse — qu’il s’agisse de la mammographie pour le cancer du sein, des tests sérologiques pour le VIH, ou des tests antigéniques lors d’épidémies virales —, la confusion cognitive entourant le taux de base engendre des erreurs cliniques aux conséquences humaines et éthiques dévastatrices.

Le nœud du drame réside dans l’incapacité chronique d’une majorité écrasante de praticiens de santé à distinguer la sensibilité d’un test diagnostique (la probabilité conditionnelle que le test soit positif sachant que le patient est malade, $P(T^+|M)$) de sa valeur prédictive positive (VPP : la probabilité conditionnelle que le patient soit effectivement malade sachant que son test est positif, $P(M|T^+)$). Lorsque les statistiques sont communiquées sous le format probabiliste standard classique, la quasi-totalité des médecins interrogés par Gigerenzer au cours de vastes enquêtes en Allemagne et aux États-Unis commettent l’inversion conditionnelle : informés qu’une maladie touche 1 femme sur 1 000 (taux de base de 0,1 %), que la mammographie a une sensibilité de 90 % et un taux de faux positifs de 9 %, la majorité des radiologues et gynécologues affirment sans sourciller à une patiente positive que son risque d’avoir un cancer invasif est d’environ 90 %.

Or, le calcul bayésien exact démontre que la valeur prédictive positive réelle dans ce cas clinique d’école n’est que d’environ 1 sur 101, soit à peine 1 % :

$$\text{VPP} = \frac{0,001 \times 0,90}{(0,001 \times 0,90) + (0,999 \times 0,09)} = \frac{0,0009}{0,0009 + 0,08991} \approx 0,0099 (0,99,%)$$

La confusion entre ces deux ordres de probabilités conduit quotidiennement des milliers de patientes parfaitement saines à traverser des dépressions sévères, des biopsies mutilantes et des chimiothérapies inutiles, uniquement parce que le corps médical demeure prisonnier de la négligence du taux de base induite par le format de communication en pourcentages abstraits.

9.2 L’intervention par les arbres décisionnels rapides et les fréquences

Face à cette tragédie de santé publique, Gerd Gigerenzer ne s’est pas contenté de dresser un constat clinique alarmant ; il a développé et déployé sur le terrain des outils d’intervention cognitive concrets inspirés de sa modélisation de la rationalité écologique. Le premier axe d’intervention a consisté à bannir les formats de probabilités relatives et conditionnelles des notices de tests biologiques et des logiciels d’aide à la décision pour leur substituer systématiquement le format des fréquences naturelles.

Dans les dossiers cliniques et les synthèses destinées aux praticiens, l’énoncé du problème de la mammographie est réécrit sous forme d’un dénombrement transparent :

• « Pensez à 1 000 femmes âgées de 40 ans sans symptômes. »
• « 1 d’entre elles a un cancer du sein, et elle recevra un test positif. »
• « Sur les 999 femmes restantes sans cancer, environ 90 recevront néanmoins un test faux positif. »
• « Bilan : Si une femme reçoit un test positif, elle fait partie des 91 femmes positives ($1 + 90$). Sa probabilité réelle d’avoir un cancer est donc de 1 sur 91 (environ 1 %). »

Parallèlement, Gigerenzer a introduit au sein des unités de soins intensifs hospitaliers et des services d’urgence cardiologique des « arbres de décision rapides et frugaux » (fast-and-frugal trees, FFTs). Conçus spécifiquement pour le tri médical d’urgence des patients présentant de violentes douleurs thoraciques, ces arbres n’exigent pas de compiler des dizaines de paramètres statistiques via des équations logistiques. Ils guident le médecin à travers deux ou trois questions séquentielles binaires hiérarchisées (présence d’une anomalie spécifique à l’électrocardiogramme, antécédent d’infarctus, intensité de la douleur à la palpation). Les évaluations cliniques indépendantes ont démontré que ces arbres frugaux, en intégrant organiquement les taux de base hospitaliers sans encombrer la mémoire de travail du praticien, sauvent plus de vies et réduisent plus efficacement les erreurs de triage que les logiciels d’intelligence artificielle clinique complexes reposant sur des régressions statistiques globales.

