Download to read offline
雜訊 THE NOISE.pdf
- 1. The Noise 雜訊 人 類判 斷 的 缺 陷 作者：Daniel Kahneman （2002 Nobel Laureate） Olivier Sibony, Cass R. Sunstein 台灣天下文化出版 Johnson CHEN 202212 1
- 2. Johnson CHEN 2022122 「我們經常是處在客觀的無知狀態之中。」 Daniel Kahneman 本書作者 2002年諾貝爾經濟學獎得主 康納曼親自現身說法，拆解雜訊與偏誤 ─ 天下文化
- 3. • 認知偏誤與快速直覺判斷（Heuristics，一種簡化的思考方式，又稱捷思法），是關聯在一 起的概念，之所以產生認知偏誤，有時是來自快速的直覺判斷風格。這種思考風格不一定就 會產生錯誤，也具有演化上的利益，如動物在野外求生，若不能發展出這種快速的直覺判斷 與反應，則很容易在天擇過程中出局。 • 在人類特別是現代社會做較複雜決策或在較不確定狀態下，並沒有要求一定要做快速反應， 也有資料可供研判，但這種思考風格卻似乎早已經在我們的基因裡，令我們經常不由自主的 發生，以致產生認知誤差。 •誤差則是由偏誤和雜訊兩者的總合。「偏誤」比較廣為人知，例如損失趨避、錨定效應和從 眾效應…等；「雜訊」則不容易被人察覺，像是不同的專家對同一件事情意見分歧的程度， 遠超過人們常理的預測程度。但是，雜訊卻無處不在，影響也不比偏誤小，只有使用統計學 來觀察的時候能讓它現形。 Johnson CHEN 202212 3 人類判斷出錯的兩大來源： 認知偏誤與雜訊
- 4. 雜訊與偏誤可以在概念與統計上分離 • 雜訊 (NoiseError) 與偏誤 (Bias) 其 實是統計學中，兩個很基本的機率 分配屬性，可以在概念上完全分開， 也是互相獨立的， • 雜訊係指誤差分配的離散程度，越 分散雜訊越多，這是統計學中的標 準差（或變異數）概念. • 偏誤 （Bias)則是實際分配平均數偏 離零誤差多少的概念。 Johnson CHEN 202212 4
- 5. 偏 誤 vs雜 訊 • 人類的思考基因是擅長連結因果說故事，但卻不擅長統計數字的。 • 在過去幾十年，已經有很多人注意到偏誤的問題。人類判斷令人驚異，而且人類心靈 締造很多了不起的成就。但在某些情況之下，偏誤會造成系統性的誤差。如果人過於 樂觀，就會出現偏誤。同樣的，若是太重視短期，就會忽略長期（這就是「現時偏 誤」）。很多人會顯現樂觀偏誤和現時偏誤，雖然這樣的偏誤可能是有用的（如果你 很樂觀，也許會比較願意勇於嘗試），但這也可能造成嚴重錯誤，因此產生大問題。 • 但是我們卻沒有看到，有關同等重要的『雜訊』（Noise），對我們決定的影響的研 究與報告。我們把雜訊定義為我們不樂見，甚至討厭的判斷變異。如果一位醫師說， 病人的心臟有問題，不過另一位醫師說，病人只是壓力大，這時就有雜訊了。若是一 位安檢人員說，某個工作場所安全無虞，但另一位安檢人員卻說那個工作場所很危險， 顯然這就是雜訊。 • 從很多方面來看，雜訊是個未知的國度，一個尚未被發現的世界。如何從單一決定找 出變數？這是一個嚴重的問題，世人卻視若無睹。雜訊會造成嚴重的不公平，在某些 情況下，應該被視為一種暴行，甚至是一種醜聞。而且在很多情況下，雜訊會付出高 昂的成本，企業、員工、消費者、投資人及其他許多人也會受到傷害。 • 只要是判斷，就會有雜訊，而且雜訊比我們每一個人想像的要多很多。 Johnson CHEN 202212 5
- 6.
