obat apa yang dia pakai (jika ada), dan perubahan apa yang harus
dilakukan. Seorang dokter psikoanalitik mungkin berkonsentrasi untuk
menjelajahi masa lalunya, mencari materi yang mungkin berhubungan
dengan keluhan saat ini. Pengetahuan tentang temuan penelitian yang
berkaitan dengan keluhan klien akan mempengaruhi pertanyaan apa yang
diajukan, apa yang diperhatikan, dan oleh karena itu data apa yang ada saat
menilai variasi bersama dan membuat analisis kausal. Jadi, kita dipengaruhi
oleh ketersediaan materi serta keterwakilan—keyakinan tentang apa yang
berjalan bersama. Kurangnya pengetahuan tentang hubungan antara
tanda-tanda tertentu dan penyebab yang mendasari dapat mengakibatkan
keputusan yang salah.
ILLUSORY KORELASIPengaruh
prasangka disorot oleh penelitian tentang hubungan ilusi. Dokter
cenderung melebih-lebihkan tingkat kovariasi antar variabel, menghasilkan
ilusi validitas dan reliabilitas. Studi oleh Chapman dan Chapman (1967,
1969) menggambarkan bahwa harapan berdasarkan teori dan asosiasi
semantik membanjiri pengaruh data yang tidak sesuai dengan harapan ini
atau bahkan menyangkalnya. Mereka mulai dengan pertanyaan tentang
bagaimana dokter dapat bertahan dalam melaporkan hubungan antara
tanggapan tertentu pada tes proyektif dan gejala klinis tertentu, ketika
penelitian telah menunjukkan bahwa ada sedikit atau tidak ada hubungan
antara tanda-tanda dan gejala. Dalam satu penelitian, laporan dari 32 dokter
praktik yang menganalisis protokol Rorschach dari pria homoseksual
ditinjau (1969). Para klinisi ini mendaftarkan tanda-tanda yang memiliki
validitas wajah tetapi secara empiris tidak valid sebagai karakteristik
respons pria homoseksual. Artinya, mereka memilih tanda-tanda
berdasarkan “apa yang tampak berjalan bersama”—pada apa yang
seharusnya ada—bukan berdasarkan asosiasi yang ditentukan secara
empiris antara tanda dan kriteria. Dokter lebih mungkin untuk melaporkan
korelasi ilusi daripada pengamat awam.
Korelasi ilusi dipengaruhi oleh asumsi tentang apa yang berjalan
bersama: “Setiap orang memiliki apa yang mungkin disebut 'data' pada
tingkat variasi bersama antara berbagai dimensi yang relevan secara sosial
dan dimensi perilaku, tetapi data biasanya minim, untung-untungan, kabur,
dan tunduk pada bias dan distorsi baik dalam encoding maupun recall”
(Nisbett & Ross, 1980, hlm. 98). Kami cenderung melebih-lebihkan ukuran
korelasi antara faktor-faktor yang kami yakini berjalan bersama dan
meremehkan tingkat kovariasi ketika kami tidak memiliki prasangka
tentang hubungan antara dua atau lebih faktor (Jen nings, Amabile, & Ross,
1982). Perkiraan yang salah sering bertahan meskipun pengalaman
langsung dengan data yang tidak mengkonfirmasinya. Misalnya, seorang
dokter mungkin bersikeras bahwa seorang wanita menderita skizofrenia
karena dia pernah diberi label skizofrenia, meskipun tidak ada bukti yang
diperoleh selama 3 tahun terakhir yang mendukung diagnosis ini.
Kecenderungan ini ditingkatkan oleh bias konfirmasi (bukan pada data
yang tidak mendukung posisi—mengabaikan contoh negatif) dan tidak
meninjau keempat sel tabel kontingensi (lihat diskusi selanjutnya). Dokter
yang percaya bahwa perilaku sebagian besar ditentukan oleh karakteristik
pribadi akan cenderung tidak memperhatikan korelasi antara faktor
lingkungan
dan perilaku
PERBABILITAS PAHAMPAHAM
Orang cenderung fokus pada "hit" ketika memperkirakan kovariasi;
negatif dalam sikap cenderung diabaikan. Pertimbangkan keyakinan bahwa
ada hubungan antara kekhawatiran tentang suatu peristiwa dan peristiwa
yang terjadi. Orang tua mungkin khawatir tentang anak remaja mereka tiba
di rumah dengan selamat, tanpa mengalami kecelakaan mobil. Jadi, jika
seorang ibu khawatir dan kemudian putrinya terlibat dalam kecelakaan, ibu
(dan juga pers) dapat menghubungkan kebetulan ini
dengan kewaskitaan atau kekuatan mistik lainnya. Judul beritanya
mungkin berbunyi: ”Ibu Khawatir—Anak Perempuannya Terluka.” Seperti
yang dicatat Jensen (1989), hanya "hit" (kekhawatiran diikuti oleh
kecelakaan) yang mendapat perhatian; alarm palsu, kesalahan, dan
penolakan yang benar diabaikan. Faktanya, tidak ada penilaian asosiasi
yang dapat dibuat secara sah tanpa mempertimbangkan keempat
kemungkinan yang diilustrasikan dalam Tampilan 14.3. Risiko kecelakaan
jika ibu khawatir harus dibandingkan dengan risiko jika ibu tidak khawatir.
