Généralisation abusive
De Didaquest
Aller à la navigationAller à la rechercheThe printable version is no longer supported and may have rendering errors. Please update your browser bookmarks and please use the default browser print function instead.
- Faire des conclusions hâtives
- Tirer des conclusions à partir d'une approche très restreinte (nombre observations réduites)
- Avoir un avis sur des questions sans avoir toutes les informations nécessaires
- Faire trop vite appel à un Raisonnement causale linaire simple
- Utiliser un concept à la place d'autres concepts très voisin: Par exemple cela peut se produire lorsqu'il y a une primauté de l'origine d'un concept sur les autres. Et par conséquence l'introduction de cette notion dans le langue courant à renforcé cette généralisation abusive. (Voir exemple Blockchain - Hashgraph - Sidechain - Tangle
Eléments explicatifs
- Pendant longtemps, les scientifiques n'arrivaient pas totalement à expliquer l'origine de ces conclusions hâtives, des études récentes pourraient peut-être répondre ces interrogations. L'imagerie cérébrale a montré que nous tirons des conclusions, ou présumons connaître une situation précisément lorsque ce n'est pas le cas et que l'on est confronté à un certain degré d'incertitude.
- Ce phénomène, surnommé "apprentissage ponctuel" ("one-shot learning" dans le texte), signifie que l'on se passerait du procédé d'apprentissage graduel, qui nous permet de parvenir de façon logique à une connaissance, pour nous reposer sur une vision biaisée.
- Différents tests et IRM réalisés par les scientifiques du California Institute of Technology (Caltech), une université privée à Pasadena, auraient permis de montrer que plus une relation causale était marquée par l'incertitude et plus les humains seraient rapides à tirer des conclusions.
- Sang Wan Lee, un chercheur en post-doctorat en neurosciences à Caltech et auteur principal de l'article publié par la revue Plos Biology, énonce ainsi :
"Beaucoup supposaient que la nouveauté d'un stimulus était le facteur principal expliquant l'apprentissage ponctuel, mais notre modèle computationnel a permis de montrer que l'incertitude causale était plus importante.
Si vous n'êtes pas sûr, ou que vous manquez de preuves quant à l'influence d'une cause sur un évènement, vous serez plus prompt à les associer."