En bref. L’honnêteté intellectuelle ressemble à un trait de caractère. Dans la recherche sur la prévision, elle se comporte comme une compétence mesurable par un score. Dans le Good Judgment Project, une équipe de recherche qui a concouru dans un tournoi de prévision financé par le renseignement américain, les prévisionnistes les plus précis « procédaient à des mises à jour fréquentes et modestes », tandis que les moins compétents « avaient tendance à confirmer leurs jugements initiaux ou à opérer des révisions rares et importantes » (Atanasov et ses collègues, 2020, à partir de plus de 400 000 prévisions portant sur près de 500 questions). Le groupe d’élite, les superprévisionnistes, soumettait en moyenne 7,8 prévisions par question, contre 1,6 pour les équipes ordinaires et 1,4 pour les personnes prévoyant seules. Nous avons recalculé le tableau de précision publié : au cours de la dernière semaine avant la clôture des questions, le score de Brier des superprévisionnistes (0,07) était inférieur de 56 % à celui des équipes formées (0,16) et de 73 % à celui des individus non formés (0,26). Deux réserves honnêtes s’imposent. La mise à jour ne paie que lorsque les données sont informatives : dans une étude, les personnes les plus ouvertes d’esprit ont moins bien réussi face aux surprises. Et une réanalyse de 2024 soutient que les effets tant vantés de la formation et du travail en équipe diminuent ou disparaissent une fois contrôlés le moment des réponses et le choix des questions. La règle pratique survit aux deux réserves : engagez-vous sur un chiffre, dites à l’avance ce qui le ferait changer, et ajustez-le par petits pas à mesure que les données arrivent.
Pourquoi l’honnêteté intellectuelle est une variable de performance, pas une vertu
L’honnêteté intellectuelle est généralement présentée comme une question d’éthique : reconnaître ses erreurs parce que c’est juste. Ce cadrage la rend facultative, et les personnes occupées et ambitieuses ont tendance à considérer l’aveu d’erreur comme un coût pour leur crédibilité.
La littérature sur la prévision reformule la question. Si vous exprimez vos croyances sous forme de probabilités et que vous les évaluez au regard de ce qui se produit réellement, alors les habitudes que nous appelons honnêteté intellectuelle (remarquer les données contradictoires, réviser publiquement, ne pas s’accrocher à une première réponse) laissent une trace mesurable dans la précision. Elles cessent d’être une vertu que l’on affiche pour devenir un intrant que l’on peut suivre.
Trois ensembles de données étayent cette thèse, chacun avec une limite qu’il vaut la peine de connaître :
- La mise à jour des croyances dans la prévision réelle (Mellers et ses collègues, 2014 et 2015 ; Atanasov et ses collègues, 2020) : à quelle fréquence et dans quelle mesure les meilleurs prévisionnistes révisent.
- La pensée activement ouverte (Haran, Ritov et Mellers, 2013) : la disposition à rechercher l’information, y compris celle qui pourrait vous donner tort, et son effet sur la précision.
- L’humilité intellectuelle (Leary et ses collègues, 2017) : la mesure dans laquelle les gens reconnaissent que leurs croyances peuvent être fausses, et la façon dont cela influence leur jugement des arguments et des autres.
Voici la grille de lecture CEOtudent en une phrase. Le CEO assume une décision et s’engage sur une position. L’étudiant traite cette position comme un brouillon et continue de la réviser. La précision naît de la combinaison des deux.
Comment mesurer la précision : le score de Brier en termes simples
La recherche sur la prévision a besoin d’une règle de notation qui récompense l’honnêteté, et la référence est le score de Brier, proposé par Brier en 1950 dans la revue Monthly Weather Review et utilisé tout au long du Good Judgment Project. Dans la version employée par le projet, une prévision sur une question à réponse oui ou non est notée comme la somme des écarts au carré entre les probabilités données et ce qui s’est produit. Un score parfait vaut 0 et le pire score possible vaut 2.
