Negli ultimi mesi ci sentiamo tempestati da notizie negative. Tuttavia a ben guardare non mancano cose positive. È questione di bias della negatività. Ce ne parla Marco Menale.
“E che altro ci manca?”. È la frase più ripetuta del 2022. A due anni di pandemia con una nuova impennata dovuta ad Omicron 5 si è aggiunta la guerra. Poi è arrivata la siccità a mettere in ginocchio il nord-Italia con possibili razionamenti dell’acqua. E l’inflazione arrivata all’\(8\%\) in Italia e \(8,6\%\) nella zona euro. Senza dimenticare le cavallette in Sardegna (ne abbiamo parlato qui). Ma allora va tutto così male? Possibile che non ci sia nulla di positivo? Eppure, anche se sembra che tutto vada male, potrebbe essere che questo punto di vista sia causato da un bias: il bias della negatività (negativity bias o negativity effect, in inglese).
Il bias della negatività è una predisposizione di animali ed esseri umani a dare maggiore peso a eventi negativi rispetto alle controparti positive. C’è una forte componente evolutiva in questa predisposizione. Gli eventi negativi ci mettono in guardia rispetto ai pericoli per la nostra sopravvivenza. Paul Rozin e Edward Royzman professori di psicologia alla University of Pennsylvania hanno scritto il primo lavoro sistematico su questo bias nel 2001, “Negativity Bias, Negativity Dominance, and Contagion” in cui classificano come bias questa predisposizione, mostrando anche i dati di alcuni esperimenti e tracciando quattro modi con cui si manifesta, con l’influenza sulle nostre decisioni e sui nostri comportamenti.
Sono seguiti diversi articoli in cui si legge questo bias come la tendenza a sovrastimare la probabilità di un evento negativo e le conseguenze sulle nostre valutazioni (qui per i dettagli). Sia \(A\) un evento negativo, ad esempio “resto bloccato in ascensore”. Il bias della negatività determina una sovrastima di \(P(A)\), ossia la probabilità di questo evento negativo.
Vediamo l’impatto del bias della negatività dal punto di vista matematico. Consideriamo un secondo evento \(B\) “sono solo in ascensore”. Dalla formula di Bayes segue:
\[\displaystyle P(A|B)=P(B|A)\cdot \frac{P(A)}{P(B)}.\]
\(P(A)\) e \(P(B)\) sono le probabilità a-priori degli eventi \(A\) e \(B\). Mentre \(P(A|B)\) è la probabilità condizionata dell’evento \(A\) dato l’evento \(B\), in questo caso “la probabilità che resti bloccato l’ascensore se sono solo?”, e analogamente \(P(B|A)\): “la probabilità che sia solo se l’ascensore si blocca”. Il bias della negatività determina una sovrastima di \(P(A)\), da cui ne risulta una sovrastima anche per \(P(A|B)\). E questo può influenzare il nostro comportamento al punto di prendere l’ascensore solo in compagnia.
In diversi campi ci si occupa del bias delle negatività e delle sue conseguenze. Ad esempio succede per valutare il successo di alcune ideologie politiche oppure la reazione del pubblico alle notizie dei media. Proprio le notizie che mettono tanto alla prova questo bias negli ultimi due anni. Insomma, è indubbio che esistano eventi negativi, ma a volte, non riuscendo a porli in un contesto più ampio, rischiamo di non valutarne bene la reale portata.
Non capisco l’esempio. Non capisco come il teorema di Bayes possa spiegare l’influenza del bias di negatività sul comportamento.
Innanzitutto, a me vien da pensare che il guasto in ascensore sia indipendente dalla mia sola presenza: ovvero che A sia indipendente da B. In tal caso P(A|B)=P(A), a prescindere quindi dalla mia sola (unica) presenza.
Ma ammettiamo pure che il guasto dell’ascensore dipenda in qualche modo dall’essere soli o meno.
In tal caso posso scrivere, analogamente a quanto fatto nell’articolo: P(A|nonB)=P(nonB|A)P(A)/P(nonB), e la sovrastima di P(A) porta a una sovrastima di P(A|nonB), ovvero: c’è un rischio più grande che l’ascensore si guasti anche quando non sono solo!
Cioè: il teorema di Bayes non giustifica in alcun modo una modifica del mio comportamento (preferire la presenza di altre persone invece che andare da solo in ascensore).
Piuttosto, sono portato a non prendere l’ascensore! Ma non ho bisogno del teorema di Bayes per deciderlo!
Caro Marco,
ottimo articolo. Solo una cosa non mi è chiara, quando dici che dal fatto che p(A) è sovrastimato segue che p(A|B) è sovrastimato. A me non è chiaro perché sia così in quanto A compare anche in p(B|A). Forse intendevi dire che p(A) è sovrastimato a parità di p(B|A), cioè che la probabilità di essere da soli in caso di blocco dell’ascensore? Grazie mille!
Sì, si intende a parità di P(B|A). Grazie a te!