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
明: 从人类判断的复杂规则中获得的好处《如果存在的话) 不足以补
偿喉声所带来的损失。你可能会认为自己比一般人更擅长思考、更有
洞察力，但实际上只是你的噪声更多而已。
为什么我们以为复杂的规则更有效，实际上它们却损害了判断的
准确性昵? 一方面，人们发明的许多复杂规则并不正确，另一方面，
即使复杂规则在原则上是有效的，它们也不可避免地仅适用于少数能
被观察到的情况。例如，假设你已经得出结论， 对于一个独创性极高
的候选人，即使他在其他方面得分一般，也值得被雇用。可问题在
于，从定义上看，具有独创性的候选人总是很稀缺。既然对独创性的
评估可能不可靠，在这一指标上得了高分的人就可能是侥幸，而真正
具有独创性的人才往往无法被发现。即使在绩效评估中具有较高独创
性的候选人最终真的表现得特别优秀，绩效评估本身也存在很多问
题。两端的测量误差会不可避免地削弱预测的有效性，一些小概率事
件尤其可能被忽略，复杂模型的优势很快就会被测量误差所掩盖。
马工。 一 Clartin Yu) 和内森。昆塞尔 Nathan Kuncel) 报告
保有 更激进的研究。该研究基于莫妮卡和娜塔莉的
案例， 使用了一 家跨国咨询公司的数据， 这家跨国咨询公司聘请专家
评估了3个独立样本中共847名高管职位的候选人。专家们在7个不同的
评估维度上对这些候选人进行了评分，并使用他们的诊断性判断为每
位候选人生成了一个预测总分，然而结果令人大吃一惊。
马丁。于和昆塞尔将判断结果与随机线性模型进行比较，而非与
他们的最佳简单模型进行比较。他们为7个预测因素生成了10 000套随
机权重，并应用了这10 000个随机公式来预测工作绩效。他们吃惊地
发现，用任何线性模型来对所有案例进行预测，其结果均优于人类基
于相同信息所做出的判断。在其中一个样本中，10 000个随机加权线
性模型中有77%优于人类专家; 在另外两个样本中，随机模型100%胜过人类专家。换句话说，该研究表明，所有简单模型的表现都比人类专
家好。
这项研究得出的结论比我们从戈德堡的判断模型中得出的结论更
有力。事实上，这是个非常极端的例子。在这种情况下，人类的判断
确实非常糟糕，这就解释了为什么即使是不尽如入意的线性模型，其
表现也超越了人类判断。当然，我们并不能因此下结论说机器绝对比
人强，尽管如此，机械地遵守简单规则《马丁。于和昆塞尔称其为
“无意识的一致性” (mindless consistency) ) 可以显著提高针对
困难问题所做判断的品质，这一事实说明了噪声对诊断性预测的巨大
影响。
本章简要地说明了噪声对诊断性判断造成的负面影响。在预测性
判断中，人类专家很容易被简单的公式所击败，其中包括真实模型、
判断模型甚至随机生成的模型。这一发现支持我们使用无噪声的方法
一一规则和算法，这也是下一章的主题。
关于思考快与慢看不下去了相关推荐:
丹尼尔卡尼曼简介,思考快与慢哪个出版社,丹尼尔卡尼曼噪声图片