预计阅读本页时间:-
第16章
模式噪声的构成
还记得朱莉吗?我们在第14章中提到的那个早慧的孩子。你曾尝试预测她的大学GPA。以下是有关朱莉的详细介绍。
朱莉是独生女。她的父亲是一位事业有成的律师,母亲是一位建筑师。朱莉大约3岁时,她的父亲患上了一种自体免疫性疾病,不得不居家办公。他花大量的时间陪伴朱莉,并耐心地教她读书识字。朱莉4岁时就能流畅地阅读。她的父亲也曾尝试教她算术,但朱莉觉得算术太难了。朱莉上小学时是个好学生,但她情感淡漠,不受同学欢迎。她经常独处,自从她和自己最喜欢的叔叔一起观察鸟类后,她就成了一名狂热的鸟类观察者。
朱莉的父母在她11岁时离婚了,朱莉因此非常伤心。她的成绩严重下滑,并且经常在学校大发脾气。上了高中以后,她在部分课程,比如生物课和创意写作课中表现出色。她的物理成绩非常出色,但是对其他大部分课程她都不太重视,因此她的毕业成绩只是B。
广告:个人专属 VPN,独立 IP,无限流量,多机房切换,还可以屏蔽广告和恶意软件,每月最低仅 5 美元
朱莉没有被她申请的名校录取,最终上了一所还不错的州立大学,主修环境学研究专业。大学的前两年,她经历了许多感情挫折,经常抽烟。大二下学期时,她产生了去医学院就读的强烈愿望,并开始认真地对待学习。
你预测朱莉毕业时的GPA是多少呢?
朱莉2.0问题:难与易
很显然,这个问题(我们叫它“朱莉2.0”)更加困难。对于“朱莉1.0”(第14章中提及的简单线索版本),你只知道她4岁时就能阅读。只有一条线索时,匹配就可以胜任该任务,你很快就能凭直觉估计出她的GPA。
如果存在多条线索,且指向同一个方向,匹配仍然可用。例如,当你读到“比尔是一位爱好演奏爵士乐的会计师”这样的描述时,你所拥有的信息(“缺乏想象力”“数学能力强”“社会科学课程成绩差”)描绘了一幅连贯、刻板的画面。同样,如果朱莉2.0中的大多数事件都与一个早慧、成就斐然的人物形象相吻合(也许在少数几个方面表现平平),你会发现这个问题并没有那么难。当手头的证据描绘出一幅连贯的画面时,快速的系统1思维就能毫无困难地做出判断。此类简单的判断问题很容易解决,而且大多数人都能给出相似的答案。
但朱莉2.0并非如此。这个问题有难度,因为存在多个相互冲突的线索。有一些线索表明朱莉有能力且积极性较高,但也有一些线索表明朱莉有性格缺陷、成绩普通。这样的故事俯拾即是,但这样的故事容易让人困惑,因为你无法对故事中的信息做出连贯的解读。当然,这种不连贯并不会使故事显得不切实际或不可信,因为人生总是比我们讲的故事复杂得多。
多个冲突的线索会导致模糊性,而模糊性决定了它是一个困难的判断问题。这也解释了为什么复杂问题比简单问题的噪声多。规则很简单:如果看待事物的方式可以有多种,那么人们就会用不同的方式看待它们。人们会选择不同的证据碎片来构建故事的核心框架,得出不同的结论。如果你发现很难构建一个故事使朱莉2.0的存在合情合理,那么其他读者肯定会构建出不同的故事来佐证他们的不同判断。正是这种差异制造了模式噪声。
你在什么时候对自己的判断充满信心呢?一般必须满足两个条件:你所相信的故事前后必须完全连贯,并且不存在其他有吸引力的合理解释。当你解释的所有细节都与故事完全吻合且相互强化时,这个故事就达成了完全连贯。当然,你也可以通过忽略不吻合的事件,或做出额外的解释来实现这种连贯性,尽管这样达成的连贯性可能不那么完美。对于其他合理的解释来说,情况也是如此。那些真正“解决”了判断问题的专家,不仅知道为什么自己所解释的故事是正确的,而且清楚为什么其他故事是错的。而一个人如果忽视其他合理的解释,或主动压制这些解释,他也能获得程度相当但品质较差的信心水平。
这意味着,一个人对其判断的主观信心程度并不能保证判断的准确性。不仅如此,压制其他可能存在的解释,或许会引起一致性错觉(见第2章),而大量证据已经证明,确实存在这样一种知觉过程。如果人们无法想象出与自己的结论不同的其他可能结论,他们会自然而然地认为,其他观察者也必然得出与自己相同的结论。当然,我们当中很少有人能对自己所有的判断都高度自信,所有人都经历过不确定的事件,也许就像你刚才阅读朱莉2.0的故事时一样。我们并非一直都高度自信,但大多数时候我们的信心都高于应有的程度。
模式噪声:稳定的还是变化的
我们将模式误差定义为:一个人判断一个案例的误差中,除去案例和判断者的影响后无法解释的部分。举两个明显的例子:一个平时很宽容的法官在判决某一特定类型的被告(比如违反交通法规的人)时变得异常严厉;平时很谨慎的投资者在看到令人兴奋的创业计划时,放松了警惕。当然,大多数模式误差并非如此极端。我们观察到,宽容的法官在面对惯犯时会严厉起来,在审理年轻女性的案件时则更加宽容,这些都是不极端的模式误差。
