Please enable JavaScript.

Coggle requires JavaScript to display documents.

雜訊 (第五章：提升判斷力, 第二部：你的頭腦也是一把尺, 第四部：雜訊的發生, 第三章：預測性判斷的雜訊, 第六部：雜訊的最適水準,…

- - - - 讓多個判斷者對同一案例作判斷
    - - 判斷指引
      - 外部觀點（統計觀點）為基礎的共同量表
    - - 做為決策統整者，以及局外第三人，以釐清個判斷者在判斷過程中因心理偏誤產生的雜訊
    - - 中介評估法（MAP）
  - - - 所知（有經驗）、思考能力、思考方式（主動開放心態）
    - - 技術越好的專家，判斷較無偏誤及雜訊
        
        榮譽專家
        （respect- expert）
        
        在該領域的判斷沒有絕對標準，某些人的判斷因聲望而被信任，這些人稱為榮譽專家
        
        出現在無法知道真值的狀況時
        
        成立條件
        
        行規（共同規範）的存在
        
        規章擁有解讀空間，因此判斷仍可能發生雜訊
        
        經驗
        
        自信
        
        自信捷思法：我們更加信任有自認的人，而非沒自信的人
        
        擅長建構因果關係通順的故事
        
        如何判斷好的榮譽專家
        
        智力（General mental ability, GMA）
        
        用智力作為評斷標準有弊端
        
        忽略其他人格特質對於成功的貢獻
        
        一般智力測驗並不包含所有種類的智力
        
        1 more item...
        
        複雜度越高的工作，智力與工作成就的關聯越高
        
        可以解釋不同職業間的位階差異，但無法解釋同一職業群體之內的差異
        
        沒有天花板，不會因為達到某個門檻，智力就顯得不重要
        
        認知風格（Cognitive Style）
        
        認知反射測試（Cognitive reflection test, CRT）
        
        辨識對象善於使用系統二(慢想)或系統一(快思)的思考模式
        
        認知需求量表
        （Need-for -cognition scale）
        
        受試者想努力思考問題的傾向
        
        1 more item...
        
        主動開放心態
        
        主動尋找與自我論點相反的例證，權衡新資訊並檢驗舊有假設
        
        兩個原則
        
        認知到「有真實數據可驗證的領域」與「榮譽專家專屬的領域」的差異
        
        有些判斷者的智力較好、認知風格較慢想，做出的判斷比較準確而無雜訊
        
        尤其是會主動找尋新資訊、願意改變既有想法者（Active open-minded one）
  - - - 方式
        
        事後（修正型）
        
        通常依賴直覺
        
        若沒有參考數據，可採用泛用的調整比例
        
        事前（預防型）
        
        調整決策環境
        
        推力(Nudge)
        
        「自動加入機制」
        
        在架構的不同層面產生影響
        
        商品擺放位置影響顧客購買意願
        
        拉力(Boosting)
        
        教育
        
        舉一反三的能力，辨認出不同事物背後擁有的相同架構，或是不同判斷內潛藏的相同偏誤
      - 去偏誤的限制
        
        「都以假定存在的特定偏誤為目標」
        
        無法得知決策者是否有提前考量偏誤存在而主動修正決策
        
        無法確認決策者的修正幅度或方向是否正確
        
        通常部會只有單一偏誤涉及其中
        
        偏誤之間導致的影響不一定往相同方向，因此可能互相抵銷
      - 決策觀察者
        
        類型
        
        主管
        
        注意專案內容的本質
        與流向、動態
        
        結果只是本質與執行過程（動態）的產物，並非變數，因此不太需要調整
        
        在各工作團隊放一個人
        
        容易變黑臉QAQ
        
        外部推動者（外聘）
        
        需要額外成本
        
        工具
        
        檢核表（類似儀錶板）
        
        不列出所有的偏誤，而著眼於頻繁、最具影響力的偏誤
    - - 他們預防許多錯誤，但你永遠不會知道他們預防了那些錯誤
  - - - Analysis分析是否有比對價值
        Comparison比對
        Evaluation評估比對結果
        verification讓另一個人進行分析來驗證
    - - 只在需要資訊時透露資訊
        