- 7. 雜訊：隱形的缺陷 • 「雜訊」（noise）指的是人們「彼此判斷的方 向不同、意見分歧的程度」，但只有從統計學的 角度才看得到雜訊。像是一般的專業人士，例如 經驗資深的保險核保人員，往往對自己的判斷很 有信心，也不會去質疑同事的判斷跟自己有很大 的差異。但是一旦把統計的資料攤在桌上，才會 發現這些判斷的差異不但很大，甚至常常有不同 的專業人士對同一件事情有完全相反的判斷 • 因此統計學和經濟學家常說,在因果關係裡，雜 訊不見蹤跡；在統計世界裡，雜訊無所不在。 Johnson CHEN 202212 7
- 8.
- 9. 雜 訊 的問 題 Johnson CHEN 202212 9 • 社會充斥很多不合理的情況，像是不同法官對同一個案件卻有截然不同的判決、 不同醫師對同一個病人的診斷有很大的差異、不同選民對於客觀民調的解讀， 同一個員工的績效考核有不同的結果。至就連同一個法官、醫師與面試官在不 同的時間也會做出不同的判斷。為什麼會這樣？ • 因為，只要有判斷，就會有「雜訊」，而且在日常生活中，雜訊比你以為的還 要多。科學家發現，在經營管理、醫學、法律、經濟預測、法醫鑑識、保釋、 兒童保護、策略、績效評估、個人選擇等領域，都看得到雜訊，但是一般人和 組織都沒有意識到這個問題，結果是付出高昂的代價、企業有更大的隱藏成本、 公共安全與衛生受到影響、社會還會出現極端不公平的情況。 雜訊與偏誤一樣，都是人類必須迫切正視的問題 唯有正視雜訊與偏誤的存在，並做好決策保健工作 才能迎向決策錯誤更少、更公平、更健康的社會
- 10. Johnson CHEN 20221210 人類判斷的三種錯誤 假設有一群朋友去射擊場打敗， 他們分成四隊，這是他們的成績 • A 隊是最接近理想的一對，所有著彈 點都靠近靶心，B 隊有偏誤（Bias）， C隊有雜訊，D隊又有雜訊又偏誤 但是當我們翻轉到標靶的背面，只有看到著彈點 痕跡的時候，我們可能繼續判斷或 C,D 兩隊可能 有雜訊，但是我們也同時落入以為B隊都也是正中 目標的偏差判斷。 為了避免判斷的錯誤，我們不但要避免思 考上的偏誤（Bias），同時還要理解雜訊 （Noise)，還有它們之間的關聯關係
- 11. 系統性雜訊 Systematic Noise • 凡是由從一群同等資格的人當中隨機挑選人出來做判 斷的地方，雜訊就會是問題。很多組織都飽受系統雜 訊的困擾：你去醫院接受哪位醫師的診治、在法庭上 由哪位法官審理你的案子、哪位專利審查員審查你的 申請案、哪位客服專員聽你投訴等，往往是隨機指派 的。在這些判斷當中，不必要的變異可能會造成嚴重 的問題，包括金錢損失，以及層出不窮的不公平。 •對於判斷當中不必要的變異，常會出現一種誤解，認 為這種變異並不重要，因為隨機錯誤應該會互相抵消。 當然關於同一個案件所做的判斷，正負誤差往往會互 相抵消，然而事實上，一個充滿雜訊的系統不會對同 一個案件做出多個判斷，而是對不同的案件做出『有 干擾』的判斷。如果一家保險公司的一份保單報價太 高，另一份報價過低，兩者的平均值似乎是適當的， 但其實這家保險公司還是犯了兩個代價高昂的錯誤。 • 在充滿雜訊的系統裡，錯誤不會互相抵消，只會相加。 11