Mellers et ses collègues en donnent un exemple chiffré. Supposons que vous annonciez 90 % de chances qu’un événement se produise. S’il se produit, votre score est (0,9 – 1)² + (0,1 – 0)² = 0,02. S’il ne se produit pas, votre score est (0,9 – 0)² + (0,1 – 1)² = 1,62. Se tromper avec assurance coûte 81 fois plus que ce que rapporte le fait d’avoir raison avec assurance. Les scores sont moyennés sur chaque jour où une question reste ouverte : une prévision laissée en l’état pendant des semaines continue donc d’alourdir votre erreur.
Deux propriétés comptent pour l’honnêteté intellectuelle. Premièrement, la règle est « propre » : la meilleure stratégie à long terme consiste à déclarer ce que vous croyez vraiment, sans exagérer votre confiance. Deuxièmement, comme le score est moyenné sur les jours, la mise à jour devient visible. Un prévisionniste qui a raison à la fin mais qui a refusé de bouger pendant la majeure partie de la vie de la question paie quand même chaque jour de retard.
Ce que font réellement les meilleurs prévisionnistes
Le Good Judgment Project a mené des expériences randomisées au sein du tournoi. En deuxième année, les 2 % les plus performants de la première année ont été réunis dans des équipes d’élite de superprévisionnistes. Le tableau publié de la précision par période est le point de départ le plus utile, car il montre la précision au début, au milieu et à la fin de chaque question.
Tableau 1. Scores de Brier moyens par période, deuxième année (données vérifiées de Mellers et ses collègues, 2014, tableau 1 ; plus bas est meilleur ; questions ouvertes au moins un mois)
| Condition | Première semaine | 2 semaines du milieu | Dernière semaine |
|---|---|---|---|
| Prévisionnistes individuels, sans formation | 0,46 | 0,39 | 0,26 |
| Prévisionnistes individuels, formation aux probabilités | 0,42 | 0,36 | 0,24 |
| Prévisionnistes en équipe, sans formation | 0,38 | 0,32 | 0,16 |
| Prévisionnistes en équipe, formation aux probabilités | 0,40 | 0,28 | 0,16 |
| Superprévisionnistes | 0,25 | 0,19 | 0,07 |
Le même article rend compte du niveau d’engagement de chaque groupe. Sur l’ensemble de la deuxième année, les participants ont fait en moyenne 1,8 prévision par question. Les prévisionnistes indépendants en ont fait 1,4, les équipes ordinaires 1,6 et les superprévisionnistes 7,8. Les auteurs qualifient l’engagement des superprévisionnistes d’« extraordinaire ». Les superprévisionnistes répondaient aussi à davantage de questions : 95 en moyenne, contre 61 pour les équipes ordinaires.
L’article donne également un exemple concret du coût d’une absence de mise à jour. Le calibrage était le plus mauvais pour les prévisions à 100 %, et les auteurs en désignent clairement la cause : « Le problème était un manque de mise à jour. » Les prévisions à 100 % faites durant les premiers 20 % de la vie d’une question ne se sont réalisées qu’environ 70 % du temps. Les mêmes prévisions faites durant les derniers 20 % des jours étaient justes environ 90 % du temps. Une certitude affichée tôt se comportait comme une supposition conservée trop longtemps.
L’article de suivi consacré aux superprévisionnistes (Mellers et ses collègues, 2015) a constaté qu’ils avaient maintenu une grande précision deux années de suite, « défiant les attentes de régression vers la moyenne ». Les auteurs retiennent quatre explications qui se renforcent mutuellement : les capacités et styles cognitifs, les compétences propres à la tâche, la motivation et l’engagement, et des environnements enrichis. Leur conclusion est que les superprévisionnistes sont « en partie découverts et en partie créés ». Cette seconde moitié est la raison pour laquelle le sujet concerne quiconque n’est pas déjà superprévisionniste.
Les petits pas battent les grands sauts : les données sur la mise à jour
Les données les plus directes sur la mise à jour proviennent d’Atanasov, Witkowski, Ungar, Mellers et Tetlock (2020). Ils ont utilisé quatre années de données du tournoi et distingué trois aspects de la mise à jour : la fréquence (la régularité des révisions), l’ampleur (la taille moyenne de chaque révision) et la propension à confirmer (la tendance à soumettre de nouveau la même prévision).