        為了避免前期不必要的資訊行程偏見，而導致後續的確認偏誤
        
        線性序列揭露（Linear Sequential Unmasking, LSU）
      - 決策保健
        
        紀錄每一個步驟的判斷
        
        依據證據先進行判斷，再根據線索進行第二個判斷，接著再比對判斷結果
        
        請第二名人員重新做判斷（在不知道第一人的判斷下）
  - - - 挑選出色的判斷者
      - 2, 綜合不同的獨立判斷值
        
        雜訊降低程度為：
        「1-（1/估計數數量）的平方根」
        
        在判斷屬獨立、且可能多種偏誤影響的情況下，平均值的效果較好
        
        因為如果偏誤指往其中一個方向走，即使平均，平均值依然會受偏誤影響
      - 挑選群眾
        
        挑選最佳判斷者，再將這些人的估計值平均
        
        「尊重專業」，對該領域熟悉的人會做出較好的判斷，利用較好的判斷取平均，也會比將所有判斷一起取平均來的準確
      - 預測市場（Prediction market）
      - 德爾菲法（Delphi method）
        
        每一回合，提出一個估計值，並提出原因，並對他人的估計理由作出回應。過程都保持匿名，並進行數回合
        
        迷你德爾菲法
        
        估計－討論－估計法
    - - 特點
        
        預測項目數量龐大
        
        以機率來預測，而非二分法的答案
        
        提供超過一次的評估機會
        
        凱因斯（John Maynard Keynes）：「當事實改變時，我就改變想法，那麼你呢？」
        
        利用布里爾分數（Brier score）為預測者評分
        
        校準度（Calibration）：平均值的準確度
        辨析度（Resolution）：在各預測中做出差異的程度
        
        為什麼擁有機密資訊的情報人員，預測並不一定比其他人好？
        
        我猜可能是因為，預測一件事所需的資訊非常廣，如何在「各領域收集資訊並統合」，會比「在單一領域知道更多」來的重要
  - - - 水準雜訊：每個人評分及給分標準不同
      - 水準雜訊：每個人對評分項目的標準不同
      - 評鑑缺點
        
        緩升型評分膨脹
        
        25%是訊號，75%是雜訊
      - 解決方式
        
        強制排序
        （Forced sequencing）
        
        以「相對」的方式來評估會比「絕對」的方式來的準確
        
        可以減少水準與型態雜訊
        相對的排序就沒有給分寬容程度的問題
        
        需要注意的點
        
        只有當在意相對績效時，相對評估才恰當
        
        如果你在意絕對值，那麼採取相對評估則無法看出想要的內容，因為你在意的是估計值之間的「關係」，而非估計值本身
        
        假設評等的強制分布能夠反映真實分布，那將會是常態分佈
        
        但通常樣本全體太小，而且分布不均，因此可能群體內的個體都落在前10%，這時採取強制排序就顯得沒道理
        
        結構化：把一個複雜判斷的各個面向拆開來評估
        
        但拆解的方式必須具體，而非模糊描述（如工作表現），如此才能減少光環效應
        
        共同的參考框架（Common Frame of reference）
        
        夠具體的描述
        
        避免理解的不同
        
        行為定錨評定量表
        （Behavioral anchored rating scale）
        
        在量表各級別附上特定的行為參考
      - 個人評量衍伸問題
        
        組織的團隊表現，可以透過每個仁評估結果的總和來決定？
        
        重要的是組織最後的成果，而這不僅僅是每個人表現的總和，其中包含人與人之間的連結所產生的影響，因此個人評估真的能有效反映績效嗎？
        
        如果一個團隊是分工的，即使在同一單位或部門做事，也有些人從事較不具生產力卻必要的工作（這些工作可以讓其他人更有效率工作），我們可以說這個績效較差的人不重要嗎？
  - - - 一個值得懷疑的假設
        
        雇用後評估時，必須先同意雇用者的判斷
      - 可能對面試目的沒什麼幫助
        
        就雇主角度，面試是為了去蕪存菁，但如果面試的結果並無法精確反映受雇者的未來表現，那這項目的可能無法透過面試達成
    - - 客觀的無知
        
        面試時無法確知受雇者的生活環境、以及其他可能影響工作的相關因素，不確定性高
      - 祿鬍鬚效應
        
        會傾向雇用與自己有相似特性者（性別、信仰）
      - 長相
      - 型態雜訊
        
        每位面試者對同一位被面試者的想法都不同
      - 場合雜訊
        
        第一印象的塑造
      - 面試官心理學
        
        面對受面試者，會先形成第一印象，接著的風向會根據第一印象來帶動，因此不同受面試者被獲得的資訊不同，而且很有可能獲得資訊的方向，會受面試者的確認偏誤影響
      - 面試官解讀的方式
        
