思考，快與慢:第14章 猜一下，湯姆的專業是什麼？ · 2 線上閱讀
典型性啟發的兩宗罪
用典型性來判斷概率有一些重要的優點，它所帶來的初始印象通常比亂猜一氣更為精確。
·在大多數情況下，表現得很友好的人實際上也很友好。
·又高又瘦的職業運動員很有可能是打籃球的而不是踢足球的。
·獲得哲學博士學位的人比只讀完高中的人更有可能訂閱《紐約時報》。
·年輕的男性會比年老的女性更不要命地踩油門。
在這些例子及其他更多例子中，典型的形象特徵左右着我們對典型性的判斷，受這種典型性啟發得到的預測有可能是對的，這樣的說法在某種程度上就是事實。然而在其他情況下這種典型形象卻是錯誤的，因而典型性的啟發也會造成誤導，尤其會使人們忽略基礎比率信息、找錯預測方向。即使啟發性具有一定的真實性，但絕對依賴啟發效應就是違背統計學邏輯，是有嚴重「罪過」的。
典型性的第一宗罪就是，它過於喜愛預測不可能發生的（低基礎比率的）事件。
下面就是一個例子：如果你看見一個人在紐約地鐵里閱讀《紐約時報》，下面哪種情況與讀報者更吻合？
她有博士學位。
她沒有大學文憑。
典型性會告訴你應該選有博士學位那位，但這樣做並不一定是明智的。你應該充分考慮第二個選項，因為紐約地鐵里更多的是沒有大學文憑的人，而不是有博士學位的人。如果猜測一個被描述為「羞澀的詩歌愛好者」的女士學的是中國文學還是工商管理，你也應該選擇第二個答案。因為雖然學習中國文學的女學生都害羞且愛好詩歌，但幾乎可以肯定的是有更多工商管理專業的學生同樣也是害羞的詩歌愛好者。
在某些情況下，沒有受過統計學訓練的人也會使用基礎比率來進行預測。在本章開頭關於湯姆的第一個問題中，我們沒有提供關於他的細節，對於每一個人來說，湯姆讀某個專業的概率就是那個專業招生規模的基礎比率。然而，得知湯姆的個性特徵後，人們再也不會將基礎比率納入考慮範圍了。
在前期證據的基礎上，我和阿莫斯原本以為在了解了具體信息後，基礎比率的信息「總會」被忽略，但是這樣的結論太過絕對了。心理學家做過許多實驗，在這些實驗中，所給問題都明確地提供了基礎比率信息，儘管關於個人特徵的信息比單純的數據分量更重，許多受試者還是受到了這些特徵信息的影響。諾伯特。施瓦茨和他的同事表示，引導人們「像統計學家那樣思考」就能夠促使他們使用基礎比率信息，引導人們「像臨床醫生」那樣思考則會起到相反的效果。
幾年前，我和哈佛大學的學生做了一項實驗，讓我有了一個令我十分驚訝的發現：增強系統2的激活狀態能有效提高回答湯姆問題的準確率。這項實驗將舊問題與認知順暢性的現有形式結合了起來。在實驗過程中，我們要求一半學生鼓腮幫，另一半學生皺眉頭。前文中已經提過，皺眉通常可以增強系統2的警覺性，降低對直覺的過分相信和依賴。鼓起腮幫（與感情無關的表情）的學生的預測結果與原實驗結果一樣：他們只依賴於典型性，而忽略了基礎比率。然而不出作者所料，那些皺眉頭的同學的確對基礎比率表現得很敏感。這是一個具有啟發性的發現。
一旦人們作出一個錯誤的直覺判斷，系統1和系統2都脫不了干係。系統1引起了錯誤的直覺，系統2採納了這個直覺，並將其運用在判斷當中。然而，造成系統2犯下此類錯誤的原因有兩個——忽視與懶惰。許多人忽視了基礎比率，因為在有個人信息的情況下他們認為基礎比率與問題並無關聯。另一些人犯下同樣的錯誤則是因為他們沒有將注意力集中在任務上。如果皺眉能帶來不同結果的話，這說明懶惰也許是人們忽視基礎比率的合理解釋，至少對於哈佛大學的學生來說是這樣。當具體信息缺失時，他們的系統2「知道」基礎比率與問題相關，但是只有在任務中付出特別努力時，才能將基礎比率的知識應用於其中。