Leurs résultats, selon le résumé des auteurs eux-mêmes :
- Les prévisionnistes les plus précis procédaient à des mises à jour fréquentes et modestes.
- Les prévisionnistes peu compétents avaient tendance à confirmer leurs jugements initiaux ou à opérer des révisions rares et importantes.
- Ceux qui mettaient à jour fréquemment obtenaient de meilleurs scores en intelligence cristallisée et en ouverture d’esprit, accédaient à davantage d’informations et progressaient avec le temps.
- Ceux qui procédaient par petits incréments avaient des scores d’intelligence fluide plus élevés et tiraient leur avantage de leurs prévisions initiales.
- L’ampleur des mises à jour servait de médiateur à l’effet causal de la formation sur la précision.
- Des révisions fréquentes et modestes constituaient des « signaux fiables et valides de compétence ».
Deux points méritent d’être soulignés. D’abord, la fréquence et l’ampleur sont des habitudes différentes, aux origines différentes. Mettre à jour souvent traduit l’engagement et la collecte d’informations. Mettre à jour par petits pas traduit le fait de partir d’une estimation raisonnable, de sorte qu’aucune correction importante n’est nécessaire. Ensuite, les auteurs présentent les deux comme des signaux que les organisations peuvent utiliser pour repérer les personnes qui gèrent bien l’incertitude. Autrement dit, la manière dont quelqu’un change d’avis constitue en soi une preuve de la qualité de son jugement.
Un calcul : ce que coûtent l’ancrage, l’excès de confiance et la mise à jour incrémentale
Pour rendre le mécanisme concret, nous avons construit une illustration transparente. Elle utilise le même score de Brier à deux issues que le Good Judgment Project, moyenné sur les jours où une question est ouverte. La question dure 10 jours. Les éléments qui arrivent au fil de ces jours penchent de plus en plus vers le « oui ». Quatre prévisionnistes réagissent différemment. Tous les chiffres du tableau 2 sont illustratifs : ils montrent comment la règle de notation traite chaque comportement, et non la performance d’un prévisionniste réel.
Tableau 2. Quatre styles de mise à jour sur une question illustrative de 10 jours (calcul CEOtudent ; chiffres illustratifs ; score de Brier à deux issues moyenné sur les jours, 0 meilleur, 2 pire)
| Style | Trajectoire de la prévision | Mises à jour | Taille moyenne des mises à jour | Score si le « oui » se produit | Score en cas de surprise (« non ») | Score attendu* |
|---|---|---|---|---|---|---|
| Ancré | 30 % pendant les 10 jours | 0 | 0 point | 0,980 | 0,180 | 0,820 |
| Trop confiant | 95 % dès le jour 1, jamais révisé | 0 | 0 point | 0,005 | 1,805 | 0,545 |
| Grand saut tardif | 30 % pendant 7 jours, puis 90 % | 1 | 60 points | 0,692 | 0,612 | 0,676 |
| Incrémental | 30, 35, 42, 50, 57, 63, 70, 78, 85, 90 % | 9 | 6,7 points | 0,398 | 0,798 | 0,478 |
*Le score attendu suppose que la tendance des données s’avère juste 80 % du temps. Pour le prévisionniste trop confiant, dont l’avis est arrêté avant l’arrivée des données, nous supposons que la première impression est juste 70 % du temps, ce qui fait écho au constat de Mellers et ses collègues selon lequel les prévisions précoces à 100 % se réalisaient environ 70 % du temps. Les deux pourcentages sont des hypothèses illustratives.
Ce que montre le calcul :
- L’ancrage est l’habitude la plus coûteuse quand les choses changent. Le prévisionniste ancré est pénalisé chaque jour où le monde s’éloigne de sa position de départ.