        我們能夠在沒有意義的
        回答中找到邏輯
        
        判斷時，即使是依據客觀的陳述或數據，也能夠因個人經驗不同而有不同解讀
        
        容易過度高估面試的預測力，而推翻更具預測力的資料
        
        綜合面試及其他測驗的結果來產生最後判斷，但要以判斷（專業直覺）、公式（機械化總和）來整合？
    - - 總和各面試官的判斷，前提是在各面試官溝通之前，以確保判斷獨立
      - 複雜判斷結構化
        
        分解
        
        中介評估
        （Mediating assessment）
        
        將需要的能力分成幾個領域來評估，以避免將不重要的訊息列入考慮因素中
        
        獨立
        
        各項評估搜尋的過程必須獨立
        
        若不獨立，很可能會因為蒐集的順序，導致後續產生的判斷都受「確認偏誤」及Mental availability所影響
        
        結構化行為面試（Structural Behavioral Interviews）
        
        面試者僅評定面試項目的一個指標，並依預定的評分標準（每個分數都以相符合的行為描述來定錨）給分
        
        不僅僅是評量項目的獨立，面試者的各自判斷也應獨立
        
        工作樣本測試
        （work sample test）
        
        以工作內容作為測驗，此測試對往後工作的預測最準確
        
        延遲做出整體判斷
  - - - 協議方法
        
        定義中介評估
        
        列出所有相關因素
        
        盡量減少重複，且一個事實只涵蓋一個因素
        
        交付第三方評估各項目分數
        
        參考外部觀點來分析各項目
        
        基本率
        
        界定參考類別
        
        確保獨立分析各項目
        
        評估分數外，也要列出與此分數不符的相關事實，以供討論
        
        不是推銷建議，而是呈現真相
        
        列出信賴區間，顯示對預測有多少把握
        
        決策會議
        
        對各項目分開討論
        
        針對意見分歧的主題進行討論
        
        估計－討論－估計法
        
        最終判斷
        
        不採用線性平均或加權平均的方式，而將延遲的判斷流到最終決定使用
        
        2 more items...
        
        若是重複決策，這個步驟及可省略
      - 重複評估的簡便方法
        
        建立參考類別，並以其他類似案例作為評估的定錨點，產生相對判斷
    - - 增進辯論與挑戰，而非產生令人窒息的共識
- - - - 8.5,8.7, 8.4, 9, 8.6
        
        偏誤 :check:
        雜訊 :green_cross:
      - 10.0, 10.2, 9.7, 9.9, 10.3
        
        偏誤 :green_cross:
        雜訊 :green_cross:
      - 7.5, 10.5, 12.4, 13.5, 7.0
        
        偏誤 :green_cross:
        雜訊 :check:
      - 統計上，常利用標準差（Standard Deviation, SD）來衡量雜訊
  - - - 判斷問題通常有「一定的意見一致性伴隨有限度的分歧」
    - - 選擇性注意（Selective attention）與選擇性回憶（Selective recall）：總是只記得特定資訊而忽略其他主觀認為不重要的
      - 「隨意」組合線索成為整體印象
      - 根據整體印象給定一個評量分（判斷）
      - 這三個過程，都會創造變異性
      - 依判斷變異性來源可分「個體內信度」（within-person reliability）和「個體間信度」（between-person reliability）
      - 判斷完成的內在訊號
        
        能夠確認的預判為單點性（在某個時間點會發生，且在時序上沒有任何重大決定因素在前決定這個事件的存在與否），而非區間性
        
        無法證實單一機率的預測是否為真，只能預測發不發生
        
        因為當事件發生時，我們只會知道他「有沒有發生」，不會知道在發生之前到底發生的機率有多少
        
        預測的時間點太過遙遠，以致超出專業涵蓋範圍
        
        在蒐集完可用資料後，在可用資料裡挑選重要的資料，並努力產生一個「正確的」判斷。當認為已經沒辦法有進展時，就會確定判斷
        
        與外界事實無關
        
        不論是真實或虛構的判斷問題，開始思考時，就會被心智化，兩者對於判斷經驗的產生並無不同
        
        判斷目的為形成一致感
    - - 可驗證性判斷問題
        
        衡量「判斷與結果的差異」
      - 不可驗證的判斷問題
        
        評估判斷過程
        
        觀察判斷過程應用在大量案例的結果
        而非針對其中一個案例來分析機率是否精確
        
        就如常態分配一樣，把群體範圍放大，讓機率體現在群體內
        
        是否符合邏輯原則或機率理論
    - - 評估性判斷與預測性判斷的界線模糊
        
        即使是評估性判斷，也會涉及評估者的價值觀和偏好
      - 雜訊對評估性判斷的干擾結果
        
        觀感不佳，不符合世俗對公平或一致性的期待
        
        被評估判斷者想要的是「整個體系的價值觀」，而非判斷者的個人價值
        
        雜訊可以測量，即使不知真值是多少，依然可以透過減少雜訊來減少不必要的成本
  - - - 利用均方差（Mean square error）的最小平方法可得出平均值為最佳估算值
      - 誤差方程式
        
