思考,快与慢-第64章
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
坝幸庖宓呐丁薄６琳呋剐瓒炼尘俺率觥懊枋龇浅Ｖ匾纾绻掣隹赡艿慕峁还辜艹梢恢炙鹗В庵纸峁岜裙辜艹墒找嬗懈蟮挠跋臁薄�
关于助推的例子有很多，比如之前已经提过的关于耗油量公开信息的框架规则，而其他方面的应用还包括自动参加健康保险，用新的膳食指南代替令人费解的膳食宝塔（新的膳食指南是由一个盛满营养均衡的食物的盘子所表示），以及美国农业部门（USDA）所指定的规则，即允许在肉制品标签上写上类似“90％无脂肪”等信息，而“10％的脂肪”也可以说成“接近于瘦肉率颜色的表述方法，即描述出与同脂肪率的肉相同的色泽、大小及种类”。与经济人不同的是，人类需要帮助才能作出好的决定，且这种帮助可以通过告知或不介入的方式得以实现。
两个系统
本书将大脑的运作描述成了两个虚拟人物不稳定的相互作用，这两个虚拟人物就是自动的系统1以及需要付出努力的系统2。现在，你对这两个系统的个性已经相当熟悉了，也能够预测他们在不同情境下可能的回应方式。当然，你也知道这两个系统并不是真正存在于大脑或其他地方中。“系统1做了某事”是“某事自主发生”的简略说法。“系统2被动完成了Y”是“更兴奋，瞳孔扩散，注意力集中，Y活动开始进行”的简略说法。我希望你能和我一样，交谈时使用关于两个系统的语言，这样的话，交谈就会更方便，还能在不知两个系统存在与否的问题时凭直觉判断系统的运作方式。作出这些简要说明后，在后面的内容中，我会继续使用两个系统的说法。
我们对自己的看法就是对系统2的看法。系统2会进行判断和选择，但它会认可系统1形成的观点和感觉，或将这些观点和感觉合理化。你可能没有意识到你对某个项目持乐观态度，只是因为此项目的领导使你想到了自己亲爱的姐姐。或是，你或许会厌恶和你的牙医长得像的人。如果你想寻求一个解释，就要搜寻记忆，寻找一些像样的理由，你最后肯定能找到一些。另外，你还会相信自己编造的故事。系统2不仅是系统1的辩护者，它也能避免许多愚蠢的想法和不当表达而引起的冲动。投入注意力能提升众多活动的表现（试想在思想混乱时在狭窄的路上开车的风险），对于一些任务来说，注意力的集中还是必要的，例如在进行比较、选择和推理时。然而，系统2并不是理性的模范，其能力以及能够掌握的信息都是有限的。我们在推理时，头脑不会总是很清醒，我们犯错也不全是因为突然想到的不恰当的直觉。通常，我们犯错是因为我们（系统2）无法再了解到更多的信息。
我花了更多的时间来描述系统1，也用了很大篇幅描述我源于直觉判断和选择的错误。然而，相对的篇幅并不是评判直觉思考优劣的好指标。系统1是我们许多错误的原因，但也是我们许多正确做法的原因，而且我们也常做正确的事。我们的想法和行动通常由系统1指导，是当机立断的。系统1的一个优点就是储存在我们联想记忆中丰富而详细的世界：在这个世界里，人们能在不到一秒的时间内，从普通事件中区分出令人惊奇的事件；立即对自己所期望的事生成想法，并对令人惊奇之事和正在发生的事自动搜寻有因果关系的解释。
记忆能记录我们一生中习得的技能，因而也会自主产生解决方法来应对不断出现的挑战（比如绕过路上的一块大石头走，避免让顾客挑出错误）。技能的习得要求有固定的环境、练习的机会，以及对自己想法和做法快速且明确的反馈。当这些条件都满足时，就能掌握技能了，且此后快速闪现在大脑中的直觉性判断和选择都会是正确的。这些都是系统1来完成的，也就是说这些是快速且自主发生的。有技能的行为是能快速有效地处理大量信息的能力。