模式误差是由变化的因素和稳定的因素共同决定的。变化的因素包括我们曾提到的情境噪声的来源,比如法官在审理案件中的某一时刻心情很好,或是法官刚好想到了近期发生的一些不幸的事。其他因素则更为稳定,例如,某个招聘者总是对来自某些大学的应聘者非常热情,或是某个医生总喜欢建议肺炎患者住院治疗。我们可以用一个简单的方程式来描述某一判断中的误差,方程式见下面。
模式误差
=
稳定的模式误差
+
变化的(情境)误差
Pattern Error
=
Stable Pattern Error
+
Transient(Occasion)Error
因为稳定的模式误差和变化的(情境)误差是独立且不相关的,所以我们可以扩展下面的方程式来进一步分析它们的方差。
模式噪声2
=
稳定的模式噪声2
+
情境噪声2
(Pattern Noise)2
=
(Stable Pattern Noise)2
+
(Occasion Noise)2
同分析误差和噪声的其他成分时一样,我们可以用直角三角形两条边长的平方和来表示扩展的方程式(见图16-1):
![阅读 ‧ 电子书库](https://book.vik.im/contents/399041432006/images/00023.jpeg)
图16-1 模式噪声的成分
我们来举一个稳定的模式噪声的例子。你可以想象一下,一个招聘者要根据候选人在各个维度上的一系列得分,来预测候选人担任主管后的未来绩效。在第9章我们提到了判断模型。在该模型中,招聘者会给各个维度的评分赋予一个权重,权重与判断者对某一维度的重视程度成正比。不同的招聘者对各个维度的赋权各不相同:有的招聘者更看重领导力,而有的招聘者更看重沟通能力。这种差别导致候选人在不同招聘者心目中的排名不同。这就是稳定的模式噪声的一个例子。
对具体案例的个体化反应也会产生稳定的模式噪声,并且这种模式噪声还具有高度的特异性。想象一下,是什么导致你对朱莉的故事的某些细节更为关注,而对另一些细节不那么关注呢?可能是因为其中的某些细节与你的生活经历有许多相似之处。也许朱莉的某些事让你想起了自己的一位近亲:他离成功只有一步之遥,但最终功亏一篑——你认为这是他与生俱来的性格缺陷导致的。与此相反,朱莉的故事也可能会唤起你对某个挚友的回忆:他经历了艰难的青春期后,努力考入了医学院,现在已经成为一名成功的医学专家。对于不同的人来说,朱莉的故事所引发的联想是独特且不可预测的,但这些联想可能又是稳定的:你在上个星期读朱莉的故事时联想到的人物,与现在读朱莉的故事时联想到的人物是相同的,并且你当时对朱莉的故事的个体化感受与现在的也是相同的。
判断品质上的个体差异是模式噪声的另一个来源。设想有一位拥有超级预测能力的预言家,包括他自己在内,没有人知道他有这种预测能力。他的准确性会使他偏离预测的平均值。在没有客观结果的条件下,这种偏离会被视为模式误差。当判断结果无法被验证时,超级准确的预测看起来就像模式噪声。
模式噪声还源于个体对案例的不同维度做出有效判断时其能力上的系统性差异。想象一下专业运动员团队的遴选过程。教练可能更关注与比赛相关的各种运动技能,医生更关注运动员是否易受伤,心理学家则更关注运动员的动机和毅力。我们可以想到,当不同的专家评估相同的运动员时,大量的模式噪声将会出现。同样,全能型专家在进行判断时也会在某些方面更为擅长,在另一些方面不那么擅长。这种情况下,模式噪声更多地被描述为人们在知识、技能上的差异,而非误差。
专家们独自做决策时,技能的差异就是噪声。然而,当管理层有机会组建一个团队共同做判断时,技能的多样性将成为一种潜在优势,因为不同的专业人士将会考虑不同方面,并相互补充。我们将在第21章中讨论这种优势,以及如何获取这种优势。
在前面的章节中,我们讨论了在保险公司的客户被指派核保人时,或被告被指派法官时,所面临的两种类似抽签的情况。我们可以看到,第一次“抽签”,即从一群同行中选出一名专业人士这个过程,不仅选择了该专业人士判断的平均水平(水平误差),还选择了一个类似万花筒的组合:该专业人士独有的价值观、偏好、信念、记忆、经验和联想的组合。当你自己做判断时,你也会受这些因素的影响。你在工作中形成自己的思维习惯,并从导师那里获得智慧。获得成功帮你建立了信心,犯错让你避免重蹈覆辙。在你脑海中的某个地方,有你记住的正式规则,也有被你遗忘的规则,还有你知道可以忽略的规则。没有人能在所有方面都和你一模一样。你稳定的模式误差是独一无二的。