        單次測量的誤差＝偏誤＋雜訊誤差
        
        總體誤差（均方差）＝偏誤^2＋雜訊^2
      - 誤差減少後，平均值可能一樣，但高斯分布的圖形會變得更尖，更易發現偏誤對預測造成的影響
        
        雜訊像迷霧，偏誤像不同道路，在走到底之前，我們不會知道自己選擇的是不是正確的，但透過撥開迷霧（減少雜訊），我們可以更清楚看見每條路
      - 雜訊的代價
        
        評估性判斷中，正誤差與負誤差的代價可能不同（預測出門時間，遲到一分鐘跟十分鐘都一樣）
        
        好的決策有兩個部分
        
        一：客觀的預測性判斷
        預測不同方法和結果
        
        二：評估性判斷
        根據預測結果評估現況，決定出最終決策
  - - - 將量刑平均視為公正判決示
        
        平均刑期以各法官判刑的刑期平均表示
        
        各案件的偏誤來自於偏見
      - 系統雜訊組成
        
        水準雜訊（Level noise）：每個判斷者的價值觀（背景、生活經驗、理念）不同，導致的一致性判斷偏誤
        
        型態雜訊（Pattern noise）：判斷者因非自身的判斷物因素而產生的判斷誤差（判斷者與被判斷物的交互作用）
        
        場合雜訊：與判斷物不相干的其他因素的影響
        (如同隨機誤差，難以區別源頭，且是不穩定的)
        
        水準雜訊：不同法官的不同嚴厲程度
        型態雜訊：不同法官對同一被告的意見分歧狀況（涉及案件特性）
        場合雜訊：法官自己有不同意見
  - - - 基於再測信度（Test-retest reliability）的關係，在知道前一次判斷的結果後，我們傾向於同意先前的判斷，並做出同樣的判斷
      - 利用數據統計分析各個判斷之間的差異是否顯著，若有，代表有場合雜訊存在
      - 群眾智慧效應
        
        將所有人猜測的答案加以平均（或取中位數）會最接近真實數字
        
        但若明顯涉及專業領域，則專業人士回答較佳
        
        偏誤沒減少，但雜訊減少
        
        內心中的群體
        
        辯證性的自我重複抽樣法（Dialectical ）
        
        假設先前的判斷是錯的
        
        試想哪些原因或因素導致判斷錯誤
        
        找尋新觀點，有什麼新的考量？
        
        形成新判斷
        
        我們做的判斷並不涵蓋我們所有的智慧，只是受場合雜訊後，以手邊可得的想法資訊來形成的判斷罷了
    - - 情緒
        
        情緒好時看什麼都順眼，不好時看什麼都不慣
        
        情緒造成的影響「視情況而定」
        
        一個仁心情好時較易受偏見左右
        
        外在因素（如天氣）的間接影響
      - 壓力與疲勞
      - Gambler's fallacy
        
        當事件常常發生，我們會預期它不發生的機率會逐漸上升
        
        在事發前，我們預期往後連續發生的結果為連續事件，但當我們已經處於事件發生中，準備要預期接下來事件發生的機率，事件會是獨立事件，而前面預測的結果都會因為已經發生，而成為既定事實
      - 雖然場合雜訊普遍存在，但其對判斷的影響依舊小於水準雜訊（你每次做的決定都不同，但不比你與另一個人做的決定差異來的大）
      - 內生性神經過程的效率
  - - - 越大的群體，人氣旺的會越旺，人氣差的會更差
        
