我们在强度量表上区分类别的能力有限,这限制了匹配的准确性。在大小或财富维度上,有很多数值都可以被划分到“大”或“富”这种类别中,这是重要的潜在噪声源。
用富有来描述退休的投资银行家是没错的,但他到底有多富有呢?有许多形容词可供我们选择:小康、经济宽裕、富裕、超级富裕等。如果给你提供许多人的财富信息,并要求你用一个形容词来形容每个人,而且不能对每个人的财富进行比较和排序,你可以分出多少种不同的类别?
发表于1956年的一篇有历史意义的经典心理学论文《神奇的数字7,加2或减2》(The Magical Number Seve,Plus or Mius Two),其标题就指出了我们在强度量表上可以区分的类别数。如果类别数超出这一范围,人们就会开始犯错——例如,人们会认为A应当划分到比B更高级的类别中,但也会在一对一的比较时给予B高于A的评分。
请想象4条长度不等的5~10厘米的线段,这4条线段的长度呈等差分布。你每次只能看到其中的一条线段,你需要用数字1—4来评估该线段的长度:1表示最短,4表示最长。这个任务很简单。假设现在有5条长度不等的线段,重复这个过程,用数字1—5来评估线段的长度。这个任务仍然很容易。随着线段的增多,你从什么时候开始会犯错误呢?大约是从有7条线段时开始,7真是个神奇的数字!令人惊讶的是,该数字几乎不受线段长度范围的影响:如果线段的长度为5~15厘米,而不是5~10厘米,你仍然会在有7条线段之后开始犯错。当你听到不同大小的声音或看到不同亮度的光时,情况也是类似我们在强度量表上区分类别的能力有限,这限制了匹配的准确性。在大小或财富维度上,有很多数值都可以被划分到“大”或“富”这种类别中,这是重要的潜在噪声源。
用富有来描述退休的投资银行家是没错的,但他到底有多富有呢?有许多形容词可供我们选择:小康、经济宽裕、富裕、超级富裕等。如果给你提供许多人的财富信息,并要求你用一个形容词来形容每个人,而且不能对每个人的财富进行比较和排序,你可以分出多少种不同的类别?
发表于1956年的一篇有历史意义的经典心理学论文《神奇的数字7,加2或减2》(The Magical Number Seve,Plus or Mius Two),其标题就指出了我们在强度量表上可以区分的类别数。如果类别数超出这一范围,人们就会开始犯错——例如,人们会认为A应当划分到比B更高级的类别中,但也会在一对一的比较时给予B高于A的评分。
请想象4条长度不等的5~10厘米的线段,这4条线段的长度呈等差分布。你每次只能看到其中的一条线段,你需要用数字1—4来评估该线段的长度:1表示最短,4表示最长。这个任务很简单。假设现在有5条长度不等的线段,重复这个过程,用数字1—5来评估线段的长度。这个任务仍然很容易。随着线段的增多,你从什么时候开始会犯错误呢?大约是从有7条线段时开始,7真是个神奇的数字!令人惊讶的是,该数字几乎不受线段长度范围的影响:如果线段的长度为5~15厘米,而不是5~10厘米,你仍然会在有7条线段之后开始犯错。当你听到不同大小的声音或看到不同亮度的光时,情况也是类似的。人们在同一维度上对不同刺激赋予不同类别标签的能力有一个限度:大约是7个标签。
这种区分能力的限度很重要,因为我们在不同维度上对强度值进行匹配的能力,应该不会比直接在这些维度上指定数值的能力更强。虽然匹配操作是快速的系统1思维的一种通用工具,也是许多直觉性判断的核心,但它是很粗糙的。
不过,神奇的数字7并不是一个绝对的限度,人们可以通过训练层级分类来对标签做出更好的区分。例如,在千万富翁这一群体中,我们又可以区分出好几种不同富裕程度的类别,法官也可以在重型犯罪中区分出多种不同严重程度的类别。但是,要使这种优化过程起作用,类别必须是事先存在并且边界定义清晰的。在为一组线段赋予标签时,我们很难将较长的线段与较短的线段区分开,并将它们视为两个单独的类别,因为当我们处于快速的系统1思维模式时,分类并不受主观意志控制。
有一种方法可以克服形容词量表在分辨能力上的局限性:进行对比,而不是使用标签,因为我们比较案例的能力比评价案例的能力强得多。
假设让你用一个20分制的量表来评价许多餐厅或歌手,你会如何做呢?5分制的量表很容易把握,但是20分制的量表将很难保证你的评价的可信度。比如,在5分制的量表下我们可以给Joe’s Pizza餐厅打3分,但是用20分制的量表时,我们该给11分还是12分呢?解决这个问题的方法很简单,但是你需要花费很多时间才能做出判断。的。人们在同一维度上对不同刺激赋予不同类别标签的能力有一个限度:大约是7个标签。
