想象一下，两名医生对相同的病人给出了不同的诊断；两名法官对犯了同罪的嫌疑人给出了不同的判决。再想象一下，同样的医生、法官或决策者做出了不同的决策，而这种决策仅仅取决于决策是在什么时间做出的。这些不同决策背后的罪魁祸首，就是“噪声”。 《噪声》是诺贝尔经济学奖得主、“行为经济学之父”丹尼尔·卡尼曼携手决策领域专家奥利维耶·西博尼和卡斯·桑斯坦共同推出的重磅新作，也是卡尼曼继畅销书《思考，快与慢》之后酝酿10年思考的全球瞩目里程碑式巨作，行为科学领域又一重大发现。几十年来，大家都认为，偏差是导致人类判断出错的关键。但是今天，卡尼曼系统性地指出：噪声，才是影响人类判断的黑洞。 《噪声》一书通过系统性研究，通过两个公式揭开了“判断出错”的本质，并且通过对三���噪声的系统性分析带你直击噪声。并且，从六大部分阐述了“噪声”：从寻获噪声到探究人类判断的本质，从预测噪声到阐释噪声的主要原因，从探讨如何改进判断和防止错误的的实际问题，一直延伸到什么才是合适的噪声水平。”“噪声”是随机的，但却是致命的。卡尼曼在书中提出了6大原则，帮你重塑决策框架，做聪明的决策者。同时，卡尼曼更是精妙地附上了“审查噪声”的使

第17章 噪声源： 偏差是引人注目的图形，而噪声是不受我们关注的背景 哪里有判断，哪里就有噪声，希望你现在也同意这一观点。我们也希望，对你而言，这已不再是一件超乎想象的事。也正是这一目的激励我们着手研究该项目。经过多年的努力，我们对这个问题的思考已经逐渐深入和完善。现在，让我们来回顾一下，我们已经学习过的噪声成分、这些成分对噪声的重要影响以及它们各自在判断中所起的作用。 噪声成分 图16是我们在第5、第6和第16章中介绍的三个方程的一个组合图。该图展示了对误差的三个连续的分解： 将误差分解为偏差和系统噪声， 将系统噪声分解为水平噪声和模式噪声， 将模式噪声分解为稳定模式噪声和情境噪声。 现在，你可以看到MSE如何被分解为偏差，以及（我们曾讨论过的）三种噪声成分的平方。 图16：误差，偏差和噪声成分 当我们开始着手这一研究项目时，我们关注偏差和噪声在总误差中所占的相对权重。我们很快得出结论：在误差中，噪声通常比偏差更多，因此，噪声非常值得我们进一步去探索。 我们早期对噪声成分的思考是基于复杂的噪声检测的框架。在该框架中，多个人对多个案例做出判断；联邦法官的研究，以及惩罚性赔偿的研究，都是这样的例子。从这些研究中获得的数据，能够对水平噪声进行可靠的估计。另一方面，虽然每个参与者都对每个案例进行判断，但只进行了一次判断，因此无法判断残差——我们将其称之为模式误差——是变化的还是稳定的。依据统计分析的保守性原则，通常将残视为随机误差。换句话说，模式噪声被完全默认为情境噪声。 很长一段时间以来，这种将模式噪声解释为随机误差的传统做法，限制了我们的思维。专注于水平噪声（严厉和宽容的判断者之间、或乐观和悲观的预测者之间的稳定性差异）似乎是自然而然的事。但是，有证据表明，那些无关的、变化的环境也会影响判断，从而产生情境噪声，这引起了我们的研究兴趣。 这些证据让我们逐渐认识到，不同人做出的判断充满噪声，很大程度既不是因为普遍性的偏差，也并非是由于变化的或随机的因素所致：特定个体对多重特征的稳定的、个性化的反应，决定了他们对特定案例的反应。我们终得出结论，我们应该摈弃将模式噪声视作随机变化的观点。 虽然我们很想谨慎一点，尽量避免基于有限的案例做出过度性概括。然而，整合我们研究后发现，稳定的模式噪声实际上比系统噪声的其他成分都更为重要。由于我们很少在同一研究中全面地探究误差的各个组成部分，因此需要进行**的分析才能得出这样一个暂时性的结论。简而言之，以下就是我们所知道的和所不知道的。 成分的大小 首先，我们对水平噪声和模式噪声的相对权重进行了几种估算。总体而言，模式噪声似乎比水平噪声对系统噪声的贡献更大。例如，在第2章提到的保险公司的例子中，不同核保人在平均保费上的差异仅占总体系统噪声的20％，剩余的80％都是模式噪声。在第6章提到的联邦法官的例子中，水平噪声（平均严厉程度的差异）仅占总体系统噪声的一半以下，而模式噪声则占一半以上。