·　消除噪声

重新理解量表

·　我们的判断有很多噪声，这是不是因为我们对量表的理解不同？

·　对于作为量表参照点的锚定点，大家达成共识了吗？

·　为了减少噪声，我们应该用排序分数代替自己的判断吗？·　消除噪声

重新理解量表

·　我们的判断有很多噪声，这是不是因为我们对量表的理解不同？

·　对于作为量表参照点的锚定点，大家达成共识了吗？

·　为了减少噪声，我们应该用排序分数代替自己的判断吗？第16章

模式噪声的构成

还记得朱莉吗？我们在第14章中提到的那个早慧的孩子。你曾尝试预测她的大学GPA。以下是有关朱莉的详细介绍。

朱莉是独生女。她的父亲是一位事业有成的律师，母亲是一位建筑师。朱莉大约3岁时，她的父亲患上了一种自体免疫性疾病，不得不居家办公。他花大量的时间陪伴朱莉，并耐心地教她读书识字。朱莉4岁时就能流畅地阅读。她的父亲也曾尝试教她算术，但朱莉觉得算术太难了。朱莉上小学时是个好学生，但她情感淡漠，不受同学欢迎。她经常独处，自从她和自己最喜欢的叔叔一起观察鸟类后，她就成了一名狂热的鸟类观察者。

朱莉的父母在她11岁时离婚了，朱莉因此非常伤心。她的成绩严重下滑，并且经常在学校大发脾气。上了高中以后，她在部分课程，比如生物课和创意写作课中表现出色。她的物理成绩非常出色，但是对其他大部分课程她都不太重视，因此她的毕业成绩只是B。

朱莉没有被她申请的名校录取，最终上了一所还不错的州立大第16章

模式噪声的构成

还记得朱莉吗？我们在第14章中提到的那个早慧的孩子。你曾尝试预测她的大学GPA。以下是有关朱莉的详细介绍。

朱莉是独生女。她的父亲是一位事业有成的律师，母亲是一位建筑师。朱莉大约3岁时，她的父亲患上了一种自体免疫性疾病，不得不居家办公。他花大量的时间陪伴朱莉，并耐心地教她读书识字。朱莉4岁时就能流畅地阅读。她的父亲也曾尝试教她算术，但朱莉觉得算术太难了。朱莉上小学时是个好学生，但她情感淡漠，不受同学欢迎。她经常独处，自从她和自己最喜欢的叔叔一起观察鸟类后，她就成了一名狂热的鸟类观察者。

朱莉的父母在她11岁时离婚了，朱莉因此非常伤心。她的成绩严重下滑，并且经常在学校大发脾气。上了高中以后，她在部分课程，比如生物课和创意写作课中表现出色。她的物理成绩非常出色，但是对其他大部分课程她都不太重视，因此她的毕业成绩只是B。

朱莉没有被她申请的名校录取，最终上了一所还不错的州立大学，主修环境学研究专业。大学的前两年，她经历了许多感情挫折，经常抽烟。大二下学期时，她产生了去医学院就读的强烈愿望，并开始认真地对待学习。

你预测朱莉毕业时的GPA是多少呢？

朱莉2.0问题：难与易

很显然，这个问题（我们叫它“朱莉2.0”）更加困难。对于“朱莉1.0”（第14章中提及的简单线索版本），你只知道她4岁时就能阅读。只有一条线索时，匹配就可以胜任该任务，你很快就能凭直觉估计出她的GPA。

如果存在多条线索，且指向同一个方向，匹配仍然可用。例如，当你读到“比尔是一位爱好演奏爵士乐的会计师”这样的描述时，你所拥有的信息（“缺乏想象力”“数学能力强”“社会科学课程成绩差”）描绘了一幅连贯、刻板的画面。同样，如果朱莉2.0中的大多数事件都与一个早慧、成就斐然的人物形象相吻合（也许在少数几个方面表现平平），你会发现这个问题并没有那么难。当手头的证据描绘出一幅连贯的画面时，快速的系统1思维就能毫无困难地做出判断。此类简单的判断问题很容易解决，而且大多数人都能给出相似的答案。