        當我們知道大眾意見時，為了讓自己融入，我們會大程度地將大眾意見作為參考－從眾
        這種行為更加確定了大眾的意見
        
        一開始的支持或反對會影響接下來的命運
      - Contradiction！？群體智慧呢
        
        群體智慧的前提為獨立思考，如果大眾只是跟從一個人或少數人的意見，那只是把單一意見放大
      - 群體極化（Group polarization）
        
        The result of informational cascade
        
        如果結果是可量化的，那一群人討論出一個判斷，跟每個人獨力形成判斷，再取平均值或中位數，後者來的更客觀，也較能將雜訊消除
        
        群體形成判斷時，會讓原本平均好的，變得看起來更好，原本平均差的，會看起來更差
- - - - 診斷偏誤
        
        有數值可驗證時
        
        觀察是否所有數值都偏向某一側
        
        無數據可驗證時
        
        觀察「不該影響判斷，但確實影響判斷的因素」與「該影響判斷，但卻沒有影響判斷的因素」
        
        同一份計畫，但用不同字體、紙材呈現，原先應一樣的判斷，因心理因素而產生不同判斷
        
        不該影響判斷，但確實影響判斷的因素
        
        評估面試者在兩年或三年後依舊續職的可能性
        
        該影響判斷，卻沒影響判斷的因素
        
        對範疇的不敏感
        Scope insensitivity
    - - 以簡單問題的答案回答較困難的問題：用A問題回答B問題
        
        相似度（Similarity）與可能性（Possibility）
        
        描述越多，相似度越高：
        多個描述的聯集能大於一個描述
        
        描述越多，可能性越低：
        多個描述的交集一定小於單一描述
    - - 以判斷當下腦中擁有的資訊來判斷
        
        容易忽略基本質訊息（Base-rate information），造成Base rate neglect
        
        以回想事情的難易取代頻率的判斷
    - - 結論偏誤（conclusion bias, prejudgement）
        
        在判斷的一開始，以保持某特定結論的傾向
        
        深思的系統二
        
        蒐集資料時將受確認偏誤（Confirmation bias）與期許偏誤（Desirability bias）影響
        
        即使想用理性思考，但我們仍被我們深信和期望的鏡片所遮蔽
        
        定錨效應（anchoring effect）
        
        一個任意數字對必須做量化判斷者所產生的影響
        
        過度追求連貫性（Excessive coherence）和光環效應（Halo effect）
        
        建構一致的印象很快（第一印象），但要改變則很難
        
        直覺的系統一（heuristics）
      - 人的思考會跟著感覺走
  - - - 我們會根據對某人的描述來與認知內的刻板印象做配對
        
        但當描述與以建立的形象不符，就會感到不連貫
    - - 量化量表
        
        同一面向間有程度的比較
        
        根據不同情境，同樣的量化可能有不同的程度
        
        有錢的定義對青少年與富翁是不同的
        
        亦可把不同面向的強度量表配對
        
        將你對某電影的喜好，與你對女朋友的喜好相提並論
      - 質化量表
        
        無法比較大小和程度
    - - 我們容易將某種預測以某個與它相關的已知因素連結，並以此因素來推測預測
        
        落入已簡單問題取代複雜問題的圈套－－需要預測的項目，雖然與擁有的資訊有相關，但並非充分條件，因此評估過程會遺漏許多其他有影響力的因子，也忽略影響表現的不可知事件的力量
      - 在未獲得任何資訊前，我們會取平均值作為預測值
        
        當某個因素在你主觀認定為與預測極度正相關時，你想預測的值會高於平均
        
        人們較不會把預測與不利的證據配對
      - 在缺乏資訊時，預測時必須考慮基本率（平均值），只有在擁有有利證據時才能忽略它做預測
    - - 某些形容詞僅能描述該向度的某個範圍，沒有明確界線（富裕到底代表多少錢？）
        
        神奇數字「7±2」
        
        大約在判斷7個項目的標籤時，判斷就會出錯
        
        可以透過「分層分類」的方式，做出更細緻的判斷，前提是「各類別的分界點要明確」
        
        用比較，而非標記，來做判斷，會比較精準
        
        先比較，後評分的準確度較高
  - - - 同樣的程度，不同人會給不同分數
      - 不同程度，不同人卻給相同分數
      - 用詞模糊，出卷者與填卷者有不同解讀
      - 分數對於填寫人員與解讀人員有不同意義
    - - 懲罰意向的強度會與憤怒的強度做配對，並以憤怒強度來回答（用簡單的問題回答困難問題）
      - 行為者的「意圖」會影響憤怒程度，但結果是輕是重則還好
      - 有雜訊的量表
        
        判斷變異＝公正懲罰的變異+(水準雜訊)^2+(型態雜訊)^2
        
        「憤怒程度」與「懲罰意向」都以言詞的標籤來定義分類，但因
        1.上限模糊
        2.分類模糊
        而導致雜訊
        
        金額與定錨點
        
        對於將強度轉化成量化量表，我們會以「比例量表」來呈現（是直觀）
        
        我們會設置一個定錨點，並給予一個數字。我們知道一邊的極端值（燈光的強度，我們可以會以完全暗為0，把一盞燈定義為50），就可以以此比例去評估其他程度的位置的數值為何
        
