目录(点击切换)
本文选自 丹尼尔·卡尼曼新作《噪声》,扫上面码免费领电子书
预测中的噪声和偏差
此时,你可能会想,人们可以被训练成超级预测者,或者至少变
得更像一位超级预测者。事实上,泰特洛克及其合作者正在为此而努
力。他们做的工作可以被视作了解“超级预测者为何表现如此出色,
以及如何让他们更出色”的第二个阶段。
在一项重要的研究中,泰特洛克和他的团队将普通预测者随机分
为3组,来测试不同干预措施对其后续判断品质的影响。这些干预措施
恰好对应我们描述的改善判断的3种策略。
培训: 一些预测者完成了一个概率推理的课程,以期提升他
们的预测能力。在这个课程中,预测者们了解了各种偏差
(包括忽视基准概率、过分自信和证实性偏差) 、对不同来
源的多个预测取平均值的重要性,并将参照类别纳入考量。
困队合作《〈一种汇总判断的形式) : 让一些预测者组成团
队,这样一来,他们就可以看到彼此的预测,并能够进行讨
论。团队合作可以通过鼓励预测者应对相反的论点、保持积
极开放的思维来提高准确性
甄选, 对所有预测者的准确度进行评分,在年终时,排名前
2%的人被指定为超级预测者,并有机会在接下来的一年里与
精英团队合作。
事实证明,这3种干预措施都非常有效,从某种意义上说,它们提
高了人们的布赖尔分数,而且我们发现训练是有效的,团队合作更有
效,甄选的效果最优。
这一重要发现证实了汇总判断和选择优秀判断者的价值,但这并
不是全部。有了关于每次干预效果的数据,泰特洛克和梅吉斯的合作者维莱。萨托由 (Ville Satopia) 开发了二种复杂的统计技术,以梳
理每一种干预措施究竟是如何改善预测的。他推断,从原则上讲,一
些预测者的表现比其他人更好或更差的主要原因有3个:
他们可以更熟练地发现和分析环境中与自己要做出的预测相
关的数据,这也说明了信息的重要性。
一些预测者可能总倾向于错误地高估或低估预测的真实值。
如果在成百上千的预测中,你在整体上高估或低估了发生某
种变化的可能性,那么可以说,你受到了某种形式的偏差的
影响,要么是倾向于支持改变的偏差,要么是倾向于保持稳
定的偏差。
一些预测者可能不太容易受到噪声或随机误差的影响。正如
在任何判断中一样,当我们进行预测时,噪声可能有许多触
发因素,预测者可能对某条新闻反应过度〈这是我们称之为
模式噪声的一个例子) ,可能会受到情境噪声的影响,还可
翅在使用概率量尺时产生噪声。所有这些误差 〈以及很多其
他误差) 的大小和方向都是不可预测的。
萨托由、泰特洛克、梅勒斯及其同事马拉特。萨利霍夫 (Marat
Salikhov ) 称他们的模型为BIN预测模型,BIN是Bias (偏差) 、
Information〈信息) 、Noise (噪声) 这三个单词首字母的合称。他
们测量了这三种因素在多大程度上提升了三种干预措施效果。
他们的答案很简单,这三种干预措施主要是通过减少唆声起作用
的。正如研究人员所说: “王预措施提高准确性的主要手段是抑制判
断中的随机误差的出现,然而,训练干预的初衷是减少偏差。”
鉴于训练的目的是减少偏差,一个不太出色的预测者会预测,减
少偏差是培训的主要效果。然而,培训是通过减少噪声来起作用的。
关于思考快与慢表达什么相关推荐:
噪声书,噪声卡尔曼,诺贝尔奖卡尼曼的书