- L’excès de confiance gagne gros ou perd de façon catastrophique. Un score de 0,005 en cas de réussite, de 1,805 en cas d’erreur. C’est l’asymétrie du score de Brier en action.
- Un grand saut tardif vaut mieux que pas de saut du tout, mais il paie chaque jour de retard qui le précède. C’est le schéma des « révisions rares et importantes » qu’Atanasov et ses collègues associent à une moindre compétence.
- La mise à jour incrémentale obtient le meilleur score attendu, mais elle n’est pas gratuite. Si les données induisent en erreur, le prévisionniste incrémental fait moins bien que l’ancré (0,798 contre 0,180). Mettre à jour revient à parier que les données sont informatives.
Ce quatrième point n’est pas une bizarrerie de notre exemple. Il concorde avec l’étude la plus rigoureuse sur l’ouverture d’esprit et la précision, présentée ci-dessous.
Les limites honnêtes : quand l’ouverture d’esprit se retourne contre vous, et la réanalyse
Haran, Ritov et Mellers (2013) ont testé quatre styles de pensée comme prédicteurs de la précision dans trois études : la pensée activement ouverte, le besoin de cognition, la persévérance (grit) et la tendance à maximiser. Seule la pensée activement ouverte prédisait la performance. Le mécanisme passait par l’information : les personnes plus ouvertes d’esprit recueillaient davantage d’informations avant d’estimer, et ce surplus d’information expliquait le gain de précision. Lorsque la quantité d’information disponible était maintenue constante (étude 2), l’ouverture d’esprit n’avait aucun effet sur la performance.
La troisième étude, qui demandait de prédire des résultats de football américain, apporte la réserve. Lorsque les résultats concordaient avec les informations d’avant-match, les esprits ouverts étaient plus précis. Lorsque le résultat était une surprise, une plus grande ouverture d’esprit allait de pair avec une performance moindre, parce que ces prévisionnistes avaient suivi l’information de plus près. Comme le disent les auteurs, lorsque l’information était trompeuse, les personnes très ouvertes d’esprit étaient « plus vulnérables aux informations non valides ». Leur conclusion est conditionnelle : tant que l’information est au moins un peu prédictive, la pensée ouverte devrait aider.
L’article du Good Judgment Project fournit son propre exemple. Sur une question portant sur un affrontement meurtrier en mer de Chine méridionale ou orientale, les meilleurs prévisionnistes sont partis d’environ 20 %, le taux de base, et ont abaissé leurs estimations au fil du temps. Puis un officier des garde-côtes sud-coréens a été tué par un pêcheur chinois. Les équipes formées ont obtenu un score de 1,44 sur cette question, moins bon que celui des prévisionnistes indépendants non formés (1,31).
La réserve la plus importante est méthodologique. Dans une réanalyse publiée dans Psychological Science, Hauenstein, Thomas, Illingworth et Dougherty (2024) ont modélisé les mêmes données du tournoi avec la théorie de la réponse à l’item, en contrôlant la difficulté des questions, le moment des prévisions et le choix des questions auxquelles les prévisionnistes répondaient. Selon leurs termes, les modèles les mieux ajustés ont « substantiellement éliminé, réduit et, dans certains cas, même inversé les effets » des manipulations d’équipe et de formation sur la capacité latente de prévision. Ils indiquent aussi que ces variables parasites peuvent distinguer les superprévisionnistes des autres, ce qui rend plus difficile de dire ce qui sous-tend leur performance.
Ce que cela change pour notre argumentation : la réanalyse conteste l’idée qu’un module de formation de 45 minutes ou l’appartenance à une équipe améliore causalement la prévision. Elle ne renverse pas le constat descriptif selon lequel les prévisionnistes les plus précis mettent à jour fréquemment et par petits pas. Le moment des réponses, l’une des variables contrôlées par la réanalyse, relève lui-même en partie du comportement de mise à jour. Mellers et ses collègues avaient indiqué en 2014 que la formation et le travail en équipe restaient significatifs après contrôle du moment et du nombre de prévisions. Les deux équipes divergent sur la méthode, et un lecteur attentif devrait tenir les affirmations causales sur la formation avec prudence.
