기저율 무시 (Base Rate Neglect)

처음 실린 날 2026-05-31 · 마지막으로 고친 날 2026-09-27

다른 이름: 기저율 무시 · 기저율 편향 · 기준비율 오류 · Base Rate Fallacy · Base Rate Neglect

한 줄 정의

확률을 짐작할 때 모집단의 기본 비율(기저율, base rate)을 빼먹고 눈앞 사례가 얼마나 그럴듯해 보이는지(대표성, representativeness)에 지나치게 기대는 체계적 오류. Kahneman & Tversky (1973) Psychological Review 80(4):237 — "Tom W." 실험과 대표성 휴리스틱(representativeness heuristic)으로 정립.

일상 한 줄

"이 사람 보니 ○○같다" — 그 인상의 정확도는 그 ○○ 자체의 빈도 (base rate)에 묶인다. 100명 중 1명만 의사인 도시에서 "의사스러운" 사람을 봤다고 90% 의사일 확률은 안 됨.

흔한 장면

새 분야 입문 결정: "내 주변 성공한 사람들"은 기저율이 되지 못한다. 전체 창업자의 생존율을 봐야 한다. 통계청이 2024년 12월 27일 발표한 「2023년 기업생멸행정통계」에서 2022년 기준 기업의 5년 생존율은 34.7%, 1년 생존율은 64.9%였다. 새로 생긴 기업 셋 중 둘은 5년 안에 문을 닫는다.
의료 검사: "이 검사 결과 양성이면 90% 정확"이라도 base rate가 0.1%면 실제 양성률은 매우 낮음 (베이즈 정리).
로맨스 스캠·보이스피싱: "이런 사기당하는 사람은 어수룩하다"는 인상만으로 판단하면, 실제 피해자 집단이 어떤 사람들로 이루어져 있는지(연령·직업 분포)를 보지 않게 된다. 인상이 기저율을 가린다.
자녀 진로: "○○과 출신은 다 잘 된다" 한 명 사례 — 그 학과 졸업생 전체의 평균을 base rate로.
건강 정보: "이 음식 먹고 ○○ 나았다" — base rate (자연 호전률) 모르면 효과 추정 불가.

왜 빠지나 (메커니즘)

대표성 휴리스틱(representativeness heuristic) [Kahneman & Tversky 1973] — 사례가 어떤 범주의 고정관념과 얼마나 닮았는지로 확률을 짐작한다. 빠르지만 기저율이 계산에 들어가지 않는다.
개별 정보의 인지적 무게 — 통계는 추상, 개별 사례는 구체. 빠른 직관(System 1)이 구체적 정보에 더 큰 무게를 준다 [Kahneman 2011].
생생함 편향(vividness) [Nisbett & Ross 1980 Human Inference] — 생생한 개별 이야기가 통계보다 기억·인출이 쉽다. 대학생의 수강 과목 선택이 수십 명의 강의평가 평균보다 선배 몇 명의 대면 한마디에 더 크게 흔들렸다 [Borgida & Nisbett 1977]. 다만 실험 문헌 전체를 검토하면 생생함 효과는 생각보다 약하게 나온다 [Taylor & Thompson 1982].
base rate가 추상적·다중 source — base rate는 통계청·논문에서 와야 함. 일상에서 접근 어려움.