- 12. 犯罪與量刑的雜訊 • 長久以來，全世界的法官在量刑時都有自由裁量權。在很多國 家，法學專家無不讚許這種自由裁量權，認為這種做法既公正， 又合乎人道。這些專家認為刑事判決應該依據很多因素，不只 是罪行的種類，還必須考量被告的性格與情況。因此，「刑罰 個別化」的裁量方式成為主流。如果法官受到規則的約束，罪 犯就會受到不人道的待遇，他們不被視為個體，特殊情況也無 法納入考量。在很多人看來，「正當法律程序」似乎意味著 『法官的自由裁量權』（或所謂自由心證）是司法制度不可動 搖的基石。 • 然而，如果有一個人因為搶劫銀行而被定罪，在美國的刑法裡， 他有可能最高可能會被判處25年有期徒刑。這意味被告坐牢 的時間從0到25年都有可能。於是，刑期長短並非完全取決於 案件或被告，很有可能要看審理法官，也就是受法官的觀點、 偏好與偏誤所影響。因此，同樣的案件、同一個被告，可能因 為審理法官的不同，出現迥然不同的判決。 •於是，我們的法律制度『需要一套客觀，放諸四海皆準的規則， 對於法官和所有人都有約束力』-Hn. Marvin Frankel (1973) Johnson CHEN 202212 12
- 13. 司法判決裡遇到的雜訊問題 Johnson CHEN 20221213 • 1970年代，世人對自由裁量權不再那麼熱衷。原因很簡單：量刑雜 訊多到令人震驚。1973年，美國著名的法官法蘭科（Marvin Frankel，1920-2002）引發大眾對這個問題的關注。法蘭科在成 為法官之前，是一個捍衛言論自由的鬥士，積極倡導人權，協助創 立人權律師委員會。法蘭科是捍衛人權的悍將，而且對刑事司法體 系的雜訊問題感到憤怒 • 法蘭科描述法官專斷造成的種種冤罪案件，呼籲國會終止這種「歧 視」。他所說的「歧視」，主要是指雜訊，也就是莫名其妙的量刑 差異。但是，他也關心偏誤，也就是種族和社經地位造成的不平等。 為了消除雜訊和偏誤，他認為『…刑事被告不該受到差別待遇，除 非可以透過夠客觀的相關測試，確保判決結果不是單純官員、法官 等個人發布的敕令（Idiosyncratic Ukases）』 • 此外，法蘭科更主張，透過「詳細的個人資料或因素檢查清單，盡 可能包括數字或其他客觀評分」來減少雜訊。
- 14. 保險行業裡的系統雜訊-1 Johnson CHEN 20221214 • 對於在像保險公司一樣的營利組織來說，雜訊的問題可能 非常嚴重。充滿雜訊的決策可能會對於公司和組織造成很 大的損失。 • 在任何大公司，很多專業人員在公司授權下所做的判斷， 與公司利益息息相關。例如，保險公司雇用很多核保人員， 他們會依據財務風險提出保費的報價給投保人，例如銀行 擔心因為詐欺或魔鬼交易（rogue trading）*而導致巨額 虧損，因此向保險公司投保。保險公司也雇用理賠人員來 計算未來的理賠成本，並與申請理賠者交涉。 • 保險公司的主管總是在衡量「促進判斷達到一致」（亦即減少雜訊）的潛在價 值。他們希望代表公司的人員在做出重要的財務決策時，盡可能意見一致。每 一個人都認為這樣的一致性是好的。然而，每一個人也都同意，他們的判斷不 可能完全一致，因為判斷並非制式，而且含有主觀的成分，因此雜訊是無可避 免的。