L’humilité intellectuelle et la façon dont vous jugez ceux qui changent d’avis
L’honnêteté intellectuelle a aussi une dimension sociale. Leary et ses collègues (2017) ont élaboré une échelle d’humilité intellectuelle, définissant ce trait comme la mesure dans laquelle les gens reconnaissent que leurs croyances peuvent être fausses. Dans la première de quatre études, l’humilité intellectuelle était associée à l’ouverture, à la curiosité, à la tolérance à l’ambiguïté et à un faible dogmatisme. Les personnes à forte humilité intellectuelle étaient moins enclines à percevoir les responsables politiques qui changeaient d’attitude comme des « girouettes », et elles étaient plus sensibles à la solidité des arguments persuasifs que les personnes faiblement dotées de ce trait.
Cela compte pour les dirigeants. Si la culture que vous instaurez traite chaque révision comme un retournement de veste, vous poussez votre équipe vers les styles « ancré » et « grand saut tardif » du tableau 2. Si les révisions fondées sur des données sont considérées comme normales, vous rendez socialement acceptables les mises à jour modestes et fréquentes. Les données sur la prévision indiquent que c’est là que réside la précision. Pour savoir si votre propre première réponse tient pour de mauvaises raisons, consultez notre article sur le biais de la première conclusion et pourquoi l’on accepte la première réponse d’une IA.
Le protocole opérationnel de l’honnêteté intellectuelle
Données et cadre doivent rester distincts. Les résultats ci-dessus sont des données. Le protocole ci-dessous est notre synthèse éditoriale : une manière de transformer ces résultats en habitudes hebdomadaires. Chaque étape est reliée au résultat qui la motive et à la limite de ce résultat.
Tableau 3. Le protocole opérationnel de l’honnêteté intellectuelle (cadre éditorial CEOtudent, relié à des résultats vérifiés)
| Étape | Ce que vous faites | Résultat qui la motive | Limite à respecter |
|---|---|---|---|
| 1. S’engager sur un chiffre | Formulez vos croyances importantes en probabilités (« 65 % de chances que ce lancement atteigne l’objectif »), pas en adjectifs | Le score de Brier récompense les probabilités honnêtes et rend la précision mesurable (Mellers et ses collègues, 2014) | Un chiffre sans vérification ultérieure relève du théâtre ; l’étape 5 est obligatoire |
| 2. Décider à l’avance de ce qui vous ferait changer d’avis | Avant de décider, notez les deux ou trois observations qui feraient bouger votre chiffre de 10 points ou plus | Les certitudes précoces n’étaient justes qu’environ 70 % du temps ; « le problème était un manque de mise à jour » (Mellers et ses collègues, 2014) | Choisissez des signaux réellement prédictifs, pas seulement visibles |
| 3. Partir d’un taux de base | Ancrez la première estimation sur la fréquence à laquelle des situations similaires se produisent, puis ajustez | Ceux qui procédaient par petits incréments tiraient leur avantage de meilleures prévisions initiales (Atanasov et ses collègues, 2020) | Les taux de base peuvent induire en erreur si votre cas est atypique |
| 4. Mettre à jour souvent, par petits pas | Revoyez vos croyances actives selon un calendrier ; ajustez par pas proportionnés aux données, généralement de quelques points | Les prévisionnistes les plus précis procédaient à des mises à jour fréquentes et modestes ; les moins compétents confirmaient ou sautaient (Atanasov et ses collègues, 2020) | Mettre à jour revient à parier que les données sont informatives (Haran et ses collègues, 2013) |
| 5. Tenir un journal des erreurs et le noter | Consignez prévisions et résultats ; calculez un score de Brier simple chaque trimestre | Des révisions fréquentes et modestes étaient des « signaux fiables et valides de compétence » (Atanasov et ses collègues, 2020) | Peu de décisions par an produisent des scores bruités ; jugez les tendances, pas les résultats isolés |
| 6. Chercher l’information qui pourrait vous donner tort | Avant une décision importante, consacrez un temps délibéré aux contre-arguments les plus solides | Les esprits ouverts recueillaient davantage d’informations, ce qui expliquait leur précision (Haran et ses collègues, 2013) | Un surplus d’information n’aide que s’il est valide |
| 7. Rendre la révision socialement sûre | Saluez dans votre équipe les changements d’avis fondés sur des données ; ne les sanctionnez jamais comme des retournements de veste | Une forte humilité intellectuelle va de pair avec moins de jugements de type « girouette » et plus d’attention à la solidité des arguments (Leary et ses collègues, 2017) | Données corrélationnelles ; les effets sur la culture sont notre déduction |
Plusieurs outils de CEOtudent soutiennent des étapes précises. Pour l’étape 1, voir comment penser en paris. Pour l’étape 2, le guide des critères d’arrêt montre comment fixer des conditions à l’avance. Pour l’étape 5, le protocole du journal de décision vous fournit un modèle pour consigner vos prévisions et les réexaminer. Pour l’étape 6, un pré-mortem fait des contre-arguments une étape planifiée de la préparation.