        一致的任意性
        
        一開始的定錨點，也會在後續影響對其他物品的價值觀
        
        任意性：定錨點可以是任意數字
        一致：後續判斷都是相對於定錨點來定位
        
        我們對於絕對數字的敏感性比相對的還要差
        
        既然我們是相對的動物，為什麼在許多面向上，我還們想要追求絕對的答案？
        會不會根本沒有絕對答案，這些絕對答案不過是相對廣大的範圍中，看起來最正確的答案，但未被涵蓋在內的範圍，是否存在其他更加的答案呢？
        
        我們對物品的相對價值，比絕對價值還敏感
    - - 量表的選擇對於判斷的雜訊量有很大影響
      - 以相對判斷取代絕對判斷，可減少雜訊
  - - - 當被判斷的事件，具備許多衝突的資訊時，會形成模糊性，這個模糊性造就不同判斷的可能性
        
        涉及範圍：資訊量、不同人在意不同資訊、被挑選的不同資訊擁有不同比重、各種人形成的判斷都能有一套依據
        
        信心的產生
        
        對於自我的判斷必須全面性連貫
        
        沒有其他可信說法
        
        意見一致的錯覺
        
        當我們對自己的判斷過於自信，並駁斥其它說法的可能性，除非我們的判斷正確（極少情況是如此），否則產生的雜訊會極大
    - - 判斷誤差中，扣掉事件本身和判斷者本身的影響後，無法解釋的部分
        
        型態誤差＝穩定型態誤差＋短暫型態（場合）誤差
        
        型態雜訊^2＝穩定型態雜訊^2+場合雜訊^2
        
        穩定型態雜訊：判斷者模型（對各因素的權重因人而異）、對某些因素的相關經驗、判斷品質的個人差異
        
        短暫型態誤差：與對象或判斷者無關的其他因素間接對判斷者造成的影響
    - - 行為取決於性格，也取決於情況
        
        水準雜訊＝性格
        穩定的雜訊來源
        代表多種情況下的行為平均值
        
        短暫或某些穩定雜訊＝情況
        （可能是對某些情境有某些特定而固定的反應）
  - - - 誤差＝偏誤＋雜訊
        雜訊＝水準雜訊＋型態雜訊
        型態雜訊＝穩定型態雜訊＋場合雜訊
        
        穩定型態雜訊的影響比其他雜訊來源更為顯著
        
        多半是我們獨特的判斷性格產物
        
        各種心理偏誤若只能事後辨識，但未來用得上，就可以用來判斷是否成為誤差的來源
    - - 為什麼我們難以辨識雜訊對判斷的影響？
        
        我們總是以後見之明來解讀事件，雜訊成為必然的結果
        
        理解世界的方式
        
        較少比較會針對單一事件作檢討，而非利用統計方式做檢討，因此較容易忽略雜訊
        
        對於滿意結果的判斷會被視為常態，而不滿意的則成為例外
    - - 因果是自然；雜訊是統計
        偏誤是吸睛的人，雜訊則是模糊的背景
- - - - 有規則的機器判斷，效度比臨床判斷好
        
        雖然使用的數據原料相同，但機器的簡單規則可以剃除不必要的資訊，並加權重要的資訊，讓結果更貼近現實
        
        人類的推理除了探究真理外，也能蒙蔽真理，他會為我們預期的未來做看似合理的解釋，但這個解釋可能源自錯誤的資訊來源，根據毒樹果實原則，這些結果不太能用
        
        臨床判斷的效度錯覺（Illusion of validity ）
        
        面對評分標準，人類面對10分與9分的差異會與面對6分跟5分的差異不同，即便他們程度上只差一分
        
        利用判斷者的判斷所做出來的簡單模型，判斷的精準度比臨床判斷還準
        
        模型不會額外添加原先不被包含的資訊
        
        擁有的資訊越多，就有越多判斷的可能，如果只有一個結果是準確的，更多可能的結果表示你能準確的機率下降
        
        如果原先已有原初的判斷，新資訊進來時，我們容易錯估新資訊的重要性，或是直接將之考慮進原本的判斷中，形成新的判斷
        
        沒有複雜規則
        
        面對分數的差異，機器可以一視同仁，而人類則會特別重視某些要件及分數差異
        
        原因
        
        人類設定的複雜規則（如果有的話）很難普遍運用
        
        即使規則本身沒問題，也少有實際運用的機會
        
        即使是隨機生成的簡單模型（擁有不同權重），預測的效度也比臨床判斷準確
        
        模型有一致的標準衡量各變因，不會因為個人的偏好或及事後諸葛的解釋來合理化自己的預測，導致誤差較少
  - - - 所有預測因子有相同的權重
      - 簡單模型
        