在惩罚性赔偿的实验中，系统噪声的总量在不同量尺（惩罚倾向、愤怒程度或美元罚款金额）上有所不同，但模式噪声的占比却基本恒定：三种量尺下，模式噪声分别约占总体系统噪声的63%、62%和61%。在本书第5部分中，我们将介绍的其他一些研究，特别是有关人事决策的研究，其研究的结果都与这一暂时性的结论相一致。 在这些研究中，水平噪声通常都不是系统噪声的主要成分；这一事实已经传递了一个非常重要的信息，因为水平噪声是一种（有时）无需组织进行噪声检测就可以监测到的噪声。当案例或多或少地被随机分配给各个专业人员时，他们决策的平均差异就是水平噪声。例如，针对专利局的研究发现，审查员授予专利的平均倾向性存在很大差异，进而影响了专利的诉讼发生率。同样，儿童保护部门的官员决定将儿童安置在寄养机构的倾向性也有所不同，这会对儿童的福祉产生长期影响。这些观测都仅仅是基于水平噪声的评估。这些研究所揭示的噪声问题已经令人震惊了，但是，如果模式噪声多于水平噪声，那么噪声问题的严重性至少被低估了两倍。（这一暂时性结论也有例外。法官在是否给予政治庇护的裁决中出现的巨大变异，几乎可以肯定更多地源于水平噪声，而非模式噪声；但我们怀疑这里的模式噪声也很大。） 下一步我们通过对模式噪声的两种成分进行分解，来对其进行分析。我们有充分的理由认为，模式噪声的主要成分是稳定的模式噪声而非情境噪声。对联邦法官判决的噪声检测展示了我们的推理过程。我们首先假设了一种情况，即所有的模式噪声都是完全随机变化的。在这一假设前提下，法官们的量刑会随着时间的推移变得十分不稳定和不一致，乃至达到不可能的程度：我们不得不预期，同一法官在不同情境中对同一案件量刑的平均差异达到2.8年左右。法官之间在平均量刑上的差异已经令人震惊了，要是同一名法官在不同情境下的量刑也存在这么大的差异，那就实在是太荒唐了。因此，得出以下结论似乎更为合理：法官们会对不同的被告和不同的罪行做出有差异的反应；这种差异虽**个性化，但却是稳定的。 为了更准确地对模式噪声中有多少是稳定的，有多少是情境噪声进行量化，我们需要让同一名法官对每个案例进行两次独立评估。我们发现，在判断研究中通常不可能获得两个独立的判断，因为很难保证对案例的第二次判断完全独立于次判断。尤其当判断很复杂时，个体很可能会辨认出是同一个问题，从而重复初的判断。 由亚历山大·托多罗夫（Alexander Todorov）带领的普林斯顿大学的一组研究人员设计了一个巧妙的实验范式，从而克服了这一难题。他们从亚马逊土耳其机器人（Amazon Mechanical Turk；一个网站，人们可以通过在上面提供一些短期服务，如填答问卷，来获取报酬）上招募了参与者。在他们的一个实验中，参与者观看了一些面孔图片（由计算机程序生成，但与真人面孔无异），并对这些面孔的各项属性进行了评分，比如喜爱程度、信赖程度等。一周后，该实验用相同的面孔和相同的受访者重复了该实验。 我们有理由认为，本实验中判断的连贯性程度会低于专业人士的判断（如法官量刑）。虽然差不多每个人都会同意，有些人**吸引力，而有一些人则令人反感；但在很大范围内，我们可以预期，对面孔的反应存在很大的个体差异。确实，观察者之间几乎没有共识：例如，在信赖程度的评分上，由于面孔图片之间的差异所导致的变异仅占判断变异的18％，剩余的82％的变异都是噪声。 我们也有理由预期，这些判断的稳定性较差，因为实验参与者只是为了赚钱而参与在线答题，其判断质量会远低于专业判断。然而，实验结果发现，噪声的组成部分还是稳定的模式噪声。第二大成分才是水平噪声，即不同的观察者在面孔信赖度的平均评分上的差异。情境噪声虽然也很大，却占比小。 要求参与者做出其他判断时，例如，有关汽车或食物的偏好，或者回答一些接近专业判断的问题，研究人员也得出了相同的结论。比如，在第15章中讨论的惩罚性赔偿的重复性研究中，参与者针对十个人身伤害案件评定了他们的惩罚倾向，两次评分之间间隔一周。同样的，稳定的模式噪声是的组成部分。在所有这些研究中，判断者之间彼此不一致，但他们自身的判断仍保持稳定。这种“缺乏共识的稳定性”，用研究人员的话说，为稳定的模式噪声提供了清晰的证据。 