- 15. 保險行業裡的系統雜訊-2 Johnson CHEN 20221215 • 保費確切的金額對公司有重大影響。如果保費高，客戶也願意接受的話，對公司來說是有利 的。但保費高也有將業務拱手讓給競爭對手的風險。保費低的話，客戶的接受度會比較高， 但對公司也比較不利。 • 以任何風險而言，都有所謂的「金髮姑娘價格」（Goldilocks price），也就是剛剛好，既不 會太高，也不會太低。一大群專業人士判斷出來的平均價格，可能和金髮姑娘價格相差無幾。 不管高於或低於這個價格都得付出代價，這就是為何判斷充滿雜訊，判斷的差異會損害公司 利益。、 • 早估價很重要，因為這為理賠人員未來與申請人的協商設定 一個隱性目標。在法律上，保險公司有義務為每一筆理賠案 件預留預計成本（有足夠的現金支付保險承諾的賠償）。 • 同樣的，從公司的角度來看，理賠金額最好符合金髮姑娘原 則。保險公司提出的理賠金額不一定會被申請人接受。如果 保險公司提出的給付金額太少，申請人可能會延請律師，將 保險公司告上法院。反之，如果理賠準備金過多，理賠人員 可能會輕易同意請求人的要求。因此，理賠人員的判斷對公 司來說很重要，而且期的對申請人而言甚至更重要。
- 16. 保險理賠抽籤制度創造的雜訊 Johnson CHEN 202212 16 •在多數的理賠申請的的時候，保險公司往往只是指派一名理賠人員負責這個案子，就像指派 核保人員一樣，因為這個理賠人員正好有空，所以承辦此案。在保險公司的正常運作中，一 名專業人員被指派負責某一個案件，沒有人知道如果換另一個人會有什麼樣的結果。 • 理賠人員蒐集關於案件的事實證據，估算最後的理賠金額。同一名理賠人員也必須負責與理 賠申請人的代理人進行協商，確保申請人獲得保單條款承諾的理賠給付，同時也得保護公司， 讓公司不會付出過多的理賠金。 • 與法官判決一樣，研究人員發現保險公司在進行的雜訊審查 發現的差異要大得多。根據計算，核保人員的中位數差異為 55％，約為大多數人（包括該保險公司主管）預期的五倍。 這樣的結果意味著，如果一個核保人員核定的保費為9500美 元，另一個人提出的核保金額不是1萬500，而是1萬6700美 元。至於理賠人員的中位數差異則為43％。 • 很明顯的，龐大的雜訊量讓保險公司付出昂貴的代價。一位 資深主管估計，公司核保雜訊的年度成本可能高達幾億美元， 這些成本包括報價太高的業務流失，以及報價太低帶來的損 失。更由於沒有人知道每一個案件的『金髮姑娘價格』因此 沒有人能夠指出有多少錯誤或偏誤
- 17. 延伸閱讀：金髮姑娘價格 Goldilock Price JohnsonCHEN 202212 17 • 所謂『金髮女孩經濟』就是指「經濟溫和成 長，低通膨、低利率」的恰到好處的理想狀 態。這種環境確實是投資市場最舒服的階段。 消費的價格和市場自動產生的價格之間，消 費的價格應該貼近平均值。然而，讓人戒慎 恐懼的是，以上三個條件，何時改變、或是 還可以維持多久？這個擔心，也是讓市場充 滿波動性，以及經濟學家和政策制定者最大 的挑戰。 • 金髮女孩（Goldilocks）這個隱喻，來自於童話故事「金髮女孩與三隻 熊」。小女孩誤闖三隻熊的房子，房子裡有三碗粥、三張床，小女孩都嘗 試過後，選了最小碗的粥、最小的床睡覺，因為那最適合她。
