Judgment under Uncertainty · X光报告

NAPKIN | 一句话精华

人类不是用概率计算来判断不确定性——而是用一套快速但系统性有偏的心理捷径（启发式），而且对这些偏差完全无自知。

SKELETON | 骨架结构

因果链

不确定环境中需要做判断
  → 贝叶斯推断计算量太大
  → 大脑用启发式替代
  → 代表性启发式：基于相似性判断概率（忽略先验）
  → 可得性启发式：基于提取容易度判断频率（被媒体/情绪劫持）
  → 锚定效应：基于初始值做调整（调整不足）
  → 这些启发式在大多数日常场景中"够用"
  → 但在统计推理、风险评估、低概率事件中系统性失败
  → 专业训练可以减少但无法消除偏差
  → 校准（知道自己不知道什么）比准确性更重要

三大支柱

支柱一：代表性启发式——"像"什么就"是"什么

人们通过判断一个事物与某个原型的相似度来估计其概率，而忽略了基础率（先验概率）。"Linda问题"：被告知Linda是哲学系毕业、关注社会正义的人后，多数人判断"Linda是女权主义银行柜员"比"Linda是银行柜员"更可能——这违反了逻辑（交集不可能大于子集）。但描述太像"女权主义者"了，代表性压过了逻辑。

支柱二：可得性启发式——想起什么就怕什么

人们通过回忆某类事件的容易程度来估计其频率。飞机失事比车祸死亡率低两个数量级，但因为飞机失事更"可得"（媒体报道更多、画面更震撼），多数人更怕飞行。任何增加事件"可得性"的因素——近期发生、情绪强烈、画面生动——都会导致系统性高估。

支柱三：锚定效应——你的判断被不相关的数字控制

当人们在不确定中做数值估计时，任何先前出现的数字都会成为"锚"，后续判断围绕锚做不足的调整。Tversky & Kahneman的经典实验：先转一个随机数字轮盘，然后问"联合国中非洲国家的百分比"——轮盘结果显著影响了估计值。锚甚至不需要有信息量。

DISSECTION | 解剖洞见

洞见一：过度自信——偏差中的偏差

Kahneman等人发现：人们对自己判断的信心系统性地高于判断的准确性。当人说"我90%确定"时，正确率通常只有70%。更糟的是，专家的过度自信往往比普通人更严重——因为专家有更精致的合理化能力。唯一例外是经过大量即时反馈训练的领域（天气预报员是罕见的校准良好的群体）。

洞见二：基础率忽略——你看到的不是统计上最可能的

代表性启发式最致命的后果：人们被"故事"的生动性俘获，完全忽视统计基础率。一个症状"像"某种罕见病的描述，医生就倾向于诊断罕见病——即使该症状99%的情况是由常见病引起的。

洞见三：回归均值——被系统性忽视的统计规律

极端表现之后往往回归均值——不是因为任何因果机制，而是纯统计规律。但人们本能地为回归均值寻找因果解释。教练惩罚了表现差的球员后球员表现变好→教练认为惩罚有效。实际上：极端差的表现本身就会自然回归。

洞见四：框架效应——同一件事换个说法改变你的选择

相同的选项用"收益框架"描述时人们规避风险，用"损失框架"描述时人们寻求风险。"90%存活率手术"和"10%死亡率手术"是同一手术——但选择率完全不同。

SOUL | 灵魂拷问

问题二： 你对"不可逆"的恐惧有多少是基础率判断，有多少是可得性偏差？你能列出三个你做过的不可逆决策并且结果还不错的案例吗？

graph TD
    A["不确定环境"] --> B["需要判断/决策"]
    B --> C["贝叶斯推断（理想但昂贵）"]
    B --> D["启发式（实际使用）"]
    D --> E["代表性：像什么=是什么"]
    D --> F["可得性：想得起=常见"]
    D --> G["锚定：先看到=基准"]
    E --> H["基础率忽略"]
    F --> I["显著性偏差"]
    G --> J["调整不足"]
    H --> K["系统性判断错误"]
    I --> K
    J --> K
    K --> L["过度自信：对错误判断极其确定"]
    L --> M["唯一解药：环境改造 + 外部校准"]

    style D fill:#e74c3c,color:#fff
    style K fill:#e67e22,color:#fff
    style L fill:#8e44ad,color:#fff
    style M fill:#27ae60,color:#fff