但朱莉2.0并非如此。这个问题有难度，因为存在多个相互冲突的线索。有一些线索表明朱莉有能力且积极性较高，但也有一些线索表明朱莉有性格缺陷、成绩普通。这样的故事俯拾即是，但这样的故学，主修环境学研究专业。大学的前两年，她经历了许多感情挫折，经常抽烟。大二下学期时，她产生了去医学院就读的强烈愿望，并开始认真地对待学习。

你预测朱莉毕业时的GPA是多少呢？

朱莉2.0问题：难与易

很显然，这个问题（我们叫它“朱莉2.0”）更加困难。对于“朱莉1.0”（第14章中提及的简单线索版本），你只知道她4岁时就能阅读。只有一条线索时，匹配就可以胜任该任务，你很快就能凭直觉估计出她的GPA。

如果存在多条线索，且指向同一个方向，匹配仍然可用。例如，当你读到“比尔是一位爱好演奏爵士乐的会计师”这样的描述时，你所拥有的信息（“缺乏想象力”“数学能力强”“社会科学课程成绩差”）描绘了一幅连贯、刻板的画面。同样，如果朱莉2.0中的大多数事件都与一个早慧、成就斐然的人物形象相吻合（也许在少数几个方面表现平平），你会发现这个问题并没有那么难。当手头的证据描绘出一幅连贯的画面时，快速的系统1思维就能毫无困难地做出判断。此类简单的判断问题很容易解决，而且大多数人都能给出相似的答案。

但朱莉2.0并非如此。这个问题有难度，因为存在多个相互冲突的线索。有一些线索表明朱莉有能力且积极性较高，但也有一些线索表明朱莉有性格缺陷、成绩普通。这样的故事俯拾即是，但这样的故事容易让人困惑，因为你无法对故事中的信息做出连贯的解读。当然，这种不连贯并不会使故事显得不切实际或不可信，因为人生总是比我们讲的故事复杂得多。

多个冲突的线索会导致模糊性，而模糊性决定了它是一个困难的判断问题。这也解释了为什么复杂问题比简单问题的噪声多。规则很简单：如果看待事物的方式可以有多种，那么人们就会用不同的方式看待它们。人们会选择不同的证据碎片来构建故事的核心框架，得出不同的结论。如果你发现很难构建一个故事使朱莉2.0的存在合情合理，那么其他读者肯定会构建出不同的故事来佐证他们的不同判断。正是这种差异制造了模式噪声。

你在什么时候对自己的判断充满信心呢？一般必须满足两个条件：你所相信的故事前后必须完全连贯，并且不存在其他有吸引力的合理解释。当你解释的所有细节都与故事完全吻合且相互强化时，这个故事就达成了完全连贯。当然，你也可以通过忽略不吻合的事件，或做出额外的解释来实现这种连贯性，尽管这样达成的连贯性可能不那么完美。对于其他合理的解释来说，情况也是如此。那些真正“解决”了判断问题的专家，不仅知道为什么自己所解释的故事是正确的，而且清楚为什么其他故事是错的。而一个人如果忽视其他合理的解释，或主动压制这些解释，他也能获得程度相当但品质较差的信心水平。

这意味着，一个人对其判断的主观信心程度并不能保证判断的准确性。不仅如此，压制其他可能存在的解释，或许会引起一致性错觉（见第2章），而大量证据已经证明，确实存在这样一种知觉过程。如事容易让人困惑，因为你无法对故事中的信息做出连贯的解读。当然，这种不连贯并不会使故事显得不切实际或不可信，因为人生总是比我们讲的故事复杂得多。

多个冲突的线索会导致模糊性，而模糊性决定了它是一个困难的判断问题。这也解释了为什么复杂问题比简单问题的噪声多。规则很简单：如果看待事物的方式可以有多种，那么人们就会用不同的方式看待它们。人们会选择不同的证据碎片来构建故事的核心框架，得出不同的结论。如果你发现很难构建一个故事使朱莉2.0的存在合情合理，那么其他读者肯定会构建出不同的故事来佐证他们的不同判断。正是这种差异制造了模式噪声。