9.3 Éducation médicale et refonte de la formation statistique

La pérennisation de ces acquis a exigé un combat pédagogique pour refondre de fond en comble l’enseignement de la biostatistique dans les facultés de médecine à travers le monde. Constatant que des décennies de cours traditionnels fondés sur le calcul des probabilités théoriques, l’algèbre bayésienne formelle et les tests d’hypothèse de Neyman-Pearson n’avaient laissé aucune trace fonctionnelle chez les futurs médecins, Gigerenzer a milité pour l’instauration d’une véritable « littératie statistique » (statistical literacy) fondée sur la transparence de l’encodage fréquentiste.

À travers des initiatives pionnières comme la fondation du Harding Center for Risk Literacy à l’Institut Max Planck de Berlin (puis transféré à l’Université de Potsdam), Gigerenzer et son équipe ont conçu des fiches d’information sur les risques standardisées, intitulées Fact Boxes. Ces fiches présentent les bénéfices et les risques réels des interventions thérapeutiques et des programmes de dépistage en comparant systématiquement deux colonnes d’échantillons démographiques identiques (1 000 patients sous traitement vs. 1 000 patients sous placebo), exprimées exclusivement en fréquences naturelles et en nombres absolus d’événements.

Les études empiriques évaluant l’efficacité de ces réformes pédagogiques ont documenté un triomphe méthodologique : après une formation d’à peine deux heures focalisée sur la conversion des probabilités en arbres fréquentiels naturels, plus de 80 % des praticiens et des étudiants en médecine deviennent capables de calculer instantanément la valeur prédictive positive de n’importe quel test clinique et d’expliquer sans ambiguïté à leurs patients le sens réel de leurs résultats biologiques. Ce succès a prouvé que l’ignorance statistique du corps médical n’était pas le symptôme d’un déficit intellectuel irréversible, mais le résultat toxique d’un paradigme d’enseignement inadéquat obsédé par les formalismes mathématiques abstraits.

10. Répercussions en droit, criminalistique et politiques publiques

10.1 Le sophisme du procureur et le raisonnement juridique

Les défaillances de raisonnement liées à la négligence du taux de base ne se cantonnent pas aux salles d’hôpital ; elles frappent avec une égale violence les prétoires des cours d’assises et les tribunaux criminels, débouchant parfois sur des erreurs judiciaires dramatiques. Dans la théorie juridique et la preuve médico-légale, ce phénomène est formellement identifié sous l’appellation du « sophisme du procureur » (prosecutor’s fallacy). Ce sophisme consiste précisément à intervertir illégalement deux probabilités conditionnelles : la probabilité qu’une preuve matérielle corresponde au suspect sachant qu’il est innocent, et la probabilité que le suspect soit innocent sachant que la preuve matérielle lui correspond.

L’introduction des profils génétiques d’empreintes d’ADN au cours des années 1990 a amplifié cette distorsion cognitive de façon alarmante. Un expert de la police technique et scientifique peut légitimement déclarer à la barre d’un tribunal : « La probabilité qu’un individu pris au hasard dans la population générale présente une correspondance génétique avec l’échantillon d’ADN prélevé sur la scène de crime n’est que de 1 sur 1 million ». Confrontés à ce chiffre microscopique, magistrats et jurés profanes commettent quasi invariablement le biais de négligence du taux de base : ils déduisent immédiatement que la probabilité d’innocence de l’accusé n’est que de 1 sur 1 million, ce qui équivaut à proclamer sa culpabilité à 99,9999 %.

Gerd Gigerenzer et Daniel Goldstein ont démontré que cette inférence juridique est mathématiquement fausse dès lors que l’on intègre le taux de base de la population source. Si le crime a été commis dans une métropole comptant 10 millions d’habitants masculins susceptibles d’être présents sur les lieux, un taux d’erreur de 1 sur 1 million implique mathématiquement qu’il existe environ 10 personnes innocentes dans cette même ville partageant fortuitement le profil génétique identifié. Si l’accusé a été appréhendé non pas sur la base de mobiles ou d’indices matériels convergents, mais uniquement à la suite d’un balayage automatisé des banques de données génétiques nationales, la probabilité a priori qu’il soit coupable sachant cette seule correspondance génétique n’est en réalité que de 1 sur 11 (environ 9 %), laissant subsister un doute raisonnable massif de 91 % quant à son innocence. L’adoption des formats en fréquences naturelles au sein des expertises judiciaires représente aujourd’hui une exigence déontologique majeure pour immuniser les jurys populaires contre les illusions probabilistes d’accusateurs zélés.

