Generalização precipitada: exemplos e como saber se uma amostra é suficiente

Ximena tem um pequeno café em San Antonio com a sua sócia, Anouk. Há duas semanas, acrescentaram à ementa um latte de aveia com cardamomo. No sábado, três clientes queixaram-se: era demasiado doce, demasiado intenso e «sabia a sabão». À hora de fechar, Ximena já tinha decidido. «As pessoas detestam-no. Na segunda-feira, sai da ementa.»

Anouk está a contar o dinheiro da caixa. «Quantos vendemos esta semana?»

Ximena consulta o registo. Cento e quarenta. Três queixas e cento e trinta e sete pessoas que o beberam sem dizer nada, incluindo algumas que voltaram a pedi-lo.

Ximena não inventou as queixas. Limitou-se a deixar que três cafés falassem por cento e quarenta. Isto é uma generalização precipitada, tão comum que nem parece um raciocínio. Parece apenas uma observação. Neste guia, explicamos o que é, porque é que as amostras pequenas enganam até os investigadores, como saber se há provas suficientes e o que dizer quando alguém faz uma grande afirmação com base num único caso.

O que é uma generalização precipitada?

Uma generalização precipitada é uma conclusão abrangente tirada de poucos casos ou de casos que não representam o grupo sobre o qual se conclui. «Conheci duas pessoas mal-educadas em Paris, logo os parisienses são mal-educados» é o exemplo clássico: uma amostra pequena, uma afirmação enorme.

Também se fala em generalização indevida, amostra insuficiente ou tirar conclusões precipitadas. Existe ainda a antiga expressão latina secundum quid. Quando todo o argumento assenta num único exemplo, por vezes chama-se prova por exemplo.

O padrão tem três partes:

1. Poucos casos: uma refeição má, duas contratações que correram mal, três queixas.
2. Um grupo grande: todos os restaurantes da cidade, todas as pessoas daquela escola, todos os seus clientes.
3. Um salto: aquilo que aconteceu com alguns é apresentado como verdade para todos.

É a falácia número 18 do nosso guia de falácias lógicas. Este artigo vai mais longe, porque o difícil não é perceber a definição. É saber quando uma amostra é demasiado pequena, já que toda a generalização parte de alguma amostra.

Exemplos de generalização precipitada

Provavelmente reconhecerá a maioria destes casos. A tabela mostra onde está o salto em cada um.

Em todas as linhas, a prova é real. Uma generalização precipitada raramente começa com um facto falso. Começa com um facto verdadeiro ao qual se pede que prove muito mais do que pode.

Porque é que as amostras pequenas enganam quase toda a gente

Não é um erro de principiantes. Em 1971, Amos Tversky e Daniel Kahneman publicaram na Psychological Bulletin um artigo curto com um título provocador: «Crença na Lei dos Pequenos Números». A verdadeira lei dos grandes números diz que as amostras grandes tendem a assemelhar-se à população de onde vêm. Tversky e Kahneman defenderam que as pessoas agem como se isso também fosse verdade para amostras pequenas. Os seus questionários mostraram que até psicólogos experientes confiavam demasiado em resultados obtidos com poucos casos.

Alguns anos depois, no artigo «Judgment under Uncertainty», publicado na Science em 1974, descreveram o que ficou conhecido como o problema dos hospitais:

Uma cidade tem dois hospitais. No maior nascem cerca de 45 bebés por dia e no mais pequeno, cerca de 15. Aproximadamente metade dos bebés são rapazes, mas a proporção varia de dia para dia. Durante um ano, cada hospital registou os dias em que mais de 60 por cento dos bebés nascidos eram rapazes. Qual dos hospitais registou mais dias assim?

A maioria dos participantes respondeu que os dois hospitais registariam aproximadamente o mesmo número de dias. Os restantes dividiram-se mais ou menos igualmente entre os dois. A resposta certa é o hospital mais pequeno. Com 15 nascimentos, é relativamente frequente haver um dia desequilibrado, com dez ou mais rapazes. Com 45 nascimentos, os bebés adicionais aproximam a proporção diária dos 50 por cento.

Esta é a ideia essencial por trás da falácia: as amostras pequenas oscilam mais, pelo que os números mais impressionantes vêm muitas vezes dos grupos mais pequenos.

Tanto os melhores como os piores são pequenos

Em Pensar, Depressa e Devagar, Kahneman descreve um estudo sobre as taxas de cancro do rim nos condados dos Estados Unidos. Os condados com as taxas mais baixas eram, na sua maioria, rurais e pouco povoados. Parece uma história sobre ar puro e alimentação saudável, até descobrirmos que os condados com as taxas mais altas também eram, na sua maioria, rurais e pouco povoados. As populações pequenas simplesmente apresentam oscilações maiores, nos dois sentidos.

