偏见的发生与抵御——《思考，快与慢》读书笔记（二）

       我们脑海中有着系统1和系统2两种角色，而懒惰的系统2常常让系统1做决策，在“直觉”的作用下，各种各样的偏见就产生了。

一、小数定律

       用统计学理论来说，相比于大样本，极端的结果更容易出现在小样本中。这句话看上去并不能对大家造成多大的冲击。实际上，这句话的意思是要让我们对一些小样本中产生的结果提高警惕。

      比如，“一次面向300名老年人的电话民意调查中，有60%的人支持总统。”对于这个调查结果，大部分人都会直觉地推导出总统在老年人中的支持率很高这个结论。但是实际上300个样本只是一个小样本。我们普通人对于样本大小没有概念，所以总是倾向于相信一些抽样调查就能反应整体的情况。这一偏见就是“小数定律”，即对事物的信任多过于质疑。

      在小样本中出来的结果往往是随机的，可是由于系统1天生喜欢识别因果关系。人们总是会为小样本出来的结果找到一个合理的因果联系而更加深信不疑。在生活中，人们也总是愿意相信事情总有因果联系，而不愿意相信，很多事情都是随机的结果。

二、锚定效应

      “人们在对某一未知量的特殊价值进行评估之前，总会事先对这个量进行一番考量，此时锚定效应就会发生。”

      以书中的例子来讲，“如果问你甘地死亡的时候是否大于114岁，你在估测他死亡的年龄时会比锚定问题是35岁（死亡）时更高。”

       在我们脑海中没有关于甘地死亡的年龄的知识的时候，我们会以参照数据为依据，对问题的答案进行评估。不同的问法，提供了两个不同的参照数据（114/35岁），所以我们的答案也会受到相应的影响。

      锚定效应的发生机制有两种原因：第一种是以给定的参照为依据进行调整、但是并没有完全的调整到位，这是系统2的懒惰所致；第二种是给定的参照数据引发了系统1自然而然存在的联想和记忆。

      不论是哪一种发生机制，锚定效应在生活中无处不在。比如对于某一处房产，我们的心理价位往往会被它的售价所影响。比如对于一个捐款活动，问是否愿意捐出5美元和20美元，就会使人们愿意捐出的数目不同。

      比较让人担心的事情是，引发锚定效应的参照数据甚至是随机的、毫无根据的。书中讲到一个例子。让一些法官来读同一个案例（一个妇女在商店顺手牵羊被捉拿到），然后让法官们掷骰子，而骰子被做过手脚、只能扔3或者9。最后，实验人员发现，掷了9的法官说会关这个妇女8个月，而掷了3的法官说会关5个月。

       所以，我们要学会克服锚定效应，就一定要脱离给定的参照数据的桎梏和约束。

      关于谈判，书中给出建议：“我在教学生谈判时，给他们的建议是如果你认为是对方作出了无礼的提议，你就不应该提出同样无礼的提议，因为两者之间有距离的话会使此后的商谈难以进行。你应该大吵大闹，夺门而出，或者威胁对方说自己也会这样做，要让对方明白以这个数字为基准的话，谈判将难以继续。”

三、可得性启发

       可得性启发法是用一个问题替代另一个问题：你希望估测某一范畴的大小或者某一事件的发生频率，但你却会提到自己想到相关事例的轻松程度。

      在处理自己和团队的关系的时候，出于对自己的关注，总是会不自觉地很轻松地想起自己做了很多事情。如果意识不到这是可得性启发引发的偏见之一，就会认为自己所做的贡献比团队中的其他人员更大。

       实际上，“任何情况下，每个人都该牢记这一点。你做的事情偶尔会超出自己的分内事，但你应该知道，当你有可能有这种感觉的时候，你的团队里的每个成员也都可能有同感。”

       所以，当明白这是一个偏见的时候，可以调整自己的心态，处理好与团队中其他成员的关系。朋友、家人、夫妻等关系也可以如此类推。

       同时，对可得性启发产生的偏见有所认识，更不容易对自己产生误判。

       如果我们只以想起的事例的轻松程度来判断自己的性格和处事方式，会发现想起某个方面的事例的顺利程度是不同的。但实际上提取内容的顺畅度本来就会递减。意识到了这个事实后，我们更能从提取事例的内容而不是轻松程度来判断自己的性格和处事方式、做出更正确的判断。

四、对风险的感知偏见和公共政策制定的关系

       看到这里，对于这句话我想大家都会很认同：“我们脑海中的世界并不是真实世界的准确反映；我们对事件发生频率的估测也会受到自己接触这些信息和频率与个人情感强烈程度等因素的影响。”

      所以也许明明在统计学的概率上来说，A事件发生的概率比B事件发生的概率要大，A事件更有风险。但是由于我们最近集中看到的是关于B事件发生的各种信息，对个体来说，B事件从情绪上带来的恐慌更大。