        利用少數預測因子來預測的節約模型
        
        即使相關因子很多，但有些預測因子之間彼此相關，所以即使不用把所有因子羅列出來，這些有限的因子本身的影響力本來就已經包含那些沒被羅列進來的因子，因此具有實用性
        
        優點
        
        規則透明，易於應用
        
        使用成本下降，即使會比機器學習的準確度來的差，但差異不大
        
        就像0－80分的成長會比80－100的成長來的容易，如果需要花費大量成本卻只能增進些微的準確，那並不實際
        
        機器學習（人工智慧）
        
        利用龐大的資料庫，將每個預測因子逐漸納入模型內，使之越來越精準
        
        機器學習可以發現「斷腿的特例」－影響預測的關鍵因子
        
        可找出罕見、但極具相關性的預測因子
        
        最大限制
        
        只能將原因與結果互相連結，無法過濾中間的意義與實際發生的過程
  - - - 相信自己經驗的累積，已經讓某些判斷成為直覺反射，但這會導致許多因素沒被考量進來，或是因為一些自身偏見而導致的偏惡沒被察覺，而讓判斷失真
      - 雜訊來源非「預測性判斷能有多好」（準確率能多高），而是「預測性判斷該有多好」（預期準確度有多高）
        
        預測的當下有太多因素無法獲得
        
        不確定性（Uncertainty）
        
        處於資訊不完整的情境下進行預測
        
        客觀的無知（Ignorance）
    - - 準確度沒比較高，只是比較會說故事，來圓自己的信念
      - 當我們擁有一個理論去解釋或預測一切事情，這個理論帶來的框架將會限制我們能看見的事物多寡，並成為一個舒適圈，使人安逸在其中
    - - 雖然機器預測能比人類判斷優異，但依舊沒辦法有很精準的判斷準確度
  - - - 利用大量數據的機器學習模型產生的預測結果比簡單模型與人類判斷來的準確，但準確度依舊低
      - 對於單一結果的預測準確較低，但對於整合後的結果預測則較準確
        
        因為事情發生有許多因素，有較多資訊，可以對事物有更全面的理解，因此更能夠準確預測，但仍免不了一些不確定性，因為那些被調查的訊息並非全部
      - 了解與預測的差距
        
        理解：透過結果去描述因果關係
        預測：利用因果關係的概念去判斷結果
        相關性：兩因素間包含多少因果關係成分
        
        相關性與因果關係
        
        有相關性不一定有因果關係；有因果關係一定有相關性
    - - 兩種思考模式
        
        內：因果關係
        
        快速判斷，避免不確定性，能用較簡單的線性思考來解釋
        
        將每個事件都當作是獨立的，每個影響因素的權重不同，且不一定
        
        以這個方式來預測會產生錯誤的原因是「都是採取後見之明的方式去解釋，無法真實反應現況」
        
        因為這樣的預測與現實的最大差異就在於，「知不知道最後的結果」
        
        外：統計關係
        
        需深思熟慮，將個別案例作為更廣泛類別的實例
        
        每個事件只是類似事件的重現，背後有一個既定邏輯或關係，每個影響因素的權重都會被考慮，並以一樣的權重模式來預測
- - - - 比較減少雜訊的各種分法的效益與成本
    - - 變調、徒勞無功、危害
      - 如果依循的規則過於僵化，則容易犯錯
        
        :red_cross:完全反對決策保健或雜訊審查
        :check:以更好的策略減少雜訊
        
        因雜訊而造成的偏誤
        
        可能使用到種族或性別高度相關的預測指標
        
        就有可能間接造成種族、性別歧視
        
        預測的原始資料本身有偏誤
        
        取樣自某一特定群體的數據，算出來一定是無法廣泛套用
    - - 如果一切都一致，就沒有討論空間，除了因為有標準答案而導致視野縮小外，在面對突如其來的衝突時，也缺乏彈性
    - - 就像利用權重平均來判斷，有些人會跟著權重的規則來改變個項目的給分標準，進而影響結果
    - - 在需要創意的情境下，減少雜訊等於扼殺創意，但對於需理性思考並決策的情境，減少雜訊更為重要
  - - - 延遲判斷
        
        花更多時間評估
      - 群體智慧
        
        找另一個人一起評估，並做獨立判斷
      - 運用簡單規則
      - 以不同順序再次閱讀作文
        
        打破錨定效應
      - 重複判斷
        
        避免場合雜訊
    - - 變調 :warning:
        
        1>>10→1>>1'
      - 毫無作用
        
        1>>10→1>>1
      - 危害原先價值 :warning:
        
