Même des données d'apparence parfaite peuvent induire en erreur si elles reposent sur des bases biaisées. Dans ce module, les étudiants étudieront comment un échantillonnage défectueux, des données manquantes ou invisibles et des rapports sélectifs faussent ce que nous pensons savoir, et comment examiner de manière critique non seulement la source des données, mais aussi la manière dont elles sont cadrées, filtrées et utilisées.

Les chiffres ne mentent pas, mais ils peuvent induire en erreur en l'absence de contexte. Dans ce module, les étudiants étudieront comment l'agrégation, la négligence du taux de base et le cadrage sélectif faussent notre compréhension des données. Ils apprendront à remettre en question les comparaisons qui leur sont présentées et à réfléchir attentivement à celles qui ne le sont pas.

À l'ère de la GenAI, les grands modèles de langage peuvent devenir des outils puissants pour affiner notre jugement plutôt que de le remplacer. Ce module montre aux étudiants comment utiliser les outils de la GenAI pour tester des hypothèses, simuler des désaccords, faire émerger des perspectives alternatives et réfléchir de manière plus critique à leur propre raisonnement.