- 18. 不必要的變異 vs 有利的多樣性 JohnsonCHEN 202212 18 • 判斷的差異往往代表著某種程度的多樣性，不但應該在做決定的時候考慮進去， 同時也是一件好事。只是系統雜訊的一個關鍵特性是，這是不必要的雜訊，也 是我們希望避免或消除的 • 舉例來說，如果十位影評人看同一部電影、十位品酒師品評同一支酒、十位讀 者讀同一本小說，我們不會認為他們有相同的意見。畢竟人各有所好，這是很 自然的，也是我們完全可以預料到的。如果在一個世界裡，每一個人的好惡完 全相同，那麼沒有人願意活在這樣的世界。 • 但是，如果個人品味被誤認為專業判斷，品味差異也 可能造成錯誤。如果一個電影製片人決定以一個很不 尋常的主題拍片，只是因為他『很喜歡這個劇本』， 要是其他人都不喜歡的話，他可能就犯了重大偏見和 錯誤，這是我們希望在評價系統裡所避免和排除的， 也是希望能夠和所謂『多樣性』差異有所區分的。
- 19. 意見一致的錯覺-1 Johnson CHEN 20221219 • 還在不久前，沒有人預期或關注雜訊的數量會那麼大。然而也沒有人質疑這個雜 訊審查結果的可信度和接受度。但雜訊的問題，以及因為雜訊帶來的巨大代價， 對組織而言似乎是個新問題。雜訊就像地下室漏水一樣。我們會容忍這個問題不 是因為這是可以接受的，只是因為一直沒有注意到這個問題的存在。 • 這個錯覺的根源來自於，對大多數的人而言，我 們大抵有個深信不疑的信念，認為這個世界看起 來這樣，是因為本來就是這樣。接著，也很容易 相信：「我這樣看世界，別人應該也是這樣看。」 這種信念就是所謂的天真的現實主義，這對於我 們與其他人共享的現實感受很重要。我們極少質 疑這種信念。不管任何時候我們都對周遭的世界 抱持著簡單，天真的單一解釋，更糟糕的是我們 也覺得這樣的解釋就足夠，就是正確了的，不會 去想像其他可能。
- 20. 意見一致的錯覺-2 • 以專業判斷而言，我們相信別人的看法跟我們 大抵相同，這種信念會透過多種方式強化。首 先，我們跟同事有著相同的語言，也有同樣的 思考規則，知道在做決定時何種考量是重要的。 • 經驗也告訴我們，與其他人意見一致是對的， 如果有人違反規則，就會做出荒謬的判斷。我 們偶爾會把和同事的意見分歧看作是他們的判 斷失誤。我們很少有機會注意到我們一致同意 的規則是模糊的，足以消除一些可能性，卻無 法一起積極的對某種情況做出反應。 •我們喜歡待在與同事意見一致的舒適圈，未曾 注意到他們看到的世界其實和我們不一樣。 • 大多數的組織文化也是偏好共識與和諧，討厭 異議和衝突。即便是在檢視雜訊的相關會議和 討論裡，做法似乎是想盡量減少意見相左發生 的頻率，真的發生意見不一時，則找理由來掩 飾問題。 Johnson CHEN 202212 20
