職場 | 職場修練

「高智商、重秩序、自我中心」的人，一定是理工男嗎？為何大腦會錯想

當我們聽到一件事的某些特徵描述，大腦會快速與過往相似的經驗進行對比，好讓我們能快速進行判斷。 (來源：Dreamstime/典匠影像)

撰文者：朱睿、童璐瓊

精選書摘 2023/07/26

摘要

1.大腦有一種偷懶的思考方式，是透過與過去事件的相似程度，判斷當前事件的可能性，稱為「代表性捷思法」。

2.用代表性捷思法來判斷事件發生的可能性，有很明顯的優勢。以此為據做判斷很快，而且在很多場景中，它所帶來的判斷也是正確的。

3.但在某些時候，代表性捷思法的思考模式會忽略基礎機率、樣本大小，以及獲得資訊的全面性與客觀程度，導致我們判斷錯誤。

1913年的一個晚上，在美國拉斯維加斯的一個賭場裡，有不少人都在玩俄羅斯輪盤。這是賭場裡一種很常見的遊戲，就是一個輪盤被分為36個區域，每個區域有一個號碼，其中一半的區域是紅色的，另一半是黑色的。最簡單的玩法是賭顏色，也就是猜一個隨機轉動的小球最終會停在紅色的區域裡，還是黑色的區域裡。那天晚上，在這樣一個輪盤上，連續出現6次黑色。

如果是你，下一局你賭什麼顏色？紅色？很多人都這麼想，於是越來越多的人下注紅色，而且不斷加注籌碼，15次、16次依然每次都是黑色。這時現場已經沸騰了，你能想到最終的結果嗎？黑色創紀錄的連續出現26次！在這樣一個神奇的夜晚，不少人輸得一塌糊塗。

請你想一想，在黑色連續出現的情況下，為什麼你會想賭紅色呢？相信你和大多數人一樣，認為一個隨機轉動的球落在輪盤上黑色和紅色區域的機率應該分別接近50%。所以下次會停在什麼顏色上，你會根據之前出現顏色的頻率來做判斷。

廣告-請繼續往下閱讀

如果黑色已經出現了5次，根據50%的機率，你肯定會覺得下一次出現紅色的機率很大。

當然，如果黑色連續出現10次，你押注紅色的信心也會更大。這裡所體現的就是大腦偷懶的思考方式——「代表性捷思法」。即對於不確定的事件，我們會把它和我們既定的想法相比較，透過相似的程度判斷當前事件發生的機率。

回到輪盤賭這個例子，我們對於隨機的看法是黑、紅兩種顏色會輪流出現，所以如果黑色已經連續出現了5次，那根據隨機性，下一次出現的顏色機率是紅色。同樣的道理，如果我和你玩拋硬幣遊戲，連續5次出現了正面，你可能會猜下一次應該是反面。這就是「代表性捷思法」在起作用。

代表性捷思法：把複雜問題簡單化的能力

為了對代表性捷思法有更深入的了解，讓我們看看它首次展現在大家面前的例子。這個實驗發生在1973年，我們姑且稱之為「湯姆實驗」。研究者給一所大學的學生描述了學校裡一位叫湯姆的特點，然後請他們判斷他最有可能是什麼科系的學生。我在這裡也重現一下這個實驗：

廣告-請繼續往下閱讀

湯姆智商很高，但是缺乏真正的創造力。他喜歡簡單有序的生活、乾淨整潔的環境。他寫的文章比較枯燥，但有時也會用一些雙關語和科學幻想。他的競爭心很強。他不關心別人，缺乏同理心，也不喜歡和他人交往。雖然他總是以自我為中心，但他有很強的道德感。

在聽完上述的描述後，你覺得湯姆最可能是什麼科系呢？這裡有9個選項，分別是工商管理、電腦、工程、人文與教育、法律、醫學、圖書館學、物理與生命科學、社會學。你會選擇哪個科系呢？是不是最有可能選電腦或者工程科系？

你的判斷和絕大部分人的選擇非常相似。為什麼？如果你回想一下做判斷的過程，估計會覺得對於湯姆的描述和你心裡典型的理工科學生的形象非常吻合：有點像書呆子，守規矩，不喜歡和人打交道等。所以你立即斷定湯姆應該是電腦或工程科系的學生。

換句話說，判斷湯姆有多大可能性是某一科系的學生，這是一個相對比較困難的問題。但我們把它換成了一個簡單的問題，就是湯姆在多大程度上和一個典型的特定學科的學生相似，透過相似性（或者代表性）來判斷當前事件的可能性，這就是代表性捷思法。

代表性捷思法容易忽略的3個因素

用代表性捷思法來判斷事件發生的可能性，有很明顯的優勢。以此為據做判斷很快，而且在很多場景中，它所帶來的判斷也是正確的。

例如：身材又高又瘦的運動員很有可能是長跑運動員，而不是舉重選手；受過高等教育的人，比小學沒有畢業的人更有可能找到高收入的工作。但是，另外一些時候，這種啟發式也會帶來錯誤的判斷，因為我們會忽略一些重要的資訊。

第一，忽略基礎機率：

什麼是基礎機率呢？回到湯姆的科系那個例子，基礎機率就是，在湯姆所在的學校裡，所有的學生不同科系的占比。事實上，在湯姆所在的學校，人文與教育、社會科學等科系的學生占比要遠高於電腦和工程科系。

所以，從基礎機率來看，湯姆是人文與教育科系和社會科學科系的機率，大於他是理工科系的機率。當我們採用代表性捷思法時，我們會忽略基本的統計知識，不考慮基礎機率，從而導致判斷的偏差。如果你考慮到各個科系的基礎機率，你會做出更加理性的判斷：在這所大學，任何一個學生，包括湯姆，學習電腦和工程的可能性並不會很高。

第二，忽略樣本大小：

這一點在輪盤賭的例子中尤為明顯。我們心裡認為的隨機屬性，可能是「黑紅黑紅紅黑」，也可能是「紅紅黑黑紅黑」，或者其他的組合，總之我們認為在一個序列中出現黑色的比例應該是50%。但這個判斷與樣本量的大小有關。所謂隨機，指的是一件事情的發生在統計學上對另一件事情的發生沒有任何影響。隨機事件是不可預測的，也就是說不管黑色連續出現了多少次，下一次出現黑色的機率還是50%。

如果樣本足夠大，比如我們觀察輪盤轉上千次、上萬次，其間出現黑色和紅色的比例會各接近一半。但對於一個小的樣本，就像我們看到了5次、10次，甚至50次，則什麼樣的組合都是可能的，即使全是黑色也很正常。但因為人們通常會忽略樣本大小的影響，認為小樣本也有大樣本的屬性，所以覺得連續出現10次黑色很不可思議。

第三，忽略資訊品質是否客觀、全面：

當聽到關於湯姆的描述時，你會默認它是全面、真實的，並因此產生聯想，覺得這就是一個典型的理工科學生。但你沒有考慮的是，這個描述是否真實、全面。這是一個人對湯姆的看法，還是很多人的綜合評價？假如我們短時間內看到一個人的表情自信、說話果斷，就判斷他是一位領導，結果有可能大相徑庭，因為，善於欺騙的人短時間內也可以表現出相同的特徵。

當我們想要判斷一個事件發生的機率時，我們會把這個事件和頭腦中類似事件的典型特徵進行對比。相似度越高，我們判斷其發生的機率也就會越大。這個方法雖然在很多場景下都很有效，但也會帶來系統的偏差。

所以希望你從今天開始，在做判斷的時候，想一下基礎機率，不要過分相信小樣本的結論，而且，要學會質疑接收到的資訊。