10.2 Communication des risques et politiques publiques

L’impact des travaux de Gigerenzer et Goldstein s’étend avec la même force structurante à l’élaboration et à la diffusion des politiques publiques, tout particulièrement dans le secteur de la communication des risques sanitaires, technologiques et environnementaux. Les agences gouvernementales, les médias de masse et l’industrie pharmaceutique recourent massivement à des formats de présentation mathématique conçus pour impressionner ou désinformer le grand public, au premier rang desquels figure l’expression des données en termes de risque relatif (relative risk reduction) au détriment du risque absolu (absolute risk reduction).

Gigerenzer a immortalisé cette manipulation cognitive à travers l’exemple de la « crise de la pilule contraceptive de troisième génération » survenue au Royaume-Uni en 1995. Le Comité britannique sur la sécurité des médicaments avait alerté le public par une déclaration anxiogène affirmant que les nouvelles pilules doublaient le risque de thromboembolie veineuse fatale, soit une terrifiante augmentation de 100 % en risque relatif. Cette annonce déclencha une panique sociale nationale, poussant des dizaines de milliers de femmes à interrompre brutalement leur contraception sans avis médical, ce qui entraîna immédiatement une augmentation historique de grossesses non désirées et de près de 13 000 avortements supplémentaires, accompagnés de complications médicales et de décès post-opératoires bien supérieurs au risque statistique initialement visé.

Or, la traduction de ce même phénomène en fréquences naturelles absolues dissipe immédiatement toute sensation de crise :

• « Chez les femmes prenant l’ancienne pilule, 1 femme sur 7 000 développait une thrombose veineuse. »
• « Chez les femmes prenant la nouvelle pilule, ce nombre passait à 2 femmes sur 7 000. »

L’augmentation absolue réelle n’était donc que de 1 sur 7 000 (environ 0,014 %). L’esprit humain est structurellement incapable d’appréhender le sens d’un pourcentage d’accroissement relatif s’il est privé de la connaissance du taux de base absolu auquel ce pourcentage s’applique. En dissimulant délibérément ou par ignorance les taux de base réels derrière des taux relatifs spectaculaires, la communication publique détruit le consentement éclairé des citoyens et génère des vagues d’hystérie collective irrationnelles.

10.3 Architecture du choix et nudge écologique

La réflexion menée par Gigerenzer et Goldstein a conduit à un affrontement intellectuel direct avec le courant dominant de l’architecture du choix et la théorie du Nudge, popularisée par l’économiste Richard Thaler et le juriste Cass Sunstein. La théorie du Nudge, profondément ancrée dans l’orthodoxie des biais et de l’irrationalité cognitive de Tversky et Kahneman, part du principe que l’esprit du citoyen ordinaire est structurellement défaillant, aveugle aux taux de base et irrémédiablement gouverné par l’inertie et les illusions mentales. Dès lors, le « paternalisme libertarien » des nudges préconise de contourner les défaillances cognitives de l’individu en modifiant l’environnement de choix par défaut (par exemple, cocher automatiquement la case du don d’organes) pour le contraindre bienveillamment à prendre la « bonne » décision sans avoir à réfléchir.

Gigerenzer s’oppose frontalement à cette vision paternaliste et infantilisante de l’action publique. En s’appuyant sur ses données expérimentales, il a théorisé le concept concurrent de « boost » (renforcement des compétences cognitives). Pour l’école de la rationalité écologique, traiter les citoyens comme des êtres définitivement irrationnels qu’il conviendrait de manipuler subtilement à leur insu constitue une régression démocratique majeure. La véritable tâche des politiques publiques n’est pas d’ériger des nudges comportementaux paternalistes, mais de doter les citoyens d’outils de représentation transparents qui amplifient activement leurs capacités décisionnelles autonomes.

Un boost consiste à modifier le format informationnel de l’environnement — remplacer les probabilités relatives par des fréquences naturelles, substituer aux textes opaques des arbres décisionnels frugaux, enseigner la littératie statistique dès l’école primaire — afin de permettre à chacun de comprendre les risques réels et de poser un choix conscient et éclairé. L’émancipation citoyenne par la clarté algorithmique s’affirme ainsi comme l’antithèse humaniste de l’ingénierie comportementale technocratique.