Le CEO et l’étudiant
L’argument professionnel en faveur de l’honnêteté intellectuelle est simple dès lors que la précision est mesurable. Les personnes qui gèrent bien l’incertitude ont de la valeur, et Atanasov et ses collègues suggèrent que la manière dont quelqu’un met à jour ses prévisions est un signal fiable de cette compétence. Une organisation qui suit les prévisions peut voir qui révise par petits pas au bon moment et qui défend une première réponse jusqu’à ce que la réalité impose un saut.
Le versant CEO de la grille de lecture, c’est l’appropriation. Vous vous engagez sur un chiffre, vous le signez de votre nom et vous décidez. L’honnêteté intellectuelle ne signifie pas éviter l’engagement. Le prévisionniste ancré du tableau 2 s’est engagé, tout comme le trop confiant. La différence tient à ce qui se passe après l’engagement.
Le versant étudiant, c’est la révision. Vous traitez chaque position comme la version provisoire du moment, vous savez à l’avance ce qui la ferait changer, et vous la modifiez dans la juste mesure quand ces éléments arrivent. Les données suggèrent qu’il ne s’agit pas d’un arbitrage entre confiance et humilité. Les prévisionnistes les plus précis du Good Judgment Project faisaient les deux : ils s’engageaient sur des chiffres et continuaient de les ajuster.
Se tromper plus vite ne signifie pas se tromper plus souvent. Cela signifie s’en apercevoir plus tôt, tant que la correction reste petite et peu coûteuse.
FAQ
Qu’est-ce que l’honnêteté intellectuelle dans la prise de décision ?
Concrètement, c’est l’habitude de formuler ses croyances avec assez de précision pour qu’elles puissent être réfutées, de chercher les éléments susceptibles de les réfuter et de les réviser proportionnellement à ces éléments. La recherche sur la prévision rend cela mesurable en évaluant les jugements probabilistes au regard des résultats.
Les personnes qui changent souvent d’avis font-elles de meilleures prévisions ?
Dans les données du Good Judgment Project, oui, lorsque les changements sont fréquents et modestes. Atanasov et ses collègues (2020) ont constaté que les prévisionnistes les plus précis procédaient à des mises à jour fréquentes et modestes, tandis que les moins compétents confirmaient leurs premiers jugements ou opéraient des révisions rares et importantes. Les superprévisionnistes soumettaient en moyenne 7,8 prévisions par question, contre 1,6 pour les équipes ordinaires.
L’ouverture d’esprit est-elle toujours préférable ?
Non. Haran, Ritov et Mellers (2013) ont constaté que les personnes à pensée activement ouverte étaient plus précises parce qu’elles recueillaient davantage d’informations, mais qu’en cas de surprise, lorsque l’information pointait dans la mauvaise direction, une plus grande ouverture d’esprit allait de pair avec une performance moindre. La mise à jour aide lorsque les données sont au moins un peu prédictives.
La compétence de prévision peut-elle s’apprendre ?