빠져나오는 법 / 학술 개입

1. base rate 의도적 검색: 결정 전에 모집단 비율 통계를 먼저 찾는다. 통계청 자료, 동료 심사 논문, 업계 공식 집계에서 시작한다. — 근거 수준: 경험칙. 기저율 찾기만 따로 시험한 연구는 없고, 참조 집단 사용이 섞인 확률 훈련이 예측 정확도를 올린 결과 [Mellers et al. 2014]가 가장 가깝다 2. 베이즈 갱신: prior (base rate) × likelihood (사례 정보) = posterior. 사례 정보만으로 결정하지 않음. 다만 사람은 증거도 덜 쓰는 경향(보수주의)이 함께 있어, 기저율만 붙잡고 새 증거를 무시하는 것도 오류다 [Benjamin 2019]. — 근거: 규범 모형(베이즈 정리)과 여러 실험을 모은 리뷰 [Benjamin 2019]. 이 공식을 떠올리게 하는 것만으로 판단이 나아지는지는 직접 시험되지 않았다. 공식 대입 훈련은 빈도 표현 훈련보다 효과가 빨리 사라졌다 [Sedlmeier & Gigerenzer 2001] 3. 바깥에서 보기(outside view) [Kahneman & Tversky 1979; Kahneman & Lovallo 1993] — 내 사례의 사정(inside view)부터 따지지 말고, 비슷한 사례 전체(참조 집단)의 결과 분포부터 본다. (근거 수준: 참조 집단 사용을 포함한 확률 훈련이 지정학 예측의 정확도를 높였다 [Mellers et al. 2014]. 훈련 요소가 여럿 섞여 있어 바깥에서 보기만의 효과는 따로 분리되지 않았다) 4. 표본이 무작위로 뽑히는 과정을 눈으로 보게 하기 [Gigerenzer, Hell & Blank 1988] — 사람들이 직접 무작위 추출을 하고 지켜본 조건에서는 판단이 베이즈 답에 더 가까워졌다. "무작위로 뽑았다"는 말만 들은 조건에서는 대표성 판단이 그대로 나왔다. — 근거: 실험 [Gigerenzer, Hell & Blank 1988]. 일상에서 무작위 추출을 직접 볼 기회는 드물어, 이 처방은 교육·설명 장면에서 쓰기 좋다 5. 빈도 형식(frequency format) [Gigerenzer & Hoffrage 1995 Psychological Review 102(4):684] — 확률(0.1%) 대신 빈도(1000명 중 1명)로 제시하면 베이즈식 풀이 비율이 16%에서 46%로 올랐다. 메타분석 평균으로는 약 4%에서 약 24%로 오른다 [McDowell & Jacobs 2017]. 정답률이 몇 배 오르지만 절반 이상은 여전히 틀린다. 빈도 표현을 스스로 만드는 훈련은 공식 대입 훈련보다 효과가 오래갔다 [Sedlmeier & Gigerenzer 2001]. — 근거: 실험 [Gigerenzer & Hoffrage 1995; Sedlmeier & Gigerenzer 2001]과 메타분석 [McDowell & Jacobs 2017]

함께 쓰기 좋은 도구

베이즈 사고 — base rate의 정량적 운영
regression-to-mean — base rate 무시의 자매 오류
availability heuristic — vividness가 base rate를 가림
outside view — base rate 접근의 휴리스틱

통념이 무너지는 순간

### "개별 사례가 통계보다 정확하다" ⚠ 흔한 말: "내 친구가 ○○했어, 그게 진실." ✓ 학술: Kahneman & Tversky (1973) Tom W. 실험 — 피험자가 기저율(대학원 전공별 학생 비율)을 제쳐 두고 Tom의 인상 묘사가 각 전공의 전형과 얼마나 닮았는지로 전공을 짐작했다. 예측 순위는 기저율과 체계적으로 어긋났다. 친구 한 명의 경험은 표본 크기 1이라 우연에 크게 흔들리고, 수천 명을 모은 통계는 덜 흔들린다.

### "검사 결과가 양성이면 거의 확실히 양성이다" ⚠ 흔한 말: "정확도 90% 검사니까 양성이면 90%." ✓ 학술: Casscells, Schoenberger & Graboys (1978) NEJM 299(18):999 — 하버드 의대 부속병원 네 곳의 교수·전공의·의대생 60명에게 "유병률 1/1000, 위양성률 5%인 검사에서 양성이 나온 사람이 실제로 병이 있을 확률"을 물었다(민감도는 따로 주지 않았고 보통 100%로 가정해 푼다). 정답은 약 2%. 60명 중 11명(18%)만 맞혔고, 가장 많이 나온 답은 95%(27명, 45%)였다. 2014년 같은 문제를 다시 낸 연구에서도 61명 중 14명(23%)만 맞혔다 [Manrai et al. 2014].