这种区分能力的限度很重要,因为我们在不同维度上对强度值进行匹配的能力,应该不会比直接在这些维度上指定数值的能力更强。虽然匹配操作是快速的系统1思维的一种通用工具,也是许多直觉性判断的核心,但它是很粗糙的。
不过,神奇的数字7并不是一个绝对的限度,人们可以通过训练层级分类来对标签做出更好的区分。例如,在千万富翁这一群体中,我们又可以区分出好几种不同富裕程度的类别,法官也可以在重型犯罪中区分出多种不同严重程度的类别。但是,要使这种优化过程起作用,类别必须是事先存在并且边界定义清晰的。在为一组线段赋予标签时,我们很难将较长的线段与较短的线段区分开,并将它们视为两个单独的类别,因为当我们处于快速的系统1思维模式时,分类并不受主观意志控制。
有一种方法可以克服形容词量表在分辨能力上的局限性:进行对比,而不是使用标签,因为我们比较案例的能力比评价案例的能力强得多。
假设让你用一个20分制的量表来评价许多餐厅或歌手,你会如何做呢?5分制的量表很容易把握,但是20分制的量表将很难保证你的评价的可信度。比如,在5分制的量表下我们可以给Joe’s Pizza餐厅打3分,但是用20分制的量表时,我们该给11分还是12分呢?解决这个问题的方法很简单,但是你需要花费很多时间才能做出判断。首先,你要用一个5分制的量表对餐厅或歌手进行评分,将其分为5类。然后,你要在每个类别中对不同的对象进行排序,通常只需做几次对比即可完成:你可能知道你更偏爱Joe’s Pizza餐厅还是Fred’s Burgers餐厅,以及更喜欢歌手泰勒·斯威夫特(Taylor Swift)还是鲍勃·迪伦,尽管你将它们(他们)划分在了同一种类别下。一个更简单的方法是,你可以将5个类别再分为4个等级。即使是对那些你最不喜欢的歌手,你可能也可以区分出几种不同等级的厌恶程度。
上述行为的心理机制很简单:对判断对象进行直接比较能够获得比逐一评估各个对象更精确的区分效果。判断线段长度也是同样的道理:我们比较不同线段长度的能力要比确认某个具体的线段长度的能力强得多,此外,我们在比较两条线段的长度时,准确性也会更高。
我们在比较判断方面的优势适用于许多领域。如果你对人们的财富水平只有粗略的认知,那么相比于逐一标记每个人的财富水平,在同一范围内对不同个体的财富水平进行比较会更为清晰、容易。如果你对文章进行评分,那么将文章从最优到最差进行排序会比对文章逐一阅读和评分更为精确。比较判断和相对判断要比分类判断和绝对判断更敏锐,不过,正如上述的例子所表明的那样,前者也更费时费力。
使用明确有可比性的量表对目标进行单独评估,能够保留比较判断的一些优势。在某些情况下,特别是在教育领域,涉及入选录用或升迁推荐时,推荐人通常需要将候选人限定为某一类人群(如“自己教过的学生”或“具有相同经验水平的教师”)的前5%或前20%。但是,推荐人给出的评估值可能没有太大的参考价值,因为我们无法保首先,你要用一个5分制的量表对餐厅或歌手进行评分,将其分为5类。然后,你要在每个类别中对不同的对象进行排序,通常只需做几次对比即可完成:你可能知道你更偏爱Joe’s Pizza餐厅还是Fred’s Burgers餐厅,以及更喜欢歌手泰勒·斯威夫特(Taylor Swift)还是鲍勃·迪伦,尽管你将它们(他们)划分在了同一种类别下。一个更简单的方法是,你可以将5个类别再分为4个等级。即使是对那些你最不喜欢的歌手,你可能也可以区分出几种不同等级的厌恶程度。
上述行为的心理机制很简单:对判断对象进行直接比较能够获得比逐一评估各个对象更精确的区分效果。判断线段长度也是同样的道理:我们比较不同线段长度的能力要比确认某个具体的线段长度的能力强得多,此外,我们在比较两条线段的长度时,准确性也会更高。
我们在比较判断方面的优势适用于许多领域。如果你对人们的财富水平只有粗略的认知,那么相比于逐一标记每个人的财富水平,在同一范围内对不同个体的财富水平进行比较会更为清晰、容易。如果你对文章进行评分,那么将文章从最优到最差进行排序会比对文章逐一阅读和评分更为精确。比较判断和相对判断要比分类判断和绝对判断更敏锐,不过,正如上述的例子所表明的那样,前者也更费时费力。