第二次“抽签”选择了你做判断的时机、你当时的心情以及其他本不应该影响判断却对判断产生了实际影响的看似无关的因素。这种抽签会产生情境噪声。设想一下,在你读朱莉的信息之前,你刚刚阅读了一篇有关大学生吸毒的报刊文章。这篇文章讲到了一名有天赋的学生下定决心要去攻读法学院,他为此努力学习但依然未能如愿,因为他在刚进入大学的时候曾由于吸毒落下了太多功课。因为这条信息刚刚进入你头脑中,所以这个故事会让你在评估朱莉的整体情况时更关注她的抽烟习惯。但是,如果你在几个星期后才评估朱莉的情况,你可能就不记得这篇文章了。如果你昨天已经做了评估,你显然根本还没看到这篇文章。阅读报刊文章所产生的效应是短暂的,这就是情境噪声。
上面这个例子表明,稳定的模式噪声和不稳定的情境噪声之间并没有明显的分界线。对案例某些方面的独特敏感性是永久的还是暂时的,决定了两者的主要区别。当模式噪声的触发因素根植于我们的个人经验和价值观时,我们可以预期该模式噪声是稳定的,它反映了我们的独特性。
用人格进行类比
人们对某些特征或特征组合的反应是独特的,这一点不太直观,不太容易被理解。要想更好地理解它,我们可以思考另一种众所周知的复杂的特征组合:我们周围的人的人格。实际上,判断者对案例做出判断可以被看作人格研究领域中一个更宽泛的研究主题下的特例,即在特定情境下人们会如何行事。对该宏大主题展开了数十年的深入研究后,我们了解到一些关于判断的知识。
心理学家长期以来一直试图理解和测量人格的个体差异。人们在许多方面彼此不同。早期研究尝试在字典中搜寻能够描述一个人的词语,并找出了18 000个单词。如今,占统治地位的人格模型——大五人格模型,将人的特质分为5个维度(外倾性、宜人性、责任心、开放性和神经质),大五模型的每个维度都包含一系列可辨识的特质。我们可以将人格特质理解为实际行为的一种预测指标。如果某人被描述为有责任心,我们就能够观察到相应的行为,如守时、信守承诺等。如果安德鲁在积极性上的得分高于布拉德,我们应该能观察到,在大多数情况下,安德鲁的表现都比布拉德更积极。然而,借助宽泛的人格特质来预测特定行为,其有效性实际上非常低。通常,相关系数为0.3(PC=60%)就已经很高了。
我们总是想当然地认为,行为可能是由人格驱动的,但它实际上也受情境的强烈影响。在某些情境中,没有人会表现出积极性,而在另一些情境中,每个人都会表现出积极性。安慰一位刚刚失去亲人的朋友时,安德鲁和布拉德都不会表现得很积极。但是,在足球比赛中,二人都会表现出一些拼劲。简而言之,行为必定是人格和情境的函数。
一个人与众不同且十分有趣的原因在于,人格与情境的结合并非是一个机械的相加函数。例如,情境引发的积极性强度对不同人而言是不同的。即使安德鲁和布拉德在积极性方面的平均得分相同,他们也不一定在每种情境中都表现出完全相同的积极性。也许安德鲁对同龄人比较强势,但对上级很服从;布拉德的强势表现不太受职位等级的影响,但当受到批评时,布拉德就特别容易产生攻击性,而在身体受到威胁时,他表现得非常克制。
人们在不同情境下的这种特有的反应模式,可能在时间上具有稳定性。尽管这种特有的反应模式不应被描述成广义的“特质”,但它们构成了我们所说的人格的大部分内容。虽然安德鲁和布拉德在积极性人格测试中的得分可能相同,但他们的积极性行为的触发因素或情境却不同。对于两个具有相同特质水平的人,比如同样固执或同样慷慨的两个人,我们可以这样理解:他们在该特质上的平均水平是相同的,但在不同的情境中,他们不一定具有完全相同的行为反应模式。
现在你可以看出有关人格特征的讨论与我们前面提到的判断模型之间的对应关系了。法官之间的水平差异与人格特质的个体差异相对应,代表了多种情境下行为的平均值。案件可以类比为情境。个体的平均判断只能在中等程度上预测他在某个具体问题上的判断,正如人格特质只能在中等程度上预测个体在某种特定情境下的行为一样。如果根据判断水平对判断者进行排名,那么他们在不同案例上的排名会存在很大差异,因为人们对不同案例的特征或特征组合的反应各不相同。个体判断与决策的鲜明特征就体现在他们对特征的独特敏感性,以及对具体案例的独特反应模式中。
一般而言,人格具有独特性是好事,但本书关注的是专业判断,所以其中的变异性是一个问题,毕竟存在噪声就是存在误差。进行类比的目的是想揭示,即使模式噪声并不是随机的,我们也不可能对它进行解释。哪怕是做出不同判断的个体本身,也无法对它进行解释。