### "유명 사례에서 패턴이 보이면 일반 패턴이다" ⚠ 흔한 말: "성공 사례 책 읽으면 비결 보인다." ✓ 학술: 생존자 편향(survivorship bias)과 기저율 무시가 겹친 경우다. 살아남은 회사만 모은 집단에서 뽑은 패턴은 실패한 시도자까지 포함한 전체 집단에서 검증되지 않았다. Mauboussin (2012) The Success Equation.

### "base rate는 평균이고 나는 다르다" ⚠ 흔한 말: "통계는 그렇지만 나는 예외." ✓ 학술: 평균 이상 효과(better-than-average effect) [Alicke & Govorun 2005] — 대다수가 자기를 또래의 중간보다 낫다고 평가한다. 중앙값 위에 설 수 있는 사람은 절반뿐이므로 이 평가가 모두 맞을 수는 없다. "나는 예외"라는 판단은 기저율에서 출발해 나에게만 있는 구체적 근거로 얼마나 조정할지 따져야 한다.

1차 출처

Kahneman, D., & Tversky, A. (1973). "On the psychology of prediction." Psychological Review 80(4):237–251. DOI 10.1037/h0034747. — Tom W. 실험, 대표성 휴리스틱.
Tversky, A., & Kahneman, D. (1974). "Judgment under uncertainty: Heuristics and biases." Science 185(4157):1124–1131. DOI 10.1126/science.185.4157.1124. — 종합. 기술자-변호사 문제 요약.
Casscells, W., Schoenberger, A., & Graboys, T. B. (1978). "Interpretation by physicians of clinical laboratory results." NEJM 299(18):999–1001. DOI 10.1056/NEJM197811022991808. — 의료 기저율 무시.
Kahneman, D., & Tversky, A. (1979). "Intuitive prediction: Biases and corrective procedures." TIMS Studies in Management Science 12:313–327. — 참조 집단 분포에서 출발하는 교정 절차.
Gigerenzer, G., & Hoffrage, U. (1995). "How to improve Bayesian reasoning without instruction: Frequency formats." Psychological Review 102(4):684–704. DOI 10.1037/0033-295X.102.4.684.
Bar-Hillel, M. (1980). "The base-rate fallacy in probability judgments." Acta Psychologica 44(3):211–233. DOI 10.1016/0001-6918(80)90046-3. — 종합 리뷰.
책·장: Nisbett, R., & Ross, L. (1980). Human Inference. Prentice-Hall. / Eddy, D. M. (1982). "Probabilistic reasoning in clinical medicine: Problems and opportunities." In Kahneman, Slovic & Tversky (Eds.), Judgment under Uncertainty. Cambridge University Press. / Alicke, M. D., & Govorun, O. (2005). "The better-than-average effect." In The Self in Social Judgment. Psychology Press. / Kahneman, D. (2011). Thinking, Fast and Slow. / Mauboussin, M. J. (2012). The Success Equation. Harvard Business Review Press.

원문 핵심 인용

"Evidently, people respond differently when given no evidence and when given worthless evidence. When no specific evidence is given, prior probabilities are properly utilized; when worthless evidence is given, prior probabilities are ignored." — Tversky & Kahneman (1974), Science 185, p. 1125. (원문 PDF 대조)

"In our study, 14 of 61 respondents (23%) gave a correct response, not significantly different from the 11 of 60 correct responses (18%) in the Casscells study (difference, 5%; 95% CI, −11% to 21%). In both studies the most common answer was "95%," given by 27 of 61 respondents (44%) in our study and 27 of 60 (45%) in the study by Casscells et al" — Manrai et al. (2014), JAMA Internal Medicine 174(6):991. (원문 HTML 대조)

"The standard probability format—the information representation used in most earlier studies—elicited 16% Bayesian algorithms. When information was presented in a frequency format, this proportion jumped to 46% in the standard menu and 50% in the short menu." — Gigerenzer & Hoffrage (1995), Psychological Review 102(4), Summary of Study 1. (원문 PDF 대조)

핵심 정의·메커니즘

### 원전 정의 베이즈 정리: P(H|E) = P(E|H) × P(H) / P(E). P(H)는 사전 확률(기저율), P(E|H)는 사례 정보의 가능도, P(H|E)는 사후 확률이다. 기저율 무시는 P(H)에 줘야 할 무게를 덜 주는 것이다.

