【噪声这本书】戈德堡的研究想要解决的问题是简单的判断模型预测实际结果的效果究竟如何由于该模型只是对判断者的一个粗略的模拟,因此

  • A+
所属分类:精英日记
       

本文选自 丹尼尔·卡尼曼新作《噪声》,扫上面码免费领电子书

戈德堡的研究想要解决的问题是: 简单的判断模型预测实际结果
的效果究竟如何? 由于该模型只是对判断者的一个粗略的模拟,因此
我们可以合理地假定它的预测效果不佳。那么,用模型普代判断者
时,会损失多少准确性呢? 答案可能会让你大吃一惊。当我们依据模
型做出预测时,预测的准确性并没有降低,相反,在大多数情况下,
判断模型反而表现更优,该模型甚至优于专业人士的预测。我们或许
可以这样来理解: 替代品竟然比真品更好用。

人 星期一项关于预测学生毕

德堡的结论。 研究人员要求98名参与者基于10

条线索预测90名学生的GPA。 研究人员根据这些预测,为每名参与者做
出的判断建立了一个线性模型,并比较了参与者本人和模型预测的准
确性。 人 庆抽证生生全全全 人化亿们全人的绒负
更准确,几十年后, 上
样的结论,判断模型的表现一 如颇往地胜过判断首本人。

我们不知道这些研究中的参与者是否收到了有关个人表现的反
帆,但是,如果有人告诉你,对你的判断进行粗略建模后的模型实际
上比你本人预测得更准确〈这极具讽刺性) ,想必你会感到非常泪
丧。对于大多数人来说,判断活动是复杂、丰富且有趣的,这也恰恰
是因为它不符合简单规则。当我们发明并应用一些复杂规则来做判断
或对某些案例有了不同于其他案例的见解时,即当我们做出了无法用
简单的加权求和模型去简化的判断时,我们会自我感觉更加良好,对
自己的判断能力更加信心十足。但关于判断模型的研究进一步证实了
梅尔的结论一一很多细节都是无用的,复杂性和丰富性并不会使预测
更准确。

为什么会这样呢? 要了解戈德堡的发现,我们需要了解是什么导
致你的实际判断与预测这些判断的简单模型之间有了差异 。基于你的判断建立起来的统计模型,不可能将所有用于判断的信
息都纳入其中,模型能做的只是抽象和简化。尤其是,你的简单模型
不会将你一直遵循的任何复杂规则表征出来。比如,你可能会认为沟
通能力评分为10分和9分之间的差别要比7分和6分之间的差别更大,或
认为在所有维度上得分均为?分的候选人比平均分相同但优势和劣势都
更加明显的候选人更优秀,然而你的模型并不会表征这些复杂规则,
即使你经常使用这些规则。

如果你的复杂规则行之有效,那么简单模型会因为不能重复你的
规则而导致自身的预测力下降。例如,假设你必须从一个人的技能和
动机两个方面来预测他成功完成一项困难任务的可能性,那么加权平
均并非好方法,因为动机再强,也无法弥补能力的不足,反之亦然。
如果你使用复杂的预测规则,那么你的预测准确性将比无法获取复杂
规则的简单模型更高。但复杂规则通常只会给你带来效度错觉,这实
际上会降低你的判断品质。也就是说,少数复杂规则是有效的,但大
多数是无效的。

此外,你的简单模型并不会表征你在判断中的噪声,它不能重现
你在特定案例中由于随机反应而产生的正误差或负误差。同理,你在
做出特定判断时会受到当时的环境和心理状态的影响,而模型并不
会。这些判断的噪声带来的误差很可能与任何事物都不相关,这意味
着在大多数情况下,我们可以将其视为随机误差。

- 攻 的预测准确性。例如,假设
你 的也出与结果的相关系数是0 5 CpG: 67%) 此时你 的判断中包合 了
50%由吧声导致的变异,而如果你的判断没有嗓声,那么它们与结果的
相关系数将提升至0. 71 (PC=75%) 。由此可见,用机器减少噪声可以
提高预测判断的有效性。

简而言之,用模型代苦人类的判断意味着两件事: 消除了人类的
复杂规则,消除了噪声。判断模型比判断更有效这一强有力的发现说

关于噪声太多pdf相关推荐:

丹尼尔卡尼曼 系统一,丹尼尔 卡尼曼的书,噪声 书评

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: