查看原文
其他

你以为你以为的就是你以为的?

Prismo 酷炫脑 2019-04-11


Richard Feynman


“有一个女人变得神经兮兮的,她开始怀疑她的丈夫正试图找她麻烦。譬如她不喜欢他进屋,但他还是想方设法要进屋,这正好说明他在找她的麻烦。丈夫找来朋友想要说服她,虽然她知道这是个朋友,但她内心却还是偏激地认为这不过是进一步证明了他的可怕企图,朋友只会强化她脑海里的惊恐。邻居们过来调解,劝了好一阵子,但没什么效果,最后邻居们也只好各自回去了。丈夫的那个朋友跑到邻居家想请他们再努努力,但邻居们都表示他们已经厌倦了。这个女人觉得邻居们会告诉她的丈夫她曾说过的所有可怕的事,然丈夫会利用这些人来对付她。所以她打电话给警察局,她说,‘我好害怕’。


现在她把自己锁在房子里。她说,‘我好怕,有人想闯到屋子里来。”警察来了,想和她谈谈,他们认为没有人想闯进她的屋子。警察们要回去了,这时她想起来她丈夫是这座城市里的重要人物,她记得他在警察局里有朋友警察局也是这阴谋的一部分。她的猜想再次得到了证实。她从窗口看出去,看到对面有人在一个邻居家串门。他们在说什么?她看到后院有什么东西在动,他们在用望远镜监视她!不过事后证明那只是一些小孩在后院里用木棍耍着玩罢了。她就这样不停地胡思乱想,直到把所有人都牵扯进来。


她想起来了,她叫的那位律师曾也是她丈夫的一个朋友的律师,而那个一直在劝她到医院做检查的医生明显也是站在她丈夫那边的。


唯一的办法是保持一定的心理平衡,认识到不可能整个城市都跟她作对,不可能每个人都会注意到她丈夫的无助,人人都在忙着这件她这件事。他们沆瀣一气,所有邻居,每个人都恨她——这就过分了。但你怎么向一个不明事理的人解释这一切?”


费曼,《费曼讲演录》


 酷炫脑作者 / Prismo

审核校阅 / 酷炫脑

    编辑 / Mandy


费曼在这里描述了一个有着迫害妄想的女人的心路历程,你可以轻而易举地看出她的思维荒唐之处。虽然一般人很少会有这样扭曲狭隘的思维方式,但我们的思维也远远不像我们自以为地那么理智和公平。


前不久的高考带火了一个名词:幸存者偏差。它指我们在分析统计问题时,往往只能看到那些“幸存者”的数据,而忽视了因为筛选过程而被筛选掉的信息。关于幸存者偏差的文章想必大家这几天都看了不少,在此我就不赘述了。而除了现在被人熟知的幸存者偏差外,在这篇文章中我还将会为各位介绍我们在日常生活中因使用直觉导致而导致的其他认知偏差。


幸存者偏差实例:我们看到的样本使我们相信红点区是最容易被击中的,所以这些是需要加固的区域,然而,事实上也许是因为其他区域一旦受到伤害就无法返航被记入样本。图源Wikipedia


 01 

4 种常见认知偏差


#1

代表性偏差

Representativeness bias



假如现在我想通过问卷调查的方式了解可口可乐和百事可乐哪个更受欢迎,于是我问了身边的 10 个朋友,有 7 个人说喜欢可口,3 个人喜欢百事,我因此得出可口可乐在市场上更受欢迎的结论。什么?你说我的数据太少了?那我就再问 3000 个人,这次得到的结果是 2999 个人喜欢百事 1 个人喜欢可口——只不过我是在百事可乐的工厂分发的问卷。


很明显,我的统计方法犯了很多错误:第一次样本过小,第二次样本不具有普遍性。在科学领域,想要实验结果被学术界认可,样本一定要通过统计公式的检测来证明你的结果的确是客观存在而不是因样本的特殊性产生的。但在日常时候中,我们很少对看到的信息进行计算,再加上新闻一般是对个体事件的报道,这就很容易让人产生这种认知偏差。


比方说,某某新闻报道一位老人在吃了土以后奇迹般治愈了癌症——且不说老人同时进行的现代医学治疗,这个个例也不能证明吃土就有助于抗癌。


代表性偏差在生活中的另一个体现是我们对群体的“偏见”会来自个体。有人在上世纪八十年代做过一个实验,研究人员让参与者坐在屏幕前看关于狱警的视频。视频中的狱警有的有着一颗关怀之心,有的则残酷冰冷。接着,研究人员告诉参与者这些狱警是“典型”还是“非典型”的,并让他们回答一系列关于法律正义体制的问题。结果是,尽管那些看了残酷狱警视频的人被告知这些警察是“非典型”的,他们仍对体制提出了负面的想法。这就是将小且特殊的样本(残忍的狱警)当作整个群体(所有狱警)而产生的认知偏差。


反过来,我们对个体的评价也会被其所在的群体影响。



最常见的就是“地域黑”和“种族黑”——将自己对一个地区或种族的整体观感套在每一个个体身上。这要么做不仅是没有礼貌的,也让人觉得你没有什么思想。


#2

基本比率忽视

Base rate neglect


在统计学中,基本比率指的是一个事件根据以往经验得出的概率,所以又叫先验概率(prior probability)。了解统计学的人都应该知道,在通过实验得出数据后,我们不仅要看数据本身,还要看你的理论本身的先验概率。


举个例子,小明是北大的学生,他平时喜欢看考古相关的书籍,每月都要参观一次自然博物馆,家里还摆满了恐龙模型。那么小明是学什么专业的呢?计算机?中文?物理?还是古生物学?当你不假思索地回答最后一个选项时,有没有想过,北大古生物学一届人数只有个位数,而中文系却有上千人。即使古生物学有 99% 的人符合关于小明的描述,而只有中文系只有 1% 的人符合,但在算上两者的先验概率后,小明是中文系学生的可能性仍比古生物学的可能大。

 

尽管左边人群中红色小人的比例更高,但是若随机选取一个红色小人,它出自右边人群中的几率会更大


#3

合取谬误

Conjunction fallacy


要了解这个谬误,我们得先看一个问题:


琳达是一位 31 岁的女性,她单身,外向,聪慧。在大学时,她攻读哲学,并且非常关心社会歧视及不公现象,她还曾参与过反核活动。现在,请在下面的描述中排列出你认为最可能是对琳达描述的选项:


1. 琳达是小学老师;

2. 琳达是书店员工,并且喜欢瑜伽;

3. 琳达积极参与女权运动;

4. 琳达是女性投票联盟的一员;

5. 琳达是银行出纳员;

6. 琳达是乐器销售员;

7. 琳达是积极参与女权运动的银行出纳员。



这是一个看似很简单的问题,可是大多数人都会把第七个选项“女权主义银行出纳员”排在第五个选项 “银行出纳员”之前。


没错,从描述上看,琳达非常可能是一个“女权主义者”,但似乎我们并不能从描述中看出什么跟“银行出纳员”有关的信息。此外,从统计学的角度进行分析,“同时是女权主义者和银行出纳员”的几率不可能比“是银行出纳员”的几率大。


#4

确认偏误

Confirmation bias


“这个测试简直太准了,你们快来做呀!”


相信大家都在朋友圈见过所谓的心理测试文章,用寥寥几题就能测出你的性格、爱好甚至命运。如果真的这么神奇,那心理医生们都可以下班了。事实上,这类文章除了把每个选项都能写得符合绝大多数人的情况外,还利用了人们的确认偏误,即我们会更关注“确认”或能“支持”我们观点的证据。当你觉得这类测试题很准的时候,你很可能就会忽视其中不准确的信息而只关注那部分恰好正确地描述了你性格的语句。


除性格测试外,我们日常生活中的不少地方会涉及到确认偏误。最常见的现象就是人们在坚信一个理论后对其相关的正面信息都会给予更多注意,从记忆中提取支持这一理论的相关事件的倾向也会更强。


比方说我现在告诉你大狗普遍比小狗更凶,你可能不仅会想起以前遇到的凶猛大狗,在以后生活中,你对凶猛的大狗可能还会更注意,从而加深对“大狗普遍比小狗”这一理论的信仰。当然,这只是随便编的例子,并不代表关于狗的事实。所以,当你觉得所有证据都支持你的观点时,要多想一想,自己是不是忽视了那些反对的数据?


一个确认偏见的实例:当你觉得游戏系统“针对”你时,你会更倾向于记住输掉的那几局并放大它们在整个游戏生涯中的比例。


看来不假思索的直觉在很多情况下会导致我们做出错误的决定。但是为什么我们却如此相信它呢?(至于坚信自己的直觉很准确的同学,别忘了幸存者偏差和确认偏见哦)


我们的认知系统可以分为两个板块:自动处理深度处理。前者可以想象成大脑自带的“挂机”功能,不需要太多的能耗和精力就可以处理很多基础的信息,包括颜色识别、深度视觉、表情检测和非常粗略的估算。而后者则涉及到注意力、逻辑分析、数字运算等等能力,负责在有需要的时候处理高阶信息。然而,尽管深度处理系统有着高准确率和逻辑性,但它只在人精神集中的情况下才能运作,此外它的运算速度也比较慢,且受时间的限制。


试想一下,如果你一天 24 小时都得保持精神最高度集中的状态去做数学题,你更可能是的不到半天就精疲力竭了。因此,在生活中的很多时间里,我们都在运用自动处理系统去解决问题的,也就是所谓的“直觉”


 02 

如何避免认知偏差


那么,如何避免认知偏差对思维的影响呢?


首先,要知彼知己:了解哪些认知偏差在以什么样的方式来左右自己的决定。其次,要经常动用深度处理系统去工作。当你看到一条新信息的时候,可以尝试慢慢思考背后的逻辑和数据支持,而不是全盘接受或是一味否认,更不要让你的大脑一直处于“挂机”的状态。


这篇文章只举了几个例子,而实际上心理学界发现的认知偏差远不止这几种,大家有兴趣可以继续去了解。


参考文献:

[1] Kahneman, D. (2015). Thinking, fast and slow. New York: Farrar, Straus and Giroux.

[2] Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. 

Judgment under Uncertainty, 3-20. 

[3] Hamill, R., Wilson, T. D., & Nisbett, R. E. (1980). Insensitivity to sample bias: Generalizing from atypical cases. Journal of Personality and Social Psychology, 39(4), 578-589.

[4] Kahneman, D., & Tversky, A. (2009). Choices, values, and frames. New York: Russell Sage Foundation.


本文系网易新闻·网易号“各有态度”特色内容



往期文章:






想看更多文章,还可以在公众号“酷炫脑” 搜索关键词:
记忆、抑郁、
强迫症、上瘾、睡眠、衰老、意识、专注力、发育、冥想、精神病、迷幻药、智商、情商、抗压、心理弹性


    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存