O estatístico Howard Wainer contou uma história semelhante sobre escolas num artigo de 2007 da American Scientist, intitulado «The Most Dangerous Equation». As escolas pequenas surgiam entre as melhores com mais frequência do que seria de esperar. Isso ajudou a impulsionar uma iniciativa, apoiada por financiadores como a Fundação Gates, para dividir escolas grandes em escolas mais pequenas. Mas, quando Wainer e o seu colega Harris Zwerling analisaram as escolas da Pensilvânia, descobriram que as escolas pequenas também estavam sobrerrepresentadas entre as piores. Ser pequena não tornava uma escola melhor. Tornava a sua média mais variável.

Generalização precipitada, prova anedótica e conceitos semelhantes

Estes termos sobrepõem-se, mas as diferenças são importantes para responder bem a um argumento.

Quem faz uma generalização precipitada costuma ter apenas aqueles poucos casos. Quem seleciona dados a seu favor conhece o conjunto completo e escolhe os que lhe convêm. Ximena ainda não tinha consultado o registo de vendas. E a indução preguiçosa lembra-nos que a solução não é «nunca generalizar». Recusar aprender com um padrão claro também é um erro.

Quando poucos exemplos são suficientes

Nem todas as conclusões baseadas em poucos casos são precipitadas. Há situações em que uma amostra pequena pode ser útil.

• Um contraexemplo basta para refutar uma afirmação universal. Se alguém disser que «todos os cisnes são brancos», basta um cisne negro. Uma generalização precipitada passa de alguns casos para todos. Passar de um caso para «nem todos» é perfeitamente lógico.
• Os casos são muito semelhantes. Algumas amostras de um lote bem misturado dizem-nos bastante sobre esse lote. Os clientes habituais do seu café não são um lote bem misturado.
• O custo de errar é muito desigual. Se um cogumelo de uma zona o deixou doente, não precisa de experimentar mais cem. Agir com prudência perante provas limitadas é razoável. O erro é afirmar que essas provas dão uma certeza absoluta.
• Está a formular uma pergunta, não uma conclusão. «Duas pessoas contratadas naquele curso saíram cedo. Será que há algum problema?» é uma boa utilização de uma amostra pequena.

A distinção útil é entre uma hipótese e um veredito. Uma amostra pequena é um bom motivo para começar a investigar e um mau motivo para parar.

Quatro perguntas para testar qualquer generalização

Antes de aceitar uma afirmação abrangente, sua ou de outra pessoa, faça estas quatro perguntas.

1. Quantos casos, num total de quantos?

Peça os dois números. «Três queixas» parece mau. «Três queixas em cento e quarenta cafés vendidos» parece uma semana normal.

2. Como foram escolhidos os casos?

Pergunte-se se houve algum fator que determinou os casos a que teve acesso. Os clientes que se queixam não são uma amostra aleatória dos clientes. O mesmo acontece com quem deixa avaliações ou aparece em histórias virais. Se as pessoas que se manifestam forem diferentes das que ficam caladas, até uma amostra grande pode induzir em erro.

3. Até que ponto o grupo é variado?

Quanto mais variado for o grupo, mais casos serão necessários. Algumas colheradas dizem-lhe a que sabe uma panela de sopa. Algumas pessoas dizem-lhe muito pouco sobre uma cidade com milhões de habitantes.

4. Que contraexemplo refutaria a conclusão? Já o procurou?

Identifique um caso que mostraria que está enganado e procure-o. Se o latte não agradasse aos clientes, seria de esperar poucas encomendas repetidas e muitas chávenas deixadas a meio. Foi isso que aconteceu? Esta pergunta também ajuda a proteger-se do viés de confirmação, que nos leva a procurar apenas casos que apoiam aquilo em que já acreditamos.

Uma regra prática sobre o tamanho da amostra

Não precisa de saber estatística para usar as quatro perguntas, mas há uma regra prática que ajuda. Numa pergunta de resposta «sim» ou «não» feita a uma amostra aleatória, a margem de erro para o nível habitual de confiança de 95 por cento é aproximadamente um dividido pela raiz quadrada do tamanho da amostra.

Assim, se 6 em cada 10 pessoas de uma amostra aleatória gostarem de algo, a proporção real pode situar-se, plausivelmente, entre cerca de 30 e 90 por cento. Com 100 pessoas, o intervalo reduz-se para cerca de 50 a 70 por cento. Isto só se aplica a amostras aleatórias, e as queixas e avaliações não o são.

Exemplo prático: o latte de Ximena

Depois da pergunta de Anouk, Ximena tomou algumas notas no domingo.

Depois, voltou a analisar as três queixas. Duas eram sobre o excesso de doçura e tinham surgido no mesmo turno da tarde. Um barista novo estava a usar a dose inteira de xarope em vez de meia dose.

Ximena manteve o latte, corrigiu a ficha da receita e acrescentou uma opção «menos doce». As queixas não provavam que as pessoas detestavam a bebida. Mostravam que algo tinha corrido mal num turno, uma informação muito mais útil.