Kahneman & Tversky (1973): 직관적 예측은 대표성 휴리스틱을 따른다. 사람들은 "증거와 가장 닮은 결과" 를 예측하므로, 예측이 증거의 신뢰도와 결과의 사전 확률에 둔감해진다.
Benjamin (2019)의 경제학 정리: 사후 확률 로그 오즈 = c × (가능도비 로그) + d × (사전 오즈 로그). d < 1 이면 사전 정보를 덜 쓰는 기저율 무시, c < 1 이면 증거를 덜 쓰는 과소 추론(흔히 "보수주의" 라고 부름)이다. 두 오류를 한 식에서 따로 잴 수 있다.

### 작동 기제 1. 사례 묘사가 고정관념과 닮음 → 닮음으로 확률을 매김 → 확률 판단 순위가 "얼마나 닮았나" 판단 순위와 거의 같게 나왔다 [Kahneman & Tversky 1973]. 2. 새 정보가 들어옴 → 갱신이 시작되며 기저율이 밀려남 → 기술자-변호사 문제에서 묘사가 없을 때는 기저율을 그대로 답했다. 아무 정보 없는 묘사("Dick")를 주자 기저율 70:30과 30:70 집단 모두 중앙값 50%를 답했다 [Tversky & Kahneman 1974]. Benjamin (2019)은 여기서 "기저율 무시는 새 신호로 사전 확률을 갱신할 때 촉발된다" 고 정리했다. 3. 정보 형식이 계산을 어렵게 함 → 조건부 확률은 계산이 복잡하고, 자연 빈도(한 집단을 차례로 나눠 센 횟수)는 단순하다. 베이즈 풀이 비율이 확률 형식 16%에서 빈도 형식 46%로 올랐다 [Gigerenzer & Hoffrage 1995]. 다른 설명은 빈도 자체보다 집합의 포함 관계를 드러내는 것이 원인이라고 본다 [Barbey & Sloman 2007]. 4. 기저율과 직관이 충돌함 → 감지는 되지만 누르지 못하거나, 감지조차 실패 → 소리 내어 생각하게 하면 기저율을 거의 말하지 않았지만, 반응 시간·사후 기억에서는 기저율을 처리한 흔적이 나왔다 [De Neys & Glumicic 2008]. 반대로 갈등 감지가 실패하는 경우도 있었고, 갈등을 감지해 분석적으로 생각해도 직관을 사후 합리화하는 데 그칠 수 있었다 [Pennycook et al. 2015].

### 언제 강해지고 언제 약해지나
완전 무시보다 부분 사용이 흔함: 기술자-변호사 원 실험에서 Bayes 정리대로라면 두 집단의 사후 오즈 비가 약 5.4여야 했지만 실제는 약 1.2(평균 55% 대 50%)였다. 다른 여러 실험에서는 기저율이 어느 정도 반영되되 Bayes보다 덜 반영됐다 [Benjamin 2019; Koehler 1996]. 갱신 실험 메타분석에서 사전 정보의 가중치 d는 0.60(표준오차 0.066), 금전 보상이 걸린 실험만 보면 0.43이었다 [Benjamin 2019].
기저율의 출처와 질: 기저율을 경험으로 익혔거나 빈도로 나타낼 수 있을 때, 기저율이 믿을 만하고 개별 정보보다 진단력이 높을 때 더 많이 쓰였다 [Koehler 1996].
무작위 추출을 직접 볼 때: 피험자가 무작위 추출을 직접 하고 지켜본 조건에서 판단이 베이즈 답에 가까워졌다 [Gigerenzer, Hell & Blank 1988].
표현 형식: 자연 빈도, 짧은 메뉴(결합 사건만 제시), 시각 보조가 성과를 높였다 [McDowell & Jacobs 2017].
정보 없는 묘사: 무의미한 묘사에 대한 기저율 무시는 연구마다 나타나기도 하고 안 나타나기도 했다. 정보가 있는 묘사보다 훨씬 덜 견고했다 [Benjamin 2019].