        1>>10→1>>0
      - 零雜訊的評分制度如果無法納入重要變項，會比有雜訊的個人判斷來的差
  - - - 被聽見的機會＝尊嚴
    - - 一個適當的雜訊保健策略，是可以與時俱進的，非一成不變的
    - - 當規則沒有調整空間，受影響者就會在既有制度下鑽漏洞
      - 嚇阻與風險規避
  - - - 消除裁量空間
        
        減少判斷機會，等於減少雜訊
    - - 賦予裁量空間
- - - - 犯罪與量刑雜訊
        
        在量刑時「刑罰個別化」恰當嗎
        
        面對相同背景的案件，因不同法官而被判不同程度的罪行
        
        客觀因素相同，唯一不同的是「法官」，但應該還可以考量更多，諸如犯罪動機、犯罪者環境及社經地位等。但考量的因素越多，就越無法決定出一個結果，因為永遠都有沒被考量的點
      - 結論
        
        世界的複雜與不確定性，導致判斷困難
        
        判斷差異遠超乎想像
        
        雜訊可減少
        
        有時雜訊的減少也可以使偏誤減少，因為當一個靶上雜亂的點變少，就更能確定這些點的平均是否更加靠近標靶正中間
        
        消除雜訊會受到重重阻礙
  - - - 兩種抽籤情況
        
        現有資源分配，如當兵抽籤抑或決定交換禮物順序
        
        抽籤結果受資源影響（資源主導，抽籤結果被動接受）
        
        不一定是不公平的，因為每人獲得的資源並不會受隨機影響
        
        非資源分配，如選擇人員去進行核保獲理賠
        
        抽籤結果影響資源（結果主導，資源被動產生）
        
        沒有分配性，只產生不確定性（隨機因素變多，更加不可控）
      - 雜訊審查
        
        同一件事由不同人做，評估結果的差異
        
        「金髮姑娘價格」（真值）無法被求得，所以我們也不確定其中有多少偏誤
        
        我們都無法確知任何決定是否為最理想的，甚至是接近理想的就好。因此很可能大家做的都偏離理想，但做的比較平均者被視為理想，那真的有絕對的理想嗎？
    - - 個人品味或風格≠專業判斷
        
        專業判斷的種類數量≠雜訊 :green_cross:
        個人品味／風格／想法／偏好的種類數量＝多樣性 :check:
    - - 雜訊就像漏水
        
        我們能容忍它不是因為我們能接受，而是因為我們沒有發現
      - Naive Realism：覺得別人的世界與我認知的世界一樣
        
        我認為A是正常的＞我認為A是現實＞其他人看見A＞其他人也認為A是正常的
        
        原因
        
        避免分期導致的不安感：當有產生出一個解釋後，我們傾向於相信這個解釋，而非找尋更多解釋可能
        
        獲取知識媒介相同：以同樣的語言或邏輯獲取知識，因而覺得大家和我一樣，但忽略了「切入角度不同產生的差異」以及「單一視角的侷限性」
        
        規則模糊性：因規則模糊，我們對規則的認定有一套既定標準，別人若不符合我們的認定，就容易將對方的判斷二分為錯誤的那端，減少接受的可能性（Confirmation bias）
        
        面對不同判斷的作為
        
        隱藏：促進同一性，減少歧異紛爭
        
        以學習方式事後檢討：但無濟於事
        
        歸類為意外：將不符常規的判斷分類到意外中，而非慣常的
        
        直接排斥：將異議邊緣化
  - - - 性質：
        單一>>只發生一次或少次
        重複>>發生多次，或是常態出現
        
        領域：
        單一>>歷史、管理
        重複>>社會科學
        
        分析方式：
        單一>>質性分析，因果關係，事後檢討
        重複>>統計、辨別規律性，著重預測準確度
        
        這只是時間軸長短問題，某些單一事件只要發生多次，也會變重複事件，因此這不是二分，而是光譜的兩端（1~無限）
        
        因此性質，導致單一決策難以擺脫雜訊干擾，因為回推原因的性質是線性的，但預測是非線性的，以此預測方式難以偵測出雜訊的存在
        
        反適時思維：已與現實相反的結果來回推因果關係，可以打破事後諸葛的限制
        
        必須承認我們所知有限，才能無限拓展視野，考量其他可能因素
    - - 「單一決策就像是只發生一次的重複決策」
        
        意味著作者並不是把「決策分類」，而是把依據「視野的大小」去看待決策
- - - - 各領域的雜訊干擾
        
        因每個人，或是同一個在不同時間點，看見的資訊不同而擁有不同的判斷，綜合起來，就成了充滿雜訊的沒共識