若挑战碰上了有技能的应对方法，这个应对方法就能被唤起。如果没有技能，又会发生什么呢？此时，系统2显然要介入，就如同回答“17乘以24等于？”这个问题，其结果肯定是确定的。但想要系统1对系统2的能力表现出吃惊，不介入进来却不太可能。系统1不会受能力的限制，在计算时不要求确切数值。在搜寻某问题答案时，它能自动生成对相关问题的回答，还可能会将所问问题的答案替换成很容易出现在头脑中的回答。在启发式的概念中，启发式的回答并不一定比原来的问题更简单或需要更少的努力，启发式的回答只是更容易想到，更快、更容易被发现而已。启发式的回答不是随意想出来的，它们“似乎”是正确的答案。不过，有时也错得离谱。
系统1在处理信息时，可能会产生认知放松。当信息不可信时，系统1也不会生成警告信号。人们会快速且自信地进行直觉性回答，不管这些回答是否源于技能或启发式。系统2没有简单的方式来区分有技能的和启发式的回答。唯一的方式是放慢速度、自身构建出一个答案，这个答案可能不会被轻易接受，因为系统2比较懒惰。系统1的很多建议常常没有通过最基本的检验就得到了人们的支持，就像球拍和球的问题。这就是系统1得到“错误和偏见的起源”这个负面称号的原因。系统1的运行特征，包括眼见即为事实、强度匹配和联想一致性等，会产生可预测的偏见和认知错觉，比如锚定效应、回归平均值的预测、过度自信，以及许多其他错觉。
对于偏见我们能做什么呢？我们如何提升判断和决策（这些判断和决策来自我们自身和那些我们为之服务也服务于我们的机构）的质量呢？从自身经验来谈，系统1的运行方式是不能教给别人的。我除了认为年龄会有些影响外，我们的直觉思考就像我之前对这些问题作的研究那样，包括过度自信、极端预测和计划失误的倾向。我只提升了对易犯错误的情境的识别能力，“这个数字会成为一种锚定……”，“如果问题被重新架构，决策会改变……”而我在识别别人错误的过程中，也取得了更多的进步。
避免系统1出错的方法从原则上讲是很简单的：认识到你正处于的认知领域，放缓并要求系统2来加以强化。当再次碰到缪勒，莱耶错觉图时，你会怎么做？当你看到有箭头的线段指向不同的方向时，你会意识到现在你不能相信自己对长度的直觉。不过，这种明智的过程在最需要的时候不会被应用到生活中。我们都希望在自己要犯错时能有个铃声提醒自己，但这是不可能的，认知错觉比感知错觉更难以识别。理性的声音也许比错误的直觉响亮又清晰的声音更微弱。当你面临着重大决策的压力时，质疑自己的直觉会让你感到不愉快。当你处于麻烦中时，最不愿意看到的就是有更多的质疑。这样的结果就是，相比自己要犯错时，你在观察别人是否要犯错时，能更容易辨认出雷区。观察者会比实施者在认知上更为放松，更愿意接收信息。我写本书的一个原因就是指导批评家和传闲言碎语的人，而不是指导决策制定者。
机构要比个人更容易犯规避错误，因为机构的人多，自然就会思考得很慢，也更有能力按规则行事。机构可以制定和有效使用检查表，还可以深入开展，比如参考类别的预测以及“事前验尸”练习。机构能够鼓励其成员形成一种在靠近雷区时互相留意和提醒的文化，而这种文化的形成一部分是通过为其成员提供一些独特的词汇。无论机构是干什么的，都涉及判断和制定决策，就像是工厂生产产品，每个工厂都应该有保障其产品在最初设计、装配及最后检查时的质量的方法。决策产生的相关阶段包括解决框架问题、收集引导决策的相关信息、反馈以及检查。想要提高其决策质量的机构应该经常在每一个阶段里搜寻可提高效率的环节。这个运作的概念是有规律的。持续的质量控制通常是在危机产生后机构采取的对过程的全面回顾。其中一个例子就是明显缺乏主持高效会议必要技能的系统训练。
基本上，更为丰富的语言对于建设性批评来说是必不可少的技能。与医疗相似，辨别判断性错误就像是在诊断病人，需要一些精确的词汇。从某种疾病的名字中，我们希望得到所有关于这一疾病的信息，包括其易感染性、环境因素、症状、预断及治疗等。与其相似的是，如“锚定效应，”“窄框架”、“过度一致性”也能使我们想到关于某个偏见的所有信息，包括其原因、影响以及我们能对其做些什么。