关于稳定的模式噪声的有力证据，来自于我们在第10章中提到的对保释法官的大规模研究。在这项杰出研究的一部分内容中，作者创建了一个统计模型，该模型可以模拟每位法官如何使用手头的线索来决定，是否批准被告人被保释。他们建立了173名法官的个性化模型。然后，他们运用模型来模拟法官对141833个案例进行的判决，每个案例产生了173个判决——总计判决超过2400万个。应我们的要求，作者慷慨地进行了特定分析，他们将判断的变异分为三部分：每个案例平均决策的“真实”变异、在保释倾向上由于法官们的差异所导致的水平噪声，以及剩下的模式噪声。 这一分析的结果与我们的观点相符，因为该研究中所测得的模式噪声是完全稳定的。由于这是对预测法官决策的模型进行的分析，因而无法体现情境噪声的随机变异性。数据中仅包括可检验的、稳定的个体预测规则。 结论非常明确：稳定的模式噪声几乎是水平噪声的四倍之多（稳定的模式噪声占总变异的26％，而水平噪声占总变异的7％）。这种可识别的、稳定的、特异性的个体模式，要比法官之间审判严格程度的差异大得多。 所有这些证据与我们在第7章中讨论的有关情境噪声的研究结果是一致的：尽管情境噪声的存在让人惊讶，甚至不安，但没有迹象表明个体内部的变异大于个体间的变异。系统噪声中主要的成分，恰恰是开始被我们忽略的成分：稳定的模式噪声，即法官们对特定案例所做判决的变异性。 考虑到相关研究较为匮乏，我们的结论只是暂时性的；但它们反映了我们对噪声态度(以及如何应对)的改变。从原则上说，水平噪声——即法官之间简单的、全面的个体差异——应该是一个相对容易测量和解决的问题。如果有异常“严格”的评分者，或异常“谨慎”的儿童监护权法官，或异常“风险规避”的贷款人，雇用他们的机构可以试图使他们判断维持在平均水平。例如，大学会要求教授们在评分时遵守事先确定好的成绩分布来进行评分。 不幸的是，我们发现，专注于水平噪声会使得我们遗漏掉很大一部分个体差异。大多数噪声都不是水平差异的产物，而是交互的产物：不同的法官如何对待特定的被告，不同的老师如何对待特定的学生，不同的社会工作者如何对待特定的家庭，不同的领导如何对待特定的公司愿景。噪声主要是我们的独特性或“判断人格”所产生的副产品。降低水平噪声依旧是一个有价值的目标，但仅达到此目标仍然未能解决大部分系统噪声的问题。

引言 偏差与噪声，人类判断的两种错误 部分 寻找噪声 第1章 犯罪和充满噪声的判罚 减少判决中的噪声 判断是一件困难的事 第2章 系统噪声，给人达成一致的假象 **会引发噪声 噪声检测，系统噪声无处不在 不必要的变异性与有利的多样性 达成一致的假象 第3章 单一决策，仅发生一次的重复决策 单次 vs 重复，是持续性差异而非类别差异 单次决策中的噪声 单次决策中的噪声控制 第二部分 你的大脑就是一种测量工具 第4章 见仁见智的判断 判断体验：什么在影响你确定CEO的人选 判断的目的：内部信号 判断目的：只是响应“做出判断的内部信号” 判断评估：结果和过程 预测性判断vs评估性判断，边界模糊的两种判断 “任意残酷行为”，噪声的问题 不受欢迎， 但可测量 第五章 测量误差，噪声与偏差的代价一样大 GoodSell应该减少噪声吗 均方，衡量整体误差的**规则 误差方程：无论偏差大小如何，减少噪声都有益处 噪声的代价：被混淆了的个人价值与事实 第6章 噪声分析，所有判断都存在3类噪声 判决中的噪声检测 平均刑期， 每一个案子的判决都存在大量噪声 判刑就像** 水平噪声：为什么一些法官更严格 模式噪声：同一法官不同判断的源头 情境噪声，噪声中被忽略的成分 第7章 情境噪声，无时无刻不在影响着我们的判断 第二次** 测量情境噪声 一个是一群 心境，情境噪声的源头 衡量情境噪声的大小 我们仍然不知道是什么导致了情境噪声 第8章 群体是如何放大噪声的 音乐中的噪声 不仅仅是音乐下载，所有情况都一样 信息串联，极易放大群体判断的噪声 群体极化，讨论往往会滋生更的结论 第三部分 预测性判断中的噪声 第9章 判断与模型，简单的模型普遍优于人类判断 选择自己判断，还是借助公式 梅尔：模型击败了你 戈德堡：你的模型击败了你 第10章 无噪声的规则 更简捷：稳定之美 简捷更进一步：简单法则 更复杂：机器学习 758027个保释决策种的智慧 为什么我们不多采用规则 第11章 哪里有预测，哪里就有客观无知 哪里有预测，哪里就会有无知 异常自信的权威：准确性和黑猩猩扔飞镖差不多 糟糕的判断与差强人意的模型 否认无知是无知的另一种诱导 第12章 常态谷：事情虽无法预测，却可以被理解？ 