Como responder a uma generalização precipitada

Dizer «isso é uma generalização precipitada!» pode dar a entender que a experiência da outra pessoa não conta. E, de repente, a discussão passa a ser sobre isso. Experimente antes: reconheça a história, pergunte pela dimensão da amostra e procure o contexto mais amplo.

1. Reconheça a história. «Parece ter sido horrível, e acredito que aconteceu.»
2. Pergunte pela dimensão da amostra. «Foi um caso isolado ou já viste isso acontecer muitas vezes?»
3. Procure o contexto mais amplo, ou pergunte que aspeto teria. «O que esperaríamos encontrar se isso fosse verdade para a maioria?»

Eis como pode soar em situações comuns.

Aqui, as perguntas funcionam melhor do que os rótulos, pela mesma razão que funcionam no questionamento socrático: permitem que a outra pessoa detete a lacuna por si própria. Se estiver a escrever uma resposta num debate ou num ensaio, o nosso guia sobre como escrever uma refutação mostra como responder a um exemplo marcante sem o desvalorizar.

Quando a história envolve uma experiência dolorosa

Se a história envolve danos, como uma reação adversa a um medicamento, dizer «isso é só um caso isolado» soa insensível. Além disso, a pessoa pode estar a apontar para algo real que as médias não revelam. Pode reconhecer que o caso importa e merece ser investigado sem concordar que prova uma regra geral.

Como evitar fazer generalizações precipitadas

Todos cometemos este erro, sobretudo quando estamos cansados, irritados ou com pressa. Alguns hábitos ajudam:

• Diga o número em voz alta. É mais difícil transformar «três pessoas queixaram-se» em «as pessoas detestam isto» quando se enuncia o número.
• Modere o verbo. «Os diplomados daquela instituição podem não ser fiáveis» é uma hipótese que pode testar. «Não são fiáveis» é um veredito.
• Esteja atento a «sempre», «nunca», «toda a gente» e «todos». Estas palavras costumam assinalar o ponto exato em que aconteceu o salto.
• Repare quando a conclusão lhe dá jeito. Se confirma aquilo em que já queria acreditar, procure mais casos, não menos. O nosso guia sobre vieses cognitivos explica porque é que esta tendência é tão forte.

Como praticar com IA

É muito mais difícil detetar uma generalização precipitada no nosso próprio raciocínio do que no dos outros. Um debate ajuda porque alguém fica encarregado de procurar a falha. No Debatly, vários modelos e personagens de IA defendem perspetivas diferentes sobre a sua pergunta ao longo de várias rondas. Pode intervir a qualquer momento e, no fim, um juiz apresenta um veredito fundamentado.

• Ponha a sua conclusão à prova. Escreva na sala de debate a conclusão a que chegou, por exemplo: «Devemos deixar de contratar pessoas deste curso depois de duas más contratações?» Um lado defende agir com base no padrão, o outro argumenta que ainda é cedo.
• Peça a um cético que pergunte pelo total. Peça a Viktor, o cético, que pergunte «em quantos casos?» sempre que alguém usar um exemplo. Veja quantas histórias convincentes perdem força quando falta o número total.
• Enumere o que o faria mudar de ideias. Peça a cada lado que diga que provas refutariam a sua posição. É a quarta pergunta do teste e dá-lhe uma lista curta do que precisa de verificar.
• Leia a fundamentação do juiz, não apenas o veredito. Judge Alex explica que argumentos pesaram na decisão. Se um argumento prevaleceu sobretudo por causa de uma história marcante, aplique-lhe as quatro perguntas.
• Para uma decisão de «sim» ou «não», a ferramenta prós e contras com IA apresenta primeiro os dois lados, para que possa perceber quais se baseiam num padrão e quais dependem de um único caso.

Quando Ximena levou a questão do latte ao debate, o cético perguntou quantas encomendas repetidas tinha havido antes sequer de falar das queixas. Ela não tinha verificado. Foi esse número que a fez mudar de ideias.

Uma limitação importante

Os modelos de IA podem alertá-lo para o facto de a sua amostra ser pequena, mas não conseguem contar os seus clientes. Também podem cometer o mesmo erro: afirmar com segurança que existe um padrão geral com base em provas escassas. Muitos tendem ainda a concordar com aquilo em que parece já acreditar (veja porque é que a IA concorda consigo). Use o debate para encontrar as perguntas certas e responda-lhes depois com os seus próprios números.

Conte antes de concluir

Uma generalização precipitada parece fruto da experiência, e é por isso que convence tão facilmente. A solução é simples: antes de transformar alguns casos numa regra, pergunte quantos foram, num total de quantos, e quem ficou por ouvir.

Esta semana, escolha uma opinião forte que tenha sobre um grupo, um produto ou um lugar e anote em quantos casos se baseia realmente. Se quiser uma segunda perspetiva sobre uma conclusão importante, leve-a a debate no Debatly e deixe que um cético pergunte pelos totais. Experimente. Pode consultar os planos na página de preços.