典型性的第二宗罪是它對證據質量不夠敏感。請回想系統1的眼見即為事實的原則。在湯姆的問題中，激活你聯想機制的是對湯姆的描述，且這個描述不一定是真實的。對湯姆「對人冷淡，缺乏同情心」的表述也許能讓你（以及許多其他讀者）相信他不太可能是社會科學與社會工作專業的學生。然而，彼時你已經清楚地知道這樣的描述是不可信的。
原則上講，你當然知道不值得信任的信息就相當於沒有信息，但是眼見即為事實使你難以遵循那條原則。除非你決定立刻否定證據（例如，你堅信的信息是從一個騙子口中得來的），否則你的系統1會自動將這一信息視為真實的。當你懷疑信息的可靠性時，可以做一件事：作概率判斷時，往基礎比率那方面想。別期望遵循這條原則會很容易—它需要在付出很多努力的情況下，才能實現自我監督和自我控制。
想要得出湯姆問題的正確答案，你應該遵從最先出現在自己腦海中的想法，若認為某招生人數多的專業（人文與教育、社會科學與社會工作）被選中的概率高，則稍微降低其概率；若認為某招生人數少的專業（圖書館學、計算機科學）被選中的概率低，則稍微提高其概率。如果你對湯姆一無所知，你作出的抉擇就不是你的初衷了，你手頭上的那點信息也不能相信了。所以，你應該讓基礎比率在預測時起主導作用。
用貝葉斯定理來約束直覺
你認為明天會下雨的概率只不過是你的臆測，你不應該相信頭腦里出現的所有想法。你的信念必須受限於概率邏輯。所以，如果你相信明天某個時候會下雨的概率是40%，就該相信不會下雨的概率是60%，那麼明天早晨下雨的概率就一定不會是50%。如果你相信某個候選人當選總統的概率是30%，並且相信他在首次競選成功後再次當選的概率是80%，你就必須相信他連任的概率是24%。
貝式統計學（Bayesian statistics）提供了類似湯姆等相關問題的「定理」。這個研究統計學的定理影響深遠，是以18世紀英國一位名為瑞福倫德。托馬斯。貝葉斯神甫的名字命名的，因為人們認為他是為一個重大問題作出重要貢獻的第一人，這個問題就是：如何推斷人們是怎樣根據證據改變自己的想法的。貝葉斯定理詳細說明了最強烈的信念（在本章的實例中指的是基礎比率）應該與證據分析相結合，這樣才能更接近假設而不是偏離到其他方向上。例如，如果你相信有3%的研究生是被計算機科學專業錄取的（基礎比率），你還相信湯姆是該領域研究生的可能性是其他領域的4倍，貝葉斯定理就會認為，你必須相信湯姆是計算機科學家的概率是11%。此外，如果基礎比率是80%，那你眼中的新概率就應該是94.1%，以此類推。
數學問題與本書並無關聯。關於貝葉斯定理，有兩點我們要銘記在心，要知道我們總是喜歡把事情搞得一團糟。第一，基礎比率十分重要，即便是在手頭的案例已有證據的情況下依然如此；第二，通過分析證據得到的直觀印象通常都會被誇大。
眼見即為事實與聯想一致性的結合易使我們相信自己編纂的故事。以下是對貝葉斯定理關鍵點的總結：
·以相對合理的基礎比率對結果的可能性作出判斷。
·質疑你對證據的分析。
這兩個理念都是直接明了的。當我意識到自己從未學習過怎樣運用它們時，我感到非常震驚，即使是現在，我仍舊覺得自己在踐行這兩個理念時總有些不自然。
示例—典型性與基礎比率
「草坪修整得很好，接待員看起來很能幹，家具也十分搶眼，但這並不意味着這是一家經營狀況良好的公司。我希望董事會不要依照典型性啟示作出判斷。」
「這家新成立的企業看起來好像不會倒閉，但是這個行業的成功基礎比率非常之低。我們又怎麼能知道這家企業就是個特例（一定能成功）呢？」
「他們一直在重複犯同樣的錯誤：用並不充分的證據來預測罕見的事件。當證據不充分時，我們應該以基礎比率作為判斷依據。「
「我知道這份報告絕對是具有毀滅性意義的，也許它的證據十分確鑿，但我們憑什麼相信呢？我們必須在做計劃時保持一定的懷疑態度才行。」