预测生活轨迹：海量信息不足以预测生活中的简单事件 客观无知，理解和预测的上限 因果性思维：一旦发生就会被解释 理解常态谷 内部视角和外部视角 第四部分 噪声是如何产生的 第13章 启发式、偏差与噪声 诊断偏差：三种类型的偏差 结论偏差，我们常常以结论寻找证据 过度一致性，我们常常受到信息顺序的影响 心理偏差导致噪声 第14章 匹配：找到与你的预测契合的共识 匹配与一致性 匹配强度：人类非凡的直觉力 匹配性预测的偏差 匹配噪声：判断的局限性 第15章 量表，模糊沟通产生的巨大噪声 愤怒让我们快速启动快思考系统 充满噪声的量表 美元和锚定 一个不幸的结论 第16章 模式噪声的构成 朱莉2.0问题：难与易 模式噪声：稳定的还是变化的 用人格进行类比 第17章 噪声源：偏差是引人注目的图形，而噪声是不受我们关注的背景 噪声成分：影响判断的3种噪声 成分的大小：稳定的模式噪声几乎是水平噪声的4倍之多 对误差的解释 从统计学上来说，噪声无处不在 第五部分 决策卫生，提升人类判断力 第18章 **的判断者，**的判断力 专家和尊重型专家 如果你必须选人做判断，那��选智商高的人 认知风格，终确定你应该选谁做判断 第19章 消除偏差与决策卫生 干预：事后及事前消除偏差 消除偏差的局限 决策观察者，必须发起与支持决策观察 决策卫生学，降低噪声的关键方法 第20章 司法科学，信息排序是的噪声 指纹识别，身份识别中备受重视的技术 指纹分析中的偶然噪声 缺乏独立性，司法科学的证实性偏差 有效性需要可靠性：少许噪声，但多少误差呢 倾听噪声，减少噪声的步 序列信息，一个好的决策者应该努力“保持怀疑” 第21章 甄选与汇总，**预测的两大策略 改进预测的两种方法 良好判断计划的4个步骤 **测试版：一个特殊的思维循环 预测中的噪声和偏差 甄选及汇总的有效之处 22医学决策，做出**医学诊断的降噪机制 **诊断中的噪声 诊断指南的价值 伤脑筋的精神病学诊断 23 绩效评估，用基于外部视角的共识框架做出量化判断 绩效评估本质上是一种判断工作 25%是信号，75%是噪声 一个早就发现却没有解决的问题 相对判断的优点 排序，但不强制 接下来：确保有一个达成共识的参考框架 24 人员招募，以结构化指标衡量人才 面试的风险：你并不能依次“找到合适的人” 面试中的噪声：面试官更倾向于与自己相似的求职者 面试官心理学：我们总是太相信“印象” 通过结构化流程提升人事筛选品质 25中介评估法，做出明智决策的核心方法 次会议：协议方法 第二次会议：定义中介评估法 引入外部交易团队，尽可能独立地应用自己的客观观点 决策会议：评估-讨论-评估 重复决策中的中介评估法 6个步骤，用中介评估法改善决策流程 第六部分 的噪声水平 第26章 减少噪声的成本 噪声越少，错误越多 算法无噪声，但会导致偏差 第27章 尊严，人之为人的重要价值观 不断变化的新的价值观 钻空子，逃避规则 增加罚金和消除噪声，好的威慑 创造力，士气和新鲜创意 第28章 规则还是标准 分裂与无知：标准引发噪声，而规则不会 老板，控制下属 修改规则，压抑者的反抗 降噪框架，只要确保规则“足够”准确 每一个领域都要“禁止噪声” 回顾与总结 正视噪声问题 判断不是计算，也无须遵循**的规则 误差：偏差和噪声 测量偏差和噪声 噪声是个问题，远超我们的想象 水平 模式 情境，噪声的3种类型 判断与噪声的心理机制 不易觉察的噪声 6个原则减少噪声，以及偏差 噪声是隐形的敌人，而我们应该知道敌人到底是谁 结语 一个噪声很少的世界 附录1 如何进行噪声审查 附录2 决策观察者检查清单 附录3对抗噪声，修正预测 致谢 注释