11. Réévaluations contemporaines et reproductions expérimentales

11.1 La crise de reproductibilité en sciences comportementales

Au cours de la dernière décennie, la psychologie et les sciences du comportement ont traversé une profonde crise de reproductibilité (replication crisis), remettant en cause des pans entiers de la littérature expérimentale consacrée aux effets d’amorçage et aux biais cognitifs spectaculaires. Dans ce contexte de réexamen rigoureux, les protocoles fondateurs d’Amos Tversky d’une part, et les contre-expériences de Gerd Gigerenzer et Daniel Goldstein d’autre part, ont fait l’objet de campagnes de réplications massives et préenregistrées (Many Labs projects) à l’échelle internationale.

Les méta-analyses contemporaines ont confirmé de manière unanime la robustesse exceptionnelle de l’effet facilitateur des fréquences naturelles :

• Dans toutes les cultures universitaires testées (Europe de l’Ouest, Amérique du Nord, Asie orientale), la conversion de données probabilistes singulières en fréquences naturelles induit une amélioration massive, systématique et statistiquement significative du raisonnement bayésien, le coefficient d’efficacité moyen (d de Cohen) dépassant régulièrement la valeur de 0,80.
• Ces réplications ont toutefois permis de délimiter avec une précision chirurgicale les conditions limites exactes de cet effet facilitateur. L’amélioration fréquentiste s’estompe ou s’effondre lorsque les fréquences présentées ne sont pas « naturelles » au sens strict (c’est-à-dire lorsqu’elles sont artificiellement normalisées à des sous-échantillons discordants, forçant à nouveau le sujet à des conversions matricielles internes).
• Elle s’atténue également lorsque les instructions de dénombrement sont noyées au sein de textes excessivement volumineux qui saturent les capacités de la mémoire visuo-spatiale des participants profanes.

Loin de disqualifier les conclusions de Gigerenzer et Goldstein, ces méta-analyses ont achevé de sanctuariser la validité de leur découverte computationnelle centrale : l’encodage fréquentiste naturel est une clé universelle de déverrouillage de la compétence bayésienne humaine.

11.2 Les modèles computationnels contemporains de la cognition

L’essor fulgurant des neurosciences computationnelles et de l’intelligence artificielle au XXIe siècle a profondément renouvelé la théorisation du débat entre Kahneman-Tversky et Gigerenzer-Goldstein. Les développements contemporains de l’approche du « cerveau bayésien » (Bayesian brain hypothesis), portée notamment par des théoriciens comme Karl Friston et son principe de l’énergie libre (free energy principle), convergent de façon fascinante avec les intuitions de la rationalité écologique.

Selon ces modélisations contemporaines, le cerveau biologique fonctionne effectivement comme une machine prédictive bayésienne hiérarchique : les réseaux neuronaux génèrent continuellement des attentes descendantes (top-down) comparées aux flux sensoriels ascendants (bottom-up) pour minimiser l’erreur de prédiction. Or, comment cette machinerie computationnelle biologique traite-t-elle l’incertitude dans ses couches synaptiques profondes ? Elle ne manipule jamais de pourcentages symboliques ou de fractions décimales abstraites. Elle traite des décharges de potentiels d’action discrets (spikes) distribués à travers le temps : une machinerie fondamentalement fréquentiste basée sur des dénombrements d’impulsions neuronales.

Les modèles récents de réseaux neuronaux artificiels profonds et de traitement hiérarchique ont prouvé que l’implémentation d’algorithmes bayésiens au sein d’architectures matérielles contraintes en ressources énergétiques passe impérativement par des représentations probabilistes non normalisées, calquées sur les propriétés mathématiques des fréquences naturelles. La neuro-imagerie fonctionnelle moderne a ainsi révélé que la controverse initiée par Gigerenzer sur le taux de base préfigurait avec trente ans d’avance les lois physiques de l’ingénierie computationnelle du cerveau : l’esprit humain est bayésien dans sa biologie fréquentiste, mais demeure désemparé face aux artifices symboliques de l’arithmétique normalisée.

11.3 Évolution du consensus scientifique moderne

Après un demi-siècle de débats acharnés et de controverses doctrinales passionnées, le paysage intellectuel de la psychologie cognitive moderne a évolué vers une synthèse dialectique remarquable, où les postulats radicaux des deux camps se sont mutuellement enrichis et tempérés. Le temps des anathèmes réducteurs opposant une « irrationalité universelle » à une « rationalité adaptative sans faille » est désormais révolu.