### 어떻게 재나
기술자-변호사 문제 — 집단 구성비(30:70 또는 70:30)만 바꾸고 같은 성격 묘사를 준다. 두 집단의 확률 판단 차이가 Bayes 예측(오즈 비 약 5.4)에 얼마나 못 미치는지 본다.
택시 문제·의료 진단 문제 — 기저율과 검사 정확도를 글로 주고 사후 확률을 묻는다(Casscells 문제 포함). 정답 범위 안의 응답 비율로 채점한다.
구슬 주머니 갱신 과제 — 사전 확률이 다른 두 주머니 중 하나에서 구슬을 뽑아 보여 주고 사후 확률을 묻는다. 응답을 로그 오즈로 바꿔 c와 d를 회귀로 추정한다 [Benjamin 2019].
형식 비교 — 같은 문제를 조건부 확률과 자연 빈도로 나눠 제시하고, 풀이 과정을 적게 해 베이즈 알고리즘 사용 여부까지 채점한다 [Gigerenzer & Hoffrage 1995].

빈도 형식 예: "위양성률 5%, 기저율 0.1%" → "1000명 중 1명이 실제 환자. 1000명을 검사하면 참 양성 1 + 거짓 양성 약 50. 양성 51명 중 실제 환자 1명 → 약 2%".

### 헷갈리는 개념과의 차이 | 개념 | 무엇을 잘못 쓰나 | 방향 | 기저율 무시와의 관계 | |---|---|---|---| | 기저율 무시 | 사전 확률(기저율)을 덜 씀 | 사례 정보 쪽으로 쏠림 | — | | 보수주의(과소 추론) | 새 증거를 덜 씀 | 사전 확률 쪽에 머묾 | 반대 방향 오류지만 같은 사람에게 공존한다. 갱신 실험에서 증거 가중치 c는 약 0.20, 사전 가중치 d는 약 0.60으로 둘 다 1보다 작았다 [Benjamin 2019] | | 대표성 휴리스틱 | 닮음으로 확률을 매김 | — | 기저율 무시를 일으키는 기제 중 하나 [Kahneman & Tversky 1973] | | 생존자 편향 | 살아남은 사례만 표본에 들어옴 | — | 기저율 자체를 잘못 뽑는 표본 선택 문제. 기저율을 알아도 틀린 기저율을 쓰게 됨 | | 평균 이상 효과 | "나는 예외" 라고 봄 | — | 기저율을 알면서 내 사례에 적용하지 않는 경우 |

주요 후속 연구·메타분석

### Benjamin (2019) — 기저율 무시와 과소 추론은 같은 사람에게 함께 나타난다 Handbook of Behavioral Economics: Applications and Foundations 1, Vol. 2, 69–186. DOI: 10.1016/bs.hesbe.2018.11.002

설계: 1960년대 이후 구슬 주머니 갱신 실험과 기저율 실험을 모아, 사후 오즈를 증거 가중치 c와 사전 가중치 d로 나눠 추정한 메타분석과 문헌 정리.
결과: 사전 확률이 같은 실험에서 증거 가중치 ĉ = 0.20(표준오차 0.063). 사전 확률이 다른 실험에서 사전 가중치 d = 0.60(표준오차 0.066), 보상이 걸린 실험만 0.43. 순차 갱신 실험 8편에서는 c 평균 0.53, d 평균 0.88. 기술자-변호사 원 실험의 사후 오즈 비는 Bayes 예측 약 5.4 대비 약 1.2.
의미와 한계: "사람은 증거를 과하게 믿어 기저율을 무시한다" 와 "사람은 증거를 덜 믿는다(보수주의)" 는 서로 모순되지 않는다. c와 d가 둘 다 1보다 작을 수 있다. 실험실 구슬 과제 중심이다. (NBER 워킹페이퍼 판 전문 대조)