在办公室饮水机旁的闲谈与决策有直接的联系：闲谈越多，所做的决策就可能更好。有时，决策制定者能听到大家当时传的闲言碎语和批评，这比听自己内心疑虑更容易。当他们相信批评自己决策的人经验丰富且公平正直，或当他们希望自己的决策能通过制定的方式而不是结果来评判的话，就会做出更好的决策。
附录A 不确定性下的判断：启发法和偏见
（本文首次刊登于1974年的《科学》杂志上，第185卷。美国国防部高级研究计划局为此项研究提供了支持，海军研究办公室也与位于尤金的俄勒冈研究院签订了合约，监督该研究。另外，该研究还得到了位于以色列耶路撒冷的希伯来大学研究与开发部门的支持。）
我们所做的许多决策都是基于对不确定事件概率的信念，这些不确定事件包括选举结果、被告的内疚感或是美元的未来价值。这些信念通常被表述为“我想……”“概率是……”“它是不可能的……”等。对于不肯定事件的信念有时还能以概率或主观概率等数字形式表现出来。那么，是什么决定了人们的信念？
人们又是怎样评估不确定事件的概率和不确定数量的价值呢？本文将会告知你们，人们依赖于数量有限的启发式原则，而这些原则能将测量概率以及预测价值的任务简化，使其成为更为简单的判断过程。总的来说，这些启发法相当有用，但有时也会导致严重的、系统性的错误。
对概率的主观评估与对距离或大小等物理量的主观测量相类似。这些判断都依赖于效度有限的数据，是根据启发式的规则进行的。例如，某物体的距离取决于其清晰程度。物体看上去越清楚，其距离就显得越近。这条规则有一定的效度，因为在任何给定的情境中，距离较远的物体都会比距离较近的物体更不清楚。然而，对这条规则的信赖会导致我们在测量距离的过程中产生系统性错误。特别是在能见度较低时，物体轮廓就会模糊，而其距离就常常会被高估。另一方面，在能见度较高时，物体轮廓就会清晰，其距离也就会被低估。因此，如果依赖于清晰度，将清晰度作为测量距离远近的标尺的话，就会导致普遍的偏见。这样的偏见在对概率直觉性的判断中也会出现。本文将描述三种应用于判断概率和预测价值的启发式，列出由这些启发式引起的偏见，并讨论这些偏见的实际应用和理论内涵。
代表性
人们考虑的许多概率问题都包含在以下某个类型当中：物体A属于类别B的概率是多少？事件A起源于过程B的概率是多少？过程B引起事件A的概率是多少？人们在回答这些问题时，会典型地依赖于代表性启发法，即通过用A来代表B，也就是通过比较B与A的相似程度来对概率进行评估。例如，如果A能高度代表B，人们就会认为A源自B的概率高。但如果A与B并不相似，人们就会认为A源自B的概率低。
若想通过代表性对判断进行阐述，请考虑下面这个情况，若有某个人被他原来的邻居描述为：“史蒂夫非常腼腆，少言寡语，很乐于助人，却对他人或这个现实世界没多大兴趣。他谦恭有礼，做事井井有条，中规中矩，关注细节。”人们如何从一个可能的职业列表中（例如农民、售货员、飞行员、图书管理员或是医生）评估他从事某个特定职业的概率？又如何根据可能性的大小来将这些职业进行排序呢？在代表性启发法中，例如，史蒂夫是个图书管理员的概率是通过其与典型的图书管理员形象的代表性或相似性来进行评估的。事实上，对于这类问题的研究已经表明，人们对职业概率的排序与对职业相似性的排序方法完全是相同的。而这种关于概率的判断方法会导致严重的错误，因为相似性或代表性不会受到某些因素的影响，而这些因素却能影响对概率的判断。
对结果的先验概率（prior probability）不敏感。对代表性没有任何影响而对概率有重要影响的其中一个因素是结果的先验概率，或基础比率。例如，在史蒂夫的那个例子中，在我们作出史蒂夫是个图书管理员而不是农民的理性评估时，�
![[来自星星的你]叫兽,快迎接你母星的小伙伴！封面](http://www.34gc.net/cover/18/18620.jpg)