- 21. 單一決策 vs 重複決策 JohnsonCHEN 202212 21 • 重複的決策可以透過收集結果和雜訊審查顯露出來。例如針對類似案件但是透過 執行，專業人員，法官的互換系統或機制，於是就很容易可以被定義和測量出不 必要的和系統雜訊本身所產出來的變異。但是單一決策（沒有前例可循的場景） 就相對來說困難許多。 • 只做一次的決策，例如如歐巴馬總統對伊波拉疫情的因 應措施，是單一決策，因為這樣的決策不是個人或團體 常常必須做出的決定，沒有預先準備好的因應措施，它 們具有真正獨特的特質，也沒有真正的前例可以借鑑。 • 公司領導人常常必須做一些對他們來說似乎獨一無二的 決定：例如是否推動可能帶來巨大變革的創新計畫？在 疫情進入全球大流行階段是否關閉店面？是否在外國開 設辦事處？等等…. • 重要的政治決策往往是單一決策最好的例子，軍事指揮 官做出攸關命運的抉擇也是如此。能夠過濾掉雜訊而針 對問題核心來解決，也就成為這些決策的重點關注
- 22. 單一決策的雜訊- 當作只做一次的重複決策 22 Johnson CHEN 202212 • 單一決策的重複決策不同。重複決策的分析通常傾向利用統計學和社會科學統計 來評斷。而『高風險的單一決策』則是歷史學家和管理大師的研究範圍。 •這兩種決策的研究方法截然不同。社會科學家也會評估很多類似決策，以辨識模 式、規律性，並衡量準確性。然而，單一決策的討論通常會採用因果關係的觀點， 而且是在事情發生之後才檢視，把焦點放在找出事情發生的原因和歷史分析。 • 單一決策的本質，為雜訊研究帶來一個重要 的問題。雖然我們定義雜訊是在判斷同一個 問題時出現不想要的變異。由於單一問題永 遠不會重複出現，因此這樣的定義並不適用 在單一決策上， • 然而，從減少雜訊的角度來看，單一決策可 以被認為是只發生一次的重複決策。所以不 管你的決策只做一次，或是做一百次，都該 以減少偏誤和雜訊為目標。減少錯誤的做法， 對獨一無二的決策及重複決策應該同樣有效。
- 23. 延伸閱讀：COVID 抗疫政策與雜訊 Johnson CHEN202212 23 • 2020年的 COVID 新冠並對，就是一個我們對抗雜訊的單一決策社 會實驗。面對同樣的病毒，世界各國五花八門的政策多樣，讓我們 見識到不同政策如何影響傳染病的傳播和應對。在這期間，許多國 家誤判這個冠狀病毒的傳播力，以及染疫的嚴重性，導致醫療崩潰 而造成大量人民死亡。 • 即使像台灣初期防疫有成，但後來也因一些的判斷失誤而近乎封城 了幾個月。同時疫苗採購的時間和選擇上也是備受諸多批評。 • 到了疫情的第三年，病毒也歷經了多次的變異。我們也慢慢的有一 些共識一些防疫成功的必要條件。然而，時即使是到了今天不缺疫 苗的時間節點，但仍有不少人拒絕接種而染疫，重症和病死。於是 完整沒有雜音的正確訊息，便是我們人類抗疫，甚至生存所面臨的 一個重要課題。
- 24. • 判斷可以被描述為由人的頭腦作為儀器的一種測量。測量的概 念隱含追求準確的目的：盡可能接近真實數值，而且把錯誤降 到最低。 • 判斷的目的不是為了給人留下印象、不是為了表態，也不是為 了說服別人。同時，做出準確的判斷不等於擁有良好的判斷力。 判斷-Judgement JohnsonCHEN 202212 24 • 雖然準確是目標，要百分之百達成這個目標是不可能的，即 使是科學測量也做不到，更別提判斷了。有誤差是難免的， 有些誤差是偏誤，有些誤差則是雜訊。 • 特別是當人們認為自己在做判斷時，所展 現出思考的複雜性，並增添細微的考量。 但這種複雜性和微妙性往往只會弄巧成拙， 不會提高簡單模型的準確性。
- 25.