La communauté académique contemporaine s’accorde aujourd’hui sur un consensus théorique dual et articulé :

• D’une part, les travaux pionniers d’Amos Tversky et Daniel Kahneman sont universellement célébrés pour avoir cartographié avec une créativité inégalée la vulnérabilité intrinsèque du jugement intuitif immédiat lorsque celui-ci opère dans des environnements informationnels modernes hostiles, décontextualisés, saturés d’artifices probabilistes et de manipulations médiatiques.
• D’autre part, la rupture théorique orchestrée par Gerd Gigerenzer et Daniel Goldstein a été pleinement intégrée dans les manuels de référence, imposant l’obligation méthodologique de ne plus jamais imputer une mauvaise performance humaine à une « défaillance native du cerveau » sans avoir au préalable testé si cette défaillance ne découle pas simplement de l’inadéquation écologique du format informationnel imposé à l’esprit.

Cette convergence historique a permis de dépasser l’impasse épistémologique : les heuristiques de jugement rapide coexistent légitimement avec des capacités d’inférence bayésienne sophistiquées, la frontière entre lucidité statistique et illusion cognitive étant déterminée par la symbiose structurelle qui unit l’architecture de notre boîte à outils mentale aux niches écologiques dans lesquelles nous évoluons.

12. Conclusion et perspectives futures sur l’étude du raisonnement humain

12.1 Synthèse de l’apport historique de Gerd Gigerenzer et Daniel Goldstein

Le réexamen critique de l’expérience de la négligence du taux de base par Gerd Gigerenzer et Daniel Goldstein restera sans conteste comme l’une des contributions épistémologiques et méthodologiques les plus influentes de la psychologie contemporaine. En s’attaquant avec une audace intellectuelle rare aux dogmes établis par les pères fondateurs de l’économie comportementale, ils ont opéré une salutaire réhabilitation de l’intelligence statistique ordinaire de l’être humain.

Leur travail a démontré méthodologiquement que le protocole classique de l’avocat et de l’ingénieur conçu par Amos Tversky mesurait moins une pathologie structurelle du cerveau qu’une collision linguistique et cognitive entre les conventions d’une énigme scolaire de laboratoire et les maximes conversationnelles de la communication réelle. En introduisant le concept fondamental de fréquences naturelles et en modélisant des algorithmes de décision frugaux ancrés dans la rationalité écologique, Gigerenzer et Goldstein ont déplacé le centre de gravité de la science de la décision. La question fondamentale des sciences cognitives s’est ainsi trouvée métamorphosée : il ne s’agit plus de demander avec condescendance « l’être humain est-il irrationnel ? », mais d’élucider avec rigueur « quelles architectures environnementales et quels formats de représentation permettent au système cognitif humain d’exprimer pleinement son potentiel rationnel ? ».

12.2 L’héritage durable d’Amos Tversky à travers la controverse

Il serait toutefois d’une souveraine injustice épistémologique de percevoir la controverse du taux de base comme une simple disqualification de l’œuvre d’Amos Tversky, dont la disparition prématurée en 1996 priva la psychologie mondiale de l’un de ses esprits les plus géniaux et les plus élégants. L’histoire des révolutions scientifiques enseigne que les débats les plus féroces ne naissent qu’au contact de propositions théoriques monumentales.

C’est précisément parce que les paradigmes initiaux de Tversky et Kahneman étaient dotés d’une puissance expérimentale et d’une audace conceptuelle extraordinaires qu’ils ont pu agir comme des catalyseurs indispensables pour l’avancement de la psychologie moderne. Sans la provocation intellectuelle initiale de la négligence du taux de base, l’édifice alternatif de la rationalité écologique, la boîte à outils adaptative et l’analyse computationnelle des fréquences naturelles n’auraient sans doute jamais vu le jour. La dispute intellectuelle entre Gigerenzer et Tversky est devenue un cas d’école matriciel enseigné dans les départements de philosophie des sciences du monde entier, illustrant à la perfection la tension créatrice fondamentale qui pousse la science à progresser par raffinements dialectiques successifs.

Amos Tversky a légué aux sciences de l’esprit une sensibilité inégalée à la poésie des paradoxes décisionnels et à la puissance prédictive des représentations géométriques de la pensée. Sa confrontation avec l’école fréquentiste de Berlin a finalement permis d’approfondir notre compréhension collective de la complexité intrinsèque avec laquelle l’esprit humain navigue à travers les brouillards de l’incertitude.