你在什么时候对自己的判断充满信心呢？一般必须满足两个条件：你所相信的故事前后必须完全连贯，并且不存在其他有吸引力的合理解释。当你解释的所有细节都与故事完全吻合且相互强化时，这个故事就达成了完全连贯。当然，你也可以通过忽略不吻合的事件，或做出额外的解释来实现这种连贯性，尽管这样达成的连贯性可能不那么完美。对于其他合理的解释来说，情况也是如此。那些真正“解决”了判断问题的专家，不仅知道为什么自己所解释的故事是正确的，而且清楚为什么其他故事是错的。而一个人如果忽视其他合理的解释，或主动压制这些解释，他也能获得程度相当但品质较差的信心水平。

这意味着，一个人对其判断的主观信心程度并不能保证判断的准确性。不仅如此，压制其他可能存在的解释，或许会引起一致性错觉（见第2章），而大量证据已经证明，确实存在这样一种知觉过程。如果人们无法想象出与自己的结论不同的其他可能结论，他们会自然而然地认为，其他观察者也必然得出与自己相同的结论。当然，我们当中很少有人能对自己所有的判断都高度自信，所有人都经历过不确定的事件，也许就像你刚才阅读朱莉2.0的故事时一样。我们并非一直都高度自信，但大多数时候我们的信心都高于应有的程度。

模式噪声：稳定的还是变化的

我们将模式误差定义为：一个人判断一个案例的误差中，除去案例和判断者的影响后无法解释的部分。举两个明显的例子：一个平时很宽容的法官在判决某一特定类型的被告（比如违反交通法规的人）时变得异常严厉；平时很谨慎的投资者在看到令人兴奋的创业计划时，放松了警惕。当然，大多数模式误差并非如此极端。我们观察到，宽容的法官在面对惯犯时会严厉起来，在审理年轻女性的案件时则更加宽容，这些都是不极端的模式误差。

模式误差是由变化的因素和稳定的因素共同决定的。变化的因素包括我们曾提到的情境噪声的来源，比如法官在审理案件中的某一时刻心情很好，或是法官刚好想到了近期发生的一些不幸的事。其他因素则更为稳定，例如，某个招聘者总是对来自某些大学的应聘者非常热情，或是某个医生总喜欢建议肺炎患者住院治疗。我们可以用一个简单的方程式来描述某一判断中的误差，方程式见下面。

模式误差

=果人们无法想象出与自己的结论不同的其他可能结论，他们会自然而然地认为，其他观察者也必然得出与自己相同的结论。当然，我们当中很少有人能对自己所有的判断都高度自信，所有人都经历过不确定的事件，也许就像你刚才阅读朱莉2.0的故事时一样。我们并非一直都高度自信，但大多数时候我们的信心都高于应有的程度。

模式噪声：稳定的还是变化的

我们将模式误差定义为：一个人判断一个案例的误差中，除去案例和判断者的影响后无法解释的部分。举两个明显的例子：一个平时很宽容的法官在判决某一特定类型的被告（比如违反交通法规的人）时变得异常严厉；平时很谨慎的投资者在看到令人兴奋的创业计划时，放松了警惕。当然，大多数模式误差并非如此极端。我们观察到，宽容的法官在面对惯犯时会严厉起来，在审理年轻女性的案件时则更加宽容，这些都是不极端的模式误差。

模式误差是由变化的因素和稳定的因素共同决定的。变化的因素包括我们曾提到的情境噪声的来源，比如法官在审理案件中的某一时刻心情很好，或是法官刚好想到了近期发生的一些不幸的事。其他因素则更为稳定，例如，某个招聘者总是对来自某些大学的应聘者非常热情，或是某个医生总喜欢建议肺炎患者住院治疗。我们可以用一个简单的方程式来描述某一判断中的误差，方程式见下面。

模式误差

=