- 26. 延伸閱讀 均方誤差 Mean-SquareError Carl Fredrich Gauss，1795 均方誤差（MSE）是我們在做預測性判斷，包括 預測和估計裡，準確度（accuracy）最高（偏誤 最小）和精確度（precision）最高（雜訊最小） 下接近真正平均的數值。
- 27. Johnson CHEN 20221227 系統雜訊分析 • 水準誤差 Level Error- i.e 不同法官判斷平均水準的差異 • 型態雜訊 Pattern Noise-i.e. 法官對特定案件反應的差異 • 隨機雜訊 Random Error i.e 場合雜訊-不相干的戰士成份
- 28. 場合雜訊-不相干的暫時成分 • 測量場合雜訊並不容易。基於這個原因，只要 案例讓人印象深刻，場合雜訊就很難直接測量 出來。 • 就像是一位醫師在不同日子（天氣、心情）對 於同一個診療案件的診斷不同。或者是某一位 法官他支持的球隊昨天獲勝了，所以今天的判 刑變得比較寬容。這種雜訊會隨著時間和場合 改變。 •例如你給一位核保人員或刑事法官看他們承辦 過的案件，他們也許會記得那個案件，然後做 出相同的判斷。曾經有研究檢視專業判斷的變 異（技術上稱為再測信度〔test-retest reliability〕，或簡稱信度〔reliability〕）， 要求專家（或法官）在同一個期間針對同一件 事進行兩次判斷。結果並不令人意外，他們往 往會同意自己的意見。所以很難從相同的測信 度和稱信度來判定雜訊。 Johnson CHEN 202212 28
- 29. 場合雜訊的來源 • 情緒 • 道德束縛 •潛意識 • 天氣 • 排列順序 • ……… Johnson CHEN 202212 29 「判斷就像罰球：無論我們多麼想精準 呈現這個動作，沒有兩次罰球是完全相 同的。」
- 30. Johnson CHEN 20221230 我們認知的限制和預防捷思謬誤 • 我們必須要理解人類大腦在認知上的 限制並預防我們捷思陷阱的基因： • 相關性不代表因果關係，但我們可以從 因果關係找到相關性。 • 大多數正常事件不在我們意料之中，也 不會令人驚訝，也不需要解釋。 • 人們有對自己預測有過度的自信的傾向。 然而事實是，儘管我們自認為了解這裡 發生的事情，但我們同時卻不能夠能預 測到事情的發生，直到事情發生以後。
- 31. 延伸閱讀：一群人在一起，會變笨還是變聰明？ Johnson CHEN 202212 31 •1950年代，哈佛心理學家艾許（Solomon Asch）研究證明，人常常會採用多數人的看法， 就算顯然是錯的、違背自己的直覺時依舊如此。同一時期的美國加州大學學者圖登罕（Read Tuddenham）也發現，如果學生認為大家都選擇了某個答案，就會選擇同一個答案，就算 這個答案非常離譜也一樣。這個發現與我們所謂的「群眾的智慧」（wisdom of crowds） 指透過積聚大量人群的智慧，提供比獨自一人更正確的預測或答案的傳統思維截然不同
- 32. Johnson CHEN 20221232 • 『群眾的智慧』（The Wisdom of The Crowd) 是說， 只要集合群體的資訊，做出的決策常常會比個別成員 做出的決定要好。 • 然而事實是，「從眾的智慧」門檻很高，往往要在群 體成員要都要能夠『獨立』做出判斷時才會發生，而 且在群眾具有多樣性時，效果也最好。 • 另一方面，在共享單一認同的一致性群體中，團結一 致的重要性高過一切。我們反而會有不理性的決定的 傾向。 • 現在很多人開始用這個理論反思我們現代社會對於社 群網路和軟件的依賴，因而產生的群體極化（Group Polarization)。「我們認為網路是資訊的超高速公路， 其實不是，那是條偏見的超高速公路。推特和臉書很 適合分享資訊，但如果我們分享的是偏見，社群網站 可能會讓我們變笨。」
- 33. O92 Johnson CHEN 20221233 降低雜訊的方法：決策保健程序 「以總體誤差而言，雜訊和偏誤是互相獨立的。 不管偏誤有多少，減少雜訊的好處都是一樣的。」 -Daniel Kahneman
