Raonament bayesià
El teorema de Bayes, formulat pel reverend Thomas Bayes al segle XVIII i publicat pòstumament el 1763, proporciona un marc matemàtic per actualitzar la probabilitat d'una hipòtesi a la llum de nova evidència. La fórmula relaciona la probabilitat prèvia (prior) — el que creiem abans de veure nova informació — amb la versemblança (likelihood) — la probabilitat d'observar les dades si la hipòtesi fos certa — per obtenir la probabilitat posterior (posterior) — la nostra creença actualitzada. Aquest procés d'actualització constant és el que els racionalistes anomenen simplement «actualitzar» (updating). En la seva forma més intuïtiva, el raonament bayesià ens diu que la força d'una evidència depèn no només de com probable és sota la hipòtesi que volem confirmar, sinó també de com probable és sota hipòtesis alternatives.
Un dels errors més comuns en el raonament probabilístic és la negligència de la taxa base (base rate neglect). Quan un test mèdic dóna positiu per a una malaltia rara, la majoria de persones — inclosos molts metges — sobreestimen dramàticament la probabilitat de tenir realment la malaltia, perquè ignoren la prevalença baixa de la malaltia en la població general. Gigerenzer i Hoffrage (1995) van demostrar que presentar la informació en termes de freqüències naturals, en lloc de probabilitats, millora substancialment la capacitat de les persones per fer raonaments bayesians correctes. Aquest descobriment té aplicacions directes en la comunicació clínica: presentar als pacients que «d'entre 1.000 persones, 10 tindran la malaltia i d'aquestes 10, 9 tindran un test positiu; de les 990 que no tenen la malaltia, 99 tindran un fals positiu» és molt més comprensible que parlar de sensibilitat del 90% i especificitat del 90%.
La comunitat racionalista, especialment a través de LessWrong i els escrits d'Eliezer Yudkowsky, va adoptar el raonament bayesià com a peça central de la seva filosofia epistèmica. «Actualitzar» les pròpies creences en resposta a l'evidència es va convertir en un valor fonamental. Els exercicis de calibratge — on les persones fan prediccions amb nivells de confiança explícits i després verifiquen la seva precisió — es van convertir en una pràctica habitual per millorar la racionalitat epistèmica. Aquesta perspectiva ha influït en el moviment de previsió (forecasting), on els superprevisors de Tetlock demostren que un pensament bayesià disciplinat pot superar consistentment les prediccions d'experts.
En psicologia clínica, el raonament bayesià té aplicacions pràctiques importants. El raonament diagnòstic — avaluar la probabilitat que un pacient tingui un trastorn concret a la llum dels símptomes i factors de risc — és inherentment bayesià. Els conceptes de valor predictiu positiu (PPV) i valor predictiu negatiu (NPV) són aplicacions directes del teorema de Bayes. En la pràctica basada en l'evidència, el terapeuta actualitza la seva comprensió del cas a mesura que rep nova informació: la resposta al tractament, nous símptomes o resultats de proves. Entrenar els clínics en pensament bayesià pot millorar la precisió diagnòstica i reduir els errors derivats de la negligència de la taxa base i del biaix de confirmació.