Les résultats initiaux du Good Judgment Project indiquaient qu’un module de formation aux probabilités d’environ 45 minutes améliorait la précision, avec des bénéfices durables sur des saisons de prévision d’environ 8 à 10 mois chacune. Une réanalyse de 2024 menée par Hauenstein et ses collègues soutient que ces effets de la formation et du travail en équipe diminuent, disparaissent ou s’inversent une fois contrôlés le moment des réponses, le choix des questions et leur difficulté. La question causale est débattue. Le lien entre style de mise à jour et précision est mieux étayé.
Comment mesurer ma propre précision ?
Notez vos prévisions sous forme de probabilités, avec une date et une règle de résolution, puis évaluez-les. Pour une question oui ou non, dans la version à deux issues utilisée ici, le score est l’écart au carré sur le « oui » plus l’écart au carré sur le « non ». Annoncer 90 % pour un événement qui se produit donne 0,02, et annoncer 90 % pour un événement qui ne se produit pas donne 1,62. Faites la moyenne des scores sur un trimestre et suivez la tendance.
Sources
- Mellers, B., Ungar, L., Baron, J., Ramos, J., Gurcay, B., Fincher, K., Scott, S. E., Moore, D., Atanasov, P., Swift, S. A., Murray, T., Stone, E. et Tetlock, P. E. (2014). Psychological Strategies for Winning a Geopolitical Forecasting Tournament. Psychological Science, 25(5). Tableau 1 (scores de Brier par période), mesures d’engagement (prévisions par question), discussion du calibrage, exemple chiffré du score de Brier, exemple de la mer de Chine méridionale et orientale.
- Mellers, B., Stone, E., Murray, T., Minster, A., Rohrbaugh, N., Bishop, M., Chen, E., Baker, J., Hou, Y., Horowitz, M., Ungar, L. et Tetlock, P. (2015). Identifying and Cultivating Superforecasters as a Method of Improving Probabilistic Predictions. Perspectives on Psychological Science, 10(3), 267-281. Résumé : persistance de la précision des superprévisionnistes et quatre explications.
- Atanasov, P., Witkowski, J., Ungar, L., Mellers, B. et Tetlock, P. (2020). Small steps to accuracy: Incremental belief updaters are better forecasters. Organizational Behavior and Human Decision Processes, 160, 19-35. Résultats du résumé sur la fréquence, l’ampleur et la confirmation des mises à jour ; version de conférence présentée à la 21st ACM Conference on Economics and Computation (EC‘20) pour la description du jeu de données et les mesures de mise à jour.
- Haran, U., Ritov, I. et Mellers, B. A. (2013). The role of actively open-minded thinking in information acquisition, accuracy, and calibration. Judgment and Decision Making, 8(3), 188-201. Études 1 à 3, médiation par l’acquisition d’information, résultats en cas de surprise, discussion générale.
- Hauenstein, C., Thomas, R., Illingworth, D. et Dougherty, M. (2024, publication en ligne ; numéro imprimé de 2025). Rethinking the Role of Teams and Training in Geopolitical Forecasting: The Effect of Uncontrolled Method Variance on Statistical Conclusions. Psychological Science, 36(1), 3-18. Manuscrit accepté des auteurs : résumé et discussion.
- Leary, M. R., Diebels, K. J., Davisson, E. K., Jongman-Sereno, K. P., Isherwood, J. C., Raimi, K. T., Deffler, S. A. et Hoyle, R. H. (2017). Cognitive and Interpersonal Features of Intellectual Humility. Personality and Social Psychology Bulletin, 43(6), 793-813. Résumé : quatre études utilisant l’Intellectual Humility Scale.
Le tableau 1 reproduit des données publiées par Mellers et ses collègues (2014). Les comparaisons en pourcentage du texte (par exemple « inférieur de 56 % ») sont des calculs de CEOtudent à partir de ce tableau. Le tableau 2 est un calcul de CEOtudent avec des chiffres illustratifs. Le tableau 3 est un cadre éditorial de CEOtudent.
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