Dalam menilai kovariasi, menunjuk hanya pada kasus-kasus tertentu
adalah menyesatkan. Kecenderungan untuk mengabaikan kejadian-kejadian
negatif bertanggung jawab atas kepercayaan pada penyebab-penyebab yang
mencurigakan seperti doa dan kekhawatiran. Orang yang mengatakan
bahwa doanya dikabulkan mungkin tidak memperhatikan saat-saat ketika
doanya tidak dijawab. Artinya, mereka mungkin tidak mencatat semua
waktu mereka berdoa, mencatat hasil dari masing-masing. “Doa yang
dijawab” lebih jelas—mereka mungkin berkata, “Kebetulan sekali.” Bias
konfirmasi (kecenderungan untuk secara selektif mencari hanya bukti yang
mendukung prasangka) mendorong fokus pada hit. (Lihat Roberts, Ahmed,
& Hall, 2004.)
Dalam praktik klinis, kovariasi (dan dengan demikian hubungan kausal)
sering diasumsikan antara karakteristik pribadi dan lingkungan tertentu
(misalnya, ciri kepribadian atau perubahan dan masalah kehidupan
baru-baru ini), dan juga antara karakteristik tertentu. gejala dan kategori
diagnostik (misalnya, antara
Tampilan 14.3
Tabel Kontingensi
Kekhawatiran
Ya Tidak
Hit Miss
(Benar (Salah Ya
Positif) Negatif)
(a) (b)
Kecelakaan
Sumber: Berdasarkan Jensen (1989, p. 158) Patologi ilmu pengetahuan, prekognisi dan psikofisika
modern The Skeptical Inquirer, 13, 147–160. Dicetak ulang dengan izin.
Menemukan Penyebab Masalah Klien 407
Tampilan 14.4
Korelasi- Frekuensi Relevan Informasi Hubungan Antara Gejala Hipotetis dan Penyakit
Hipotetis pada 100 Pasien Hipotetis
Penyakit
Ada 37 33 70
Gejala
17 13 30
Jumlah 54 46
Tampilan 14.5
Diagram Venn untuk Meringkas Situasi Penghakiman (Ruang Sampel) untuk Menjawab
Pertanyaan tentang Probabilitas Bahwa Perokok Pot Juga Pengguna Narkoba Keras
Perokok pot
Sumber: Hastie dan Dawes (2001). Dicetak ulang dengan izin (hal. 184).
Sumber lain dari perkiraan yang salah adalah tidak membedakan antara
probabilitas gabungan (probabilitas ini dan itu) dan probabilitas bersyarat
(probabilitas ini diberikan itu). Prinsip kedua adalah sebagai berikut: P
(A|B) = P (A,B)/P(B). “Sederhana, dan karenanya bersyarat, probabilitas
dapat disimpulkan dari probabilitas majemuk, tetapi tidak sebaliknya.
Tetapi probabilitas majemuk dapat disimpulkan melalui prinsip 2 hanya jika
probabilitas bersyarat dan probabilitas sederhana diketahui. Namun, jika
probabilitas sederhana atau hanya bersyarat saja diketahui, tidak ada jenis
probabilitas lain yang dapat disimpulkan” (Dawes, 1982, hlm. 43-44).
Pertimbangkan kemungkinan kecanduan heroin (A) jika seseorang merokok
ganja (B). Ini sama dengan probabilitas kecanduan heroin dan merokok
mariyuana (A,B) dibagi dengan probabilitas merokok mariyuana (B). “Ini
jelas tidak sama dengan P (A,B)/P(A)—probabilitas merokok ganja dan
kecanduan dibagi dengan probabilitas kecanduan; oleh karena itu fakta
bahwa kebanyakan pecandu heroin (A) juga mengisap ganja (A,B) adalah
pembenaran yang irasional untuk undang-undang ganja yang kejam”
(Dawes, 1982, hlm. 43; lihat Tampilan 14.5).
Prinsip ketiga adalah bahwa “probabilitas suatu gejala sama dengan
probabilitas gabungan dari gejala dan penyakit ditambah kemampuan
probabilitas gabungan dari gejala tanpa penyakit: P(S) = P(S,D) + P( S, D ).