      这种感知上的偏见，常常对某些公共政策制定的影响很大。书中举例的美国的艾拉恐慌事件，就是因为媒体、公众关注等各种因素的叠加效果，最终让恐慌的情绪感染了民众，让民众认为这是急需解决的问题、并让政府投入了大量的公共资源。而实际上，这些公共资源，也许更应该投放到更危急的、概率更大的问题上去。

      对于“专家”，书中有两种截然不同的态度：一位学者认为，应该让专家远离公共决策，因为他们只会从冷冰冰的数据来分析、而不能直观地理解风险真正对于人的意义何在；另一位学者则认为，公共事务还是需要专家来进行专业的分析，抵制平民的“越轨”。两种观点孰是孰非，很难论断。

      书中最后给出的建议是：“心理学应该助风险政策的设计一臂之力，使之集专家知识、公众情感及直觉于一身。”

五、汤姆问题与琳达问题

      汤姆与琳达都是心理学试验中虚构的情景中的主人公。汤姆试验大概是这样：给定一些关于汤姆性格的典型性描述，让受试者来猜汤姆的专业最可能是哪个专业。

      琳达问题也是类似，通过对琳达做一些典型性的描述，给出一些概率事件组合，要求大家对概率大小进行排序。

      通过试验，发现大家在做推论的时候往往忽略简单的基础比率，而更倾向于那些复杂但貌似合理的事实。

      比如，琳达是名出纳和琳达是积极参加女权主义运动的出纳这两个描述之间，抽离出来看，前者只有一个描述；后者更复杂。显然，后者更具有特殊性、叠加起来的概率更低。可是大多数人都会基于琳达的一些典型性描述而去选择论点二。

      这就是合取谬误：“合取谬误”（conjunction fallaly）这个想法，通过直接比较，人们总会认为两个事件（在此即为银行出纳和女权主义者）的联合出现比只出现其中一件事（银行出纳）的可能性要大，此时就出现了合取谬误。

      我们总是倾向于相信合理的、复杂的、有因果关系的表述，而忽视其实现的可能性。琳达效应类似的，还有“少即是多”的偏见。如果将这个琳达的问题替换为一个与经济相关的例子。那么在同样价值的物品上，如果附加一些物品，反而会降低整体物品的价值。

       要克服这样的偏见，可以用贝叶斯定律来约束直觉：

       “第一，基础比率十分重要，即便是在手头的案例已有证据的情况下依然如此；第二，通过分析证据得到的直观印象通常都会被夸大。”

六、统计学信息接受度偏见

      当一个统计学的信息展现在我们面前时，我们并不如我们所想象的那样能够明白这到底代表着什么。

      正如前面的“大数法则”“小数定律”等表述的时候，没有具体的案例，我们仍然不明白它在我们思维过程中意味着什么。

      对于“概率”，我们更容易接受“因果”的设定。“相较于非因果关系的信息来说，用因果关系进行解释的统计学结果对我们的想法影响更大。但即使是具有说服力的因果关系统计数据也不会改变我们在个人经历中形成的长期坚守或是根深蒂固的信念。”

      所以，本书中为什么要给出那么多具体的案例，以及直接向读者提问的问题，也是希望能够让统计学的、心理学的一些规则与我们自身联系起来，从而达到影响我们的目的。

七、直觉性预测与回归平均值

      因为我们更容易接受“因果关系”的设定，所以我们常常认为，我们可以用直觉，从因推导到果，从现在预测到未来，从一件事预测到另一件事。

      实际上，事情的发生和表现，往往很多时候是随机的。很多时候会发现，对于一个运动员来说，今天的成绩好、不代表明天的成绩就好；对于一个人的面试表现，这回表现差，并不代表下次也差。大多数的情况是，人的表现会回归平均值，不会一直很好或者一直很差。每一次的表现和前一次的表现并无因果关系。

      “当人们按照要求预测时，他们总会将预测替换为对所描述问题的估测，而去没有意识到他们回答的问题并不是那个被问到的问题。这个过程证明预测时会存在系统偏见；他们完全忽略了一点，即应该回归到平均值上来。”

      在进行直觉性预测的时候，我们意识到回归平均值这一现象的存在。以审慎的态度，发动我们的系统2，找到相关的参照物，将倾向于相信极端性、罕见性事情发生的直觉性预测修正回来、回归到平均值。

      我想在看完这一部分后，大多数人都会和我一样沮丧。每个人的思维定式在潜移默化中已经形成，所以我们拥有这样或者那样的偏见。在阅读这些偏见的现象之前，我们是身处其中而不自知，还往往为自己的“直觉”的功能发挥感到骄傲。

       再次反思，概率在我们的日常生活中，不是冷冰冰的数据，更不是只意味着“因果关系”。发生在生活中的种种事件，有随机性、也有相关性，做出判断和预测的时候，要对显露的证据和自然而然生发的“直觉”保持审慎和怀疑的态度。慢一点、再慢一点，思考、决策。

（待续）