### Gigerenzer & Hoffrage (1995) — 빈도로 바꾸면 베이즈 풀이가 세 배 가까이 는다 Psychological Review, 102(4), 684–704. DOI: 10.1037/0033-295X.102.4.684

설계: 대학생 60명에게 15개 베이즈 문제를 확률 형식과 빈도 형식으로 제시하고, 풀이 과정을 적게 해 베이즈 알고리즘 사용을 채점.
결과: 확률 형식 16%, 빈도 형식 46%(표준 메뉴)·50%(짧은 메뉴).
의미와 한계: 기저율 무시의 상당 부분이 정보 형식 탓이라는 근거. 빈도 형식에서도 절반가량은 틀렸다. (원문 인용 대조)

### McDowell & Jacobs (2017) — 자연 빈도 효과의 메타분석 Psychological Bulletin, 143(12), 1273–1312. DOI: 10.1037/bul0000126

설계: 20년간 논문 35편, 성과 추정치 226개를 이변량 혼합효과 모형으로 통합.
결과: 짧은 메뉴와 시각 보조가 가장 강한 조절 변수로, 조건부 확률과 자연 빈도 형식 모두에서 성과를 높였다. 두 형식을 모두 본 참가자 등 방법 요인도 성과에 영향을 줬다.
의미와 한계: 빈도 형식의 이득은 견고하지만 크기는 문제 설계에 따라 크게 달라진다. 평균 정답률은 조건부 확률 약 4%, 자연 빈도 약 24%로, 자연 빈도에서도 약 4명 중 3명이 틀렸다(Weber, Binder & Krauss 2018 초록의 요약값). (초록만 읽음)

### Koehler (1996) — 기저율 오류는 과장됐다 Behavioral and Brain Sciences, 19(1), 1–17. DOI: 10.1017/S0140525X00041157

설계: 기저율 문헌 재검토(표적 논문).
결과: 기술자-변호사 문제를 포함한 문헌을 보면 기저율은 거의 항상 어느 정도 쓰이고, 쓰는 정도는 과제 구조와 표현에 달려 있다. 기저율을 경험으로 익혔거나 빈도로 나타낼 수 있을 때, 믿을 만하고 진단력이 높을 때 더 쓰인다. 모형의 가정을 확인하지 않은 채 Bayes 정리를 기계적으로 정답 기준으로 삼는 관행도 비판했다.
의미와 한계: 기저율 무시를 "완전 무시" 가 아닌 "부분 사용" 으로 읽게 만든 반론. 실제 세계의 기저율은 모호하고 불안정하다는 방법론 비판을 담았다. (초록만 읽음)

### Manrai et al. (2014) — 의사들의 기저율 문제 정답률은 36년 뒤에도 같았다 JAMA Internal Medicine, 174(6), 991–993. DOI: 10.1001/jamainternmed.2014.1059

설계: Casscells et al.(1978)의 문제(유병률 1/1000, 위양성률 5%)를 의사·의대생 61명에게 다시 냈다.
결과: 정답(약 2%)은 14명(23%). 원 연구 11/60(18%)과 차이 5%p(95% CI −11 ~ 21%p). 가장 흔한 답은 두 연구 모두 95%(44%, 45%).
의미와 한계: 전문가 집단의 기저율 무시가 재현됐다. 두 연구 모두 60명 안팎의 편의 표본이다. (원문 인용 대조)

### De Neys & Glumicic (2008) 대 Pennycook, Fugelsang & Koehler (2015) — 사람은 기저율과의 충돌을 알아채나 Cognition, 106(3), 1248–1299. DOI: 10.1016/j.cognition.2007.06.002 / Cognitive Psychology, 80, 34–72. DOI: 10.1016/j.cogpsych.2015.05.001