Dawes menggunakan contoh bahwa “probabilitas melihat capung di
Rorschach (S) sama dengan probabilitas melihat capung dan menderita
skizofrenia (S,D) ditambah peluang melihat capung dan tidak menderita
skizofrenia (S,D) ; p. 43). Jika probabilitas tanda tanpa masalah—P(S,D
)—cukup tinggi, kemungkinan masalah yang diberi
tanda—P(D|S)—mungkin sangat rendah, meskipun P(S|D) tinggi. Hal ini
dapat disajikan dalam tabel kontingensi (lihat Tampilan 14.3). Menentukan
probabilitas suatu tanda yang diberi masalah dan probabilitas tanda tanpa
masalah melibatkan perbandingan antar kolom, sedangkan probabilitas
masalah yang diberi tanda dan prob
Menemukan Penyebab Masalah Klien 409
ANALISIS KAUSAL
Isyarat yang berbeda menarik "perhatian pada aspek yang berbeda dari
kekuatan kausal" (Ein horn & Hogarth, 1985, hal. 323). Konjungsi konstan
diwakili oleh sel a dan d dalam Tampilan 14.3; sel b dan c mewakili contoh
yang menyangkal konjungsi konstan atau mendukung akun alternatif
(1985). Urutan temporal tercermin di mana variabel dipilih sebagai
penyebab. Asumsi yang tidak akurat dapat terjadi karena kegagalan untuk
mempertimbangkan penjelasan alternatif atau karena asumsi yang salah
berdasarkan kedekatan ruang dan waktu. Kekeliruan penyebab palsu
dilakukan ketika suatu peristiwa secara tidak akurat diasumsikan sebagai
penyebab dari beberapa peristiwa lainnya. Pertimbangkan kasus Clever
Hans, kuda ajaib
410 Menerapkan Keterampilan Berpikir Kritis untuk Keputusan Klinis
untuk tujuan yang ada, dan mekanisme kausal yang akan memprediksi
peristiwa atau hubungan lain pada awalnya diabaikan dan tidak pernah
dipertimbangkan kembali ketika anggapan awal individu didiskreditkan
atau ditentang oleh data baru” (Einhorn, 1980a, hlm. 28). Kecenderungan ini
dapat ditingkatkan dalam pendekatan eklektik untuk praktek, yang
meningkatkan kemungkinan memegang banyak teori atau gagasan ad hoc.
Semakin renggang sebuah teori, semakin sedikit yang harus diandalkan
ketika menilai data dan lebih banyak perhatian harus difokuskan pada
data-yaitu, kita "harus menjadi kurang teori-driven dan lebih banyak
data-driven" dalam membuat penilaian (Einhorn, 1980a, hal. 32). Sama
seperti model kausal yang tidak dapat digunakan dalam situasi yang sesuai,
model tersebut dapat diterapkan dalam situasi yang tidak tepat (Nisbett &
Ross, 1980, hlm. 135). Misalnya, analisis trans-aksial mungkin tidak
memiliki banyak hal untuk ditawarkan dalam menangani orang tua tunggal
muda tunawisma yang kecanduan kokain. Dipengaruhi oleh kesan awal
klien (efek jangkar), serta mengabaikan sumber data yang tidak dapat
diandalkan tentang klien dan situasi mereka, dapat mengakibatkan
kesalahan. Hubungan kausal deterministik dapat diasumsikan dalam
situasi di mana hubungan tersebut bersifat probabilistik (statistik), seperti
dalam kekeliruan Gambler (lihat Bab 15). Kurangnya pengetahuan tentang
hubungan sebab-akibat membahayakan kualitas penilaian. Misalnya,
seorang dokter mungkin tidak menyadari cara-cara di mana jadwal
penguatan mempengaruhi perilaku dan salah mengatribusikan penyebab
perilaku buruk anak di kelas dengan karakteristik pribadi—mengabaikan
peran efek penjadwalan di lingkungan. Kurangnya pengetahuan tentang
efek obat yang diresepkan dapat mengakibatkan asumsi yang salah tentang
penyebab kebingungan klien lanjut usia.
SUMBER KESALAHAN
Sumber kesalahan yang mengganggu pemikiran kritis tentang penyebab
kekhawatiran klien dibahas di bagian berikut. Kesalahan yang dijelaskan
akibat dari dan dalam asumsi kausal yang hilang atau diabaikan (lihat
Tampilan 14.6). Mereka dapat mempengaruhi baik diagnosis klien maupun
penilaian.
PENYALAHGUNAANKRITERIA KEMISKINANSalah satusumber
kesalahan dalam menyimpulkan hubungan sebab akibat adalah asumsi
bahwa faktor-faktor yang terkait dengan suatu peristiwa menyerupai
peristiwa itu. (Lihat Bab 9.) Kami memiliki keyakinan yang kuat tentang
jenis faktor penyebab yang terkait dengan efek tertentu dan "jauh lebih
percaya diri daripada yang dijamin dalam kemampuan [kami] untuk
menilai masuk akal dari hubungan sebab-akibat tertentu berdasarkan
dangkal kemiripan fitur” (Nisbett & Ross, 1980, hlm. 117). Keyakinan
tentang bagaimana peristiwa terkait berasal dari banyak sumber. Beberapa
berasal dari ringkasan data empiris; sebagian bersandar pada pendapat ahli
yang terinformasi atau pengamatan sistematis; yang lain didasarkan pada
mitos, fabel, metafora, dan pepatah yang mungkin atau mungkin tidak
mencerminkan kenyataan. Pada kenyataannya, "sebab dan akibat mungkin
memiliki sedikit atau tidak ada kemiripan satu sama lain" (hal. 117).
Penjelasan sehari-hari dari reaksi menyimpang sering mengandalkan
Exhibit 14.6
Sumber Kesalahan Yang Dapat Mengakibatkan Penataan Masalah Tidak Akurat
412