Il rischio che l'analista non può ignorare

Quando qualcuno ha già scambiato la salienza cognitiva per probabilità oggettiva mi tocca spesso ricostruire il calcolo che il pubblico non ha fatto.

Il paradosso del micromort, letto da chi lo calcola

Esiste un'unità di misura, chiamata micromort, che quantifica una probabilità di morte su un milione, ottenuta dividendo i decessi accidentali quotidiani per la popolazione esposta. In Italia, il solo alzarsi dal letto la mattina accumula già circa un micromort al giorno: un valore di base che, essendo privo di narrazione, resta invisibile a chi non lavora sui dati.

La probabilità di morire per un attentato terroristico, calcolata dal Center for Disease Control, si attesta su una su venti milioni: un ordine di grandezza che, messo a confronto con quello di un banale incidente in ascensore, rivela quanto la distribuzione reale del rischio si discosti dalla sua rappresentazione mediatica.

Il meccanismo cognitivo che devo neutralizzare nell'analisi

Evento raro e vivido genera copertura mediatica intensa, la quale produce ripetizione dell'immagine nella memoria, da cui deriva disponibilità cognitiva elevata, che infine sfocia in percezione distorta del rischio e sovrastima della probabilità reale.

Chiamato availability heuristic, questo meccanismo mi impone, ogni volta che presento un dato a un committente o a un lettore, di separare la frequenza con cui un evento occupa lo spazio mediatico dalla frequenza con cui accade nella realtà empirica. Non trattandosi di un difetto di ragionamento individuale, quanto di un'architettura cognitiva forgiata per contesti dove il pericolo visibile bastava a garantire la sopravvivenza, la distorsione va trattata come un bias sistemico da correggere metodologicamente, non come un'anomalia da biasimare.

La stessa struttura d'errore che ritrovo nei miei dataset

Analizzando la distorsione percettiva sul terrorismo, riconosco esattamente l'inversione bayesiana già isolata nel caso della criminalità: confondere P(evento | copertura mediatica) con P(evento) tout court produce, in entrambi i contesti, una sovrastima sistematica del rischio individuale a partire da una statistica aggregata mal interpretata.

Messa a confronto con la realtà statistica, ossia terrorismo una su venti milioni, cancro una su cinque, incidente d'auto una su diecimila, l'altissima visibilità mediatica degli attentati genera un confronto illusorio che nessun dataset grezzo, letto senza filtro critico, riuscirebbe a smontare da solo.

L'incidente d'auto uccide con una probabilità di una su diecimila, mentre il cambiamento climatico viene stimato ventimila volte più letale del terrorismo nei paesi occidentali: due dati che, presi isolatamente, nessun cliente accetterebbe come rilevanti, eppure nessuno controlla ansiosamente le notizie sul clima prima di prendere la macchina.

Cosa resta, metodologicamente, di questa analisi

Non sto sostenendo che il terrorismo sia un problema trascurabile, meritando piuttosto un'analisi geopolitica mirata e proporzionata alla sua reale incidenza. Sto sostenendo che ogni volta che un dataset mostra una sproporzione tra salienza mediatica e frequenza empirica, il mio lavoro consiste nel restituire al numero la sua scala corretta, prima che la narrazione lo faccia per me.

Appunto da rileggere prima di validare qualunque report che citi un evento raro senza il relativo confronto di base-rate.