12.3 Frontières de recherche émergentes à l’ère du numérique

Alors que notre civilisation s’enfonce dans le XXIe siècle, la pertinence des découvertes de Gigerenzer et Goldstein sur les taux de base et les architectures de décision connaît une actualité brûlante et renouvelée sous l’impact de la révolution numérique, du Big Data et du déploiement massif de l’intelligence artificielle générative.

Désormais, les décisions critiques de notre époque — qu’il s’agisse de l’octroi de crédits bancaires par des algorithmes prédictifs, du dépistage automatisé de métastases par vision par ordinateur, du diagnostic prédictif de la récidive pénale dans le système judiciaire américain, ou de la surveillance épidémiologique automatisée — sont déléguées à des modèles de réseaux de neurones profonds opaques (black-box AI). Ces systèmes traitent des milliards de points de données sans rendre transparents les taux de base sous-jacents sur lesquels reposent leurs classifications probabilistes. L’humanité se retrouve paradoxalement confrontée à une menace inverse : celle d’une négligence algorithmique des taux de base masquée sous le vernis de l’infaillibilité technologique.

Face à ce péril contemporain, l’impératif d’une littératie statistique universelle forgée aux méthodes de transparence fréquentiste de Gigerenzer s’impose comme une condition de survie démocratique. Les décideurs humains, les magistrats et les médecins ne doivent pas devenir les exécutants aveugles de probabilités algorithmiques impénétrables. La quête scientifique initiée il y a plus de trois décennies se poursuit donc sur une nouvelle frontière : celle de l’ingénierie d’une symbiose optimale entre l’intelligence computationnelle des machines et la rationalité écologique de l’esprit humain, garantissant que la décision finale demeure intelligible, transparente, et résolument ancrée dans les fréquences naturelles de l’expérience humaine.

Références

• Gigerenzer, G. (1991). How to make cognitive illusions disappear: Beyond “heuristics and biases”. European Review of Social Psychology, 2(1), 83–115. https://doi.org/10.1080/14792779143000033
• Gigerenzer, G. (1996). On narrow norms and vague heuristics: A reply to Kahneman and Tversky. Psychological Review, 103(3), 592–596. https://doi.org/10.1037/0033-295X.103.3.592
• Gigerenzer, G. (2002). Calculated risks: How to know when numbers deceive you. Simon and Schuster.
• Gigerenzer, G., & Goldstein, D. G. (1996). Reasoning the fast and frugal way: Models of bounded rationality. Psychological Review, 103(4), 650–669. https://doi.org/10.1037/0033-295X.103.4.650
• Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684–704. https://doi.org/10.1037/0033-295X.102.4.684
• Gigerenzer, G., Todd, P. M., & the ABC Research Group. (1999). Simple heuristics that make us smart. Oxford University Press.
• Goldstein, D. G., & Gigerenzer, G. (2002). Models of ecological rationality: The recognition heuristic. Psychological Review, 109(1), 75–90. https://doi.org/10.1037/0033-295X.109.1.75
• Grice, H. P. (1975). Logic and conversation. In P. Cole & J. L. Morgan (Eds.), Syntax and semantics: Vol. 3. Speech acts (pp. 41–58). Academic Press.
• Hoffrage, U., Lindsey, S., Hertwig, R., & Gigerenzer, G. (2000). Communicating statistical information in medical practice. Science, 290(5500), 2261–2262. https://doi.org/10.1126/science.290.5500.2261
• Kahneman, D., & Tversky, A. (1973). On the psychology of prediction. Psychological Review, 80(4), 237–251. https://doi.org/10.1037/h0034747
• Kahneman, D., & Tversky, A. (1996). On the reality of cognitive illusions: A reply to Gigerenzer’s critique. Psychological Review, 103(3), 582–591. https://doi.org/10.1037/0033-295X.103.3.582
• Koehler, J. J. (1996). The base rate fallacy reconsidered: Descriptive, normative, and methodological challenges. Behavioral and Brain Sciences, 19(1), 1–19. https://doi.org/10.1017/S0140525X00041695
• Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review, 63(2), 129–138. https://doi.org/10.1037/h0042769
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124
• Tversky, A., & Kahneman, D. (1980). Causal schemas in judgments under uncertainty. In M. Fishbein (Ed.), Progress in social psychology (Vol. 1, pp. 49–72). Lawrence Erlbaum Associates.