설계: 두 연구 모두 고정관념과 기저율이 같은 답(비충돌) 또는 다른 답(충돌)을 가리키는 기저율 문제를 썼다. De Neys & Glumicic은 소리 내어 생각하기와 간접 지표를, Pennycook et al.은 새 기저율 과제로 3단계 이중처리 모형을 시험했다.
결과: De Neys & Glumicic에서는 말로는 충돌 경험이 드러나지 않았지만 간접 지표에서 기저율 처리 흔적이 나왔다. Pennycook et al.은 충돌 감지와 직관을 누르는 분리(decoupling)가 따로 떨어지는 과정이고, 충돌 감지는 때로 실패한다고 보고했다.
의미와 한계: 기저율 무시가 "기저율을 못 봄" 과 "보고도 못 누름" 두 경로로 생길 수 있다는 근거. 교정 전략도 달라진다(감지를 돕기 vs 분리를 돕기). (초록만 읽음)

### 그 밖의 문헌
De Neys, W. (2023). Advancing theorizing about fast-and-slow thinking. Behavioral and Brain Sciences, 46, e111. DOI: 10.1017/S0140525X2200142X — 빠름-느림 이중처리 모형의 배타성·전환 전제를 비판하고 새 구조를 제안한 표적 논문. (초록만 읽음)
Bar-Hillel, M. (1980). Acta Psychologica, 44(3), 211–233. DOI: 10.1016/0001-6918(80)90046-3 — 개별 정보가 기저율보다 "관련 있어 보일 때" 기저율이 밀려난다.
Barbey, A. K., & Sloman, S. A. (2007). Behavioral and Brain Sciences, 30(3), 241–254. DOI: 10.1017/S0140525X07001653 — 포함 관계 설명.
Sedlmeier, P., & Gigerenzer, G. (2001). Teaching Bayesian reasoning in less than two hours. Journal of Experimental Psychology: General, 130(3), 380–400. DOI: 10.1037/0096-3445.130.3.380 — 빈도 표현을 만드는 훈련은 공식 대입 훈련보다 즉시 학습 효과가 크고 시간이 지나도 더 오래갔다.
Mellers, B., et al. (2014). Psychological strategies for winning a geopolitical forecasting tournament. Psychological Science, 25(5), 1106–1115. DOI: 10.1177/0956797614524255 — 참조 집단 사용을 포함한 확률 훈련이 예측의 보정과 해상도를 높였다.
Gigerenzer, G., Hell, W., & Blank, H. (1988). Journal of Experimental Psychology: Human Perception and Performance, 14(3), 513–525. DOI: 10.1037/0096-1523.14.3.513 — 무작위 추출을 직접 보게 하면 판단이 베이즈 답에 가까워졌다.
Weber, P., Binder, K., & Krauss, S. (2018). Why can only 24% solve Bayesian reasoning problems in natural frequencies. Frontiers in Psychology, 9, 1833. DOI: 10.3389/fpsyg.2018.01833 — 자연 빈도를 받고도 많은 참가자가 다시 확률로 바꿔 계산하다 틀렸다.
Taylor, S. E., & Thompson, S. C. (1982). Stalking the elusive "vividness" effect. Psychological Review, 89(2), 155–181. DOI: 10.1037/0033-295X.89.2.155 — 생생함 효과의 실험 지지가 약하다는 검토.
Borgida, E., & Nisbett, R. E. (1977). The differential impact of abstract vs. concrete information on decisions. Journal of Applied Social Psychology, 7(3), 258–271. DOI: 10.1111/j.1559-1816.1977.tb00750.x — 수강 선택에서 대면 한마디가 강의평가 평균보다 크게 작용.
Kahneman, D., & Lovallo, D. (1993). Timid choices and bold forecasts: A cognitive perspective on risk taking. Management Science, 39(1), 17–31. DOI: 10.1287/mnsc.39.1.17 — 바깥에서 보기(outside view) 제안.
Casscells, Schoenberger & Graboys (1978) — 1차 출처 참조.
Eddy (1982) Judgment under Uncertainty 수록 장 — 유방조영술 사례.