- 34. 降低雜訊的方法-1 Johnson CHEN 20221234 1. 判斷的目標是準確，而非個人特質的表現 • 為了避免穩定型態雜訊，讓不同的專業人士對同一件事情有相近的判斷，我們 可以把要判斷的程度先定義清楚，而不是給一張空白畫布讓人隨意發揮。最激 進的做法是利用電腦演算法，以規則來代替判斷 2. 要有統計思維，用外部觀點來看待案件 • 把我們要判斷的事情，當成是一群類似案件裡面的其中一個案件，而非每次都 把案件當作全新的事件。當我們引入外部的數值，例如，評估一個執行長的留 任期間長短，就要先看業界平均期間是多少，再對目前的判斷做出調整。 3. 將判斷結構化，拆解成幾個部分 • 因為當不同的人看到不同的條件，都會在心裡編織起自己的故事。就像是不同 的面試官可能會給同一個面試者截然不同的評價。這個方式可以打破人們過度 追求連貫性的心理機制，在過程中針對各個獨立的特質進行評分，而不是等到 一連串的評估結束後才一口氣評分做判斷。
- 35. 降低雜訊的方法-2 Johnson CHEN 20221235 4. 抗拒太早出現的直覺的誘惑 • 如果我們在第一時間就用直覺來判斷事情，那麼後續我們找的資料跟佐證，很可 能都只是為了證明我們自己的觀點，落入了對自己過度自信的幻覺。好的做法是 延續上一步，把各自獨立的評估都進行完成之後，然後才使用直覺進行最終判斷。 5. 從多位判斷者取得獨立判斷，然後考慮將這些判斷總合起來 • 作者們透過許多實驗說明，將獨立的判斷加以平均，可以保證系統雜訊減少。因 為不同的判斷者各自的技能和觀點會互補，增加資料的樣本數可以提高準確性， 例如 Google 在招募人才就會參考四位面試者的判斷。 6. 偏向相對判斷，相對尺度和應用基準比較（Benchmark) • 人類在絕對值上面的判斷，都有各自截然不同的解讀。例如我們要替一個團隊打 績效，不同的主管給每個員工的絕對分數，差異一定很大。但如果改成用排序的 方式，不同的主管給出的排序反而都非常相近。採取案例量表來做判斷，會比給 絕對分數來得好。
- 36. 36 課題與啟發：降低影響公平的雜訊 • 當 政府或組織過於依賴所謂『平均值』和『統 計數字』制定某一個社會政策，結果造成極端的 影響，這就就代表了某個人因為有可能被不同的 雜訊所被「不公平對待」了。而這種不公平對待， 該檢討的不是個人，而是個人所身處的「系統」。 •政策數字上的『偏誤』(Bias) 是一個人對件事常 有的各種偏見，犯錯是在個人，在民主社會裡或 許還有些救濟機制。而雜訊 (Noise) 卻是錯在系 統，系統沒有調控機制，導致一群專家，會針對 同一件事，做出截然不同的判斷。而這個影響卻 是深遠而實際衝擊到人民的生活的很多層面。 • 我們只有正視雜訊的存在，致力於改善系統，才 能朝向一個決策更正確、更公平、更健康的社會。
- 37.
- 38. 延伸閱讀: 假設檢定的型一錯誤 vs型二錯誤 Hypothesis Testing Type I and Type II Error Johnson CHEN 202212 • 型一錯誤(Type I Error) • 倘若虛無假說事實上成立，但計算出來的檢定統計量落在拒絕區域，使其拒絕虛無假設，該種錯 誤即為型一錯誤。其發生的機率以 α 表示，或稱顯著水準 (significant level)。 • 時常被提起的例子就是法官的判決。如果犯人無罪，卻判決有罪，就是典型的型一錯誤。 • 型二錯誤 （Type II Error） • 倘若虛無假設事實上不成立，但計算出來的的檢定統計量沒有落在拒絕區域，也就是落在接受區 域，使其不拒絕虛無假設。其發生的機率以 β 表示。另外，統計上常稱 1−β 為檢定力 (Power) 。 38 • 『假設檢定』是一個常用在估 計母體參數的統計和預測手法。 • 根據檢定統計量(Test Statistics) 是否落在拒絕區域， 來判斷是否應該拒絕某一個設 定的虛無假設(null hypothesis)，而反推我們對 於母體的一些判斷。 • 但是這個判斷可能會有兩種的 錯誤我們需要理解和更深入的 檢驗的：