使用明确有可比性的量表对目标进行单独评估,能够保留比较判断的一些优势。在某些情况下,特别是在教育领域,涉及入选录用或升迁推荐时,推荐人通常需要将候选人限定为某一类人群(如“自己教过的学生”或“具有相同经验水平的教师”)的前5%或前20%。但是,推荐人给出的评估值可能没有太大的参考价值,因为我们无法保证推荐者始终规范地使用统一的量表。当然,在某些情况下这些评估值还是有用的,比如,当经理对员工进行评级或分析师对投资进行评估时,可以先找到那些将90%的对象都划分到“前20%”这个类别中的人并纠正他们的错误。使用比较判断是减少噪声的方法之一,我们将在本书第五部分对此进行讨论。
许多判断任务都需要将考查对象与量表上的某个类别进行匹配,或者使用一组有序的形容词,比如用“不太可能”或“极不可能”来评定事件发生的概率。然而,这种匹配其实很粗糙,因此充满了噪声。即使人们对判断的实质达成了共识,每个人对标签的理解也可能有所不同。即便如此,强制进行比较判断还是可能减少噪声。在下一章,我们将进一步探讨错误地使用量表会如何增加噪声。证推荐者始终规范地使用统一的量表。当然,在某些情况下这些评估值还是有用的,比如,当经理对员工进行评级或分析师对投资进行评估时,可以先找到那些将90%的对象都划分到“前20%”这个类别中的人并纠正他们的错误。使用比较判断是减少噪声的方法之一,我们将在本书第五部分对此进行讨论。
许多判断任务都需要将考查对象与量表上的某个类别进行匹配,或者使用一组有序的形容词,比如用“不太可能”或“极不可能”来评定事件发生的概率。然而,这种匹配其实很粗糙,因此充满了噪声。即使人们对判断的实质达成了共识,每个人对标签的理解也可能有所不同。即便如此,强制进行比较判断还是可能减少噪声。在下一章,我们将进一步探讨错误地使用量表会如何增加噪声。· 消除噪声
匹配
· 我们俩都说这部电影非常好,但是你的喜欢程度似乎比我的要少一些。我们使用了相同的形容词,但是我们使用了相同的量表吗?
· 我们认为这部电视剧的第2季将会像第1季一样精彩。这时候,我们做的是匹配性预测,这是错误的。
· 在评阅论文时,你很难保持评分的一致性,那么你是不是应该试着给这些论文排个序?· 消除噪声
匹配
· 我们俩都说这部电影非常好,但是你的喜欢程度似乎比我的要少一些。我们使用了相同的形容词,但是我们使用了相同的量表吗?
· 我们认为这部电视剧的第2季将会像第1季一样精彩。这时候,我们做的是匹配性预测,这是错误的。
· 在评阅论文时,你很难保持评分的一致性,那么你是不是应该试着给这些论文排个序?
管理类 / 日期:2024-03-11
理解那个东西,但是我已经发现,他的信息距离和我越来越近了。因为他不再看《舟山晚报》,我也不再看《新民晚报》了,我们看的都是腾讯新闻App,看新闻头条,他也看我的朋友圈。所以信息高速一旦被打通了,一、二线和三、四线城市之间的认知壁垒也逐渐被打破了。要掌握70%~80%的都市消费,其实就是掌握两亿中产阶层。像分众这样的公司,之所以能够覆盖78%有家庭汽车的、80
管理类 / 日期:2024-03-11
实现资产最大限度的增值。一些合伙人可以通过“股权转让”等资产重组方式退出。二、退出如何结算当合伙人退出公司后,其所持的股权应该按照一定的形式退出。一方面对于继续在公司里做事的其他合伙人更公平;另一方面也便于公司的持续稳定发展。而合伙人退出之后,如何结算也是一个问题。一般采用三种方法:估值法、参考相关法律、另外约定。估值法,即当合伙人中途退出,退出时公司可以按
管理类 / 日期:2023-04-09
善良的回音“但行好事,莫问前程”,揭露了探求生活幸福的秘诀和成功人生的真谛。但很多人终其一生也未解其中真意。有的人为一己之私,机关算尽,坑蒙拐骗,最后却一无所有,在抱怨、愤怒甚至仇恨中老去,人生的意义何在?我有一个朋友,他每年都会偷偷资助几个家庭困难的高考生,一直是别人替他联系,他从来不让被资助的学生知道自己是谁。我很不解,问他原因。他说:“一是为了维护孩子
管理类 / 日期:2023-04-09
他们习惯了使用这款产品,因此即便最后用户不再享受抵扣红包了,也已经转化为忠实用户了。没有铺天盖地的宣传,也没有轰轰烈烈的营销活动,凭借这种额度不高,却能够悄悄改变人们消费习惯的手段,Z平台的信贷产品成功占领了用户的心智。受到Z平台的启发,之后很多企业在教育市场的时候都采用了赠送红包的方式,效果也都非常不错。他们习惯了使用这款产品,因此即便最后用户不再享受抵扣