비판·한계

### 재현성
Casscells 의료 문제는 36년 뒤 재현에서 비슷한 정답률이 나왔다(18% → 23%) [Manrai et al. 2014].
정보가 있는 묘사에 대한 기저율 무시는 여러 번 재현됐다. 정보 없는 묘사("Dick")에 대한 무시는 연구마다 엇갈렸다 [Benjamin 2019].
자연 빈도 효과는 35편 메타분석에서 견고했다 [McDowell & Jacobs 2017].

### 대표 반론
"기저율 오류는 과장됐다": Koehler (1996)는 기저율이 거의 항상 어느 정도 쓰이고, Bayes 정리를 기계적으로 정답 기준으로 삼는 것이 부적절한 경우가 많다고 비판했다. 원 주장 쪽 근거로는 부분 사용이라도 크기가 작다는 점이 있다. 사전 가중치 d = 0.60(보상 실험 0.43) [Benjamin 2019], 원 실험의 사후 오즈 비 약 1.2 대 Bayes 약 5.4.
"형식의 문제다" 대 "포함 관계의 문제다": 빈도 형식이 풀이 비율을 높인다는 쪽 [Gigerenzer & Hoffrage 1995]과, 핵심은 집합의 포함 관계를 드러내는 것이라는 쪽 [Barbey & Sloman 2007]이 맞선다. 메타분석은 짧은 메뉴와 시각 보조가 두 형식 모두에서 성과를 높였다고 보고했다 [McDowell & Jacobs 2017].
"기저율을 못 본다" 대 "보고도 못 누른다": 간접 지표로 보면 기저율과의 충돌을 감지한다는 결과 [De Neys & Glumicic 2008]와, 감지가 실패하기도 하고 감지 후에도 합리화로 끝날 수 있다는 결과 [Pennycook et al. 2015]가 있다.
이중처리 틀 자체에 대한 재검토(2018년 이후 동향): 기저율 과제는 "빠른 직관은 고정관념, 느린 숙고는 기저율" 이라는 빠름-느림 이중처리 모형의 대표 사례로 쓰여 왔다. De Neys(2023)는 이 모형의 두 전제를 비판했다. 하나는 어떤 종류의 답(예: 기저율에 맞는 답)은 직관으로는 낼 수 없다는 "배타성" 이고, 다른 하나는 직관에서 숙고로 넘어가는 "전환" 설명이다. 그는 여러 분야의 증거를 검토해 배타성을 받칠 근거가 탄탄하지 않다고 결론 내고, 새 이중처리 구조를 제안했다. 이 관점에서는 기저율 무시를 "숙고를 안 해서" 로만 설명하기 어렵다. 이에 대한 동료 논평과 반론은 이번 작업에서 읽지 못했다.
"기저율 무시" 대 "보수주의": 같은 베이즈 과제에서 반대 방향 오류(증거를 덜 씀)가 더 흔하게 관찰된다. 두 오류는 한 사람에게 공존한다 [Benjamin 2019]. "사람은 늘 사례 정보를 과신한다" 로 일반화하면 틀린다.

### 쓰면 안 되는 상황
사례 정보의 진단력이 높을 때 — 판별력이 높은 사례 정보는 기저율보다 큰 무게를 받는 게 맞다. 기저율에서 출발해 사례 정보로 조정하는 것이 규범이다. 사례 정보를 버리라는 뜻으로 쓰지 않는다.
기저율 자체가 모호하거나 불안정할 때 — 어떤 참조 집단의 비율이 맞는지 정할 수 없으면 Bayes 계산의 "정답" 도 흔들린다 [Koehler 1996].
이미 증거를 덜 믿는 사람에게 — 보수주의(과소 추론)가 흔하므로, "증거보다 기저율을 보라" 는 처방이 오히려 갱신을 더 늦출 수 있다 [Benjamin 2019].
빈도로만 바꾸면 해결된다고 볼 때 — 빈도 형식에서도 절반가량은 틀렸다 [Gigerenzer & Hoffrage 1995].