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