本周《Thinking Fast and Slow》的读书笔记
CH.15 LINDA: LESS IS MORE
Linda is thirty-one years old, single, outspoken, and very bright. She majored in philosophy. As a student, she was deeply concerned with issues of discrimination and social justice, and also participated in antinuclear demonstrations.
在本章中卡尼曼向读者介绍了他们最著名的一个实验：Linda是谁。同14章的Tom W一样，卡尼曼也给出了8份Linda可能正在做的职业，让参与者根据上面对Linda的描述猜测Linda最有可能做什么工作。
Linda is a teacher in elementray school.
Linda works in a bookstore and take yoga classes.
Linda is active in the feminist movement.
Linda is a psychiatric social worker.
Linda is a member of the league of Women Voters.
Linda is a bank teller.
Linda is an insurance salesperson.
Linda is a bank teller and is active in the feminist movement.
这个例子实际的关键在于实验发起者想知道在“Linda是个银行柜员”和“Linda是个银行柜员，且参与女权运动”这两选项之间，参与者究竟认为哪一个选项的概率大一些。实验结果显示，大部分的参与者都会认为后者的概率会大于前者。
这是一个非常有趣的现象。显然从统计学的角度来看，当你为一个可能的选项增加细节时（如，这里的“feminist”），你其实是缩小了这一选项的可能性。“女权主义的银行柜员”显然是“银行柜员”的一个子集，所以合理的答案应该是选概率更大的“银行柜员”。可从实验的结果来看，答案正好相反。由此我们见证了擅长逻辑功能的系统2的失败。
Amos and I introduced the idea of a conjunction fallacy, which people commit when they judge a conjunction of two events to be more probable than one of the events in a direct comparison.
卡尼曼和特沃斯基引入了“结合谬误”的概念来指代这一现象，即当人们在比较【A成立】和【A和B同时成立】这两种情况时，他们会倾向于选择【A和B同时成立】。
生活中类似的例子可不少，比如书中还说到在灾害预测上，有以下两种预告：
- 明年北美洲的某地将发生特大洪水，可能会造成约1000人左右的伤亡。
- 明年加州某地会发生地震，而地震引发的洪水可能会造成约1000人左右的伤亡。
你更相信哪一种预测呢？很有可能是提供了更完整因果情节的第二条。
CH.16 CAUSES TRUMP STATISTICS
A cab was involved in a hit-and-run accident at night.
Two cab companies, the Green and the Blue, operate in the city.
You are given some data in order to answer the question: " What is the probability that the cab involved in the accident was Blue rather than Green?"
这一章讲的是统计基准率和因果基准率对人的影响，仍是用实验来说明。
一辆出租车在晚上发生了一起交通事故并肇事逃逸了，已知这个城市里只有绿色和蓝色两家出租车公司，现在给你一些条件描述，请你来计算这辆肇事车是蓝色的概率。
第一种条件表述如下：
- 这个城市中85%的出租车是绿色的，15%的出租车是蓝色的。
- 有一位目击者说肇事车辆是蓝色的。法庭评估了目击者在黑夜能分清车辆颜色的可信度：目击者有80%的可能性是正确的，有20%的可能性是错误的。
对于学过概率论的学生来说，这道题要用到贝叶斯公式，正确的答案是肇事车为蓝色的概率是41%。而从实验的结果来看，大部分的参与者给出的估计概率都在80%左右，完全忽略了条件中的统计基准概率（绿车85%，蓝车15%），而直接采用了目击证人的可信概率。
随后实验方给出了第二种条件表述：
- 两家公司在这个城市里运营的车辆数一样，但在该城市已发生的交通事故中，有85%的事故都同绿色公司的出租车相关。
- 同第一种表述。
从数学计算的角度来看，第一种和第二种表述的结果是一样的。可人们为此给出的答案却是不同的。在第二种表述条件下，参与者会考虑统计基准利率对于结果的影响，从而他们给出的评估概率均值同运用贝叶斯公式算出的答案相差不远。
为什么会这样？
Statistical base rates are facts about a population to which a case belongs, but they are not relevant to the individual case. Causal base rates change your view of how the individual case came to be.
- Statistical base rates are generally underweighted, and sometimes negelected altogether, when specific information about the case at hand is available.
- Causal base rates are treated as information about the individual case and are easily combined with other case-specific information.
作者讲到统计基准概率描述的是事实，在车祸的例子中指的是这一类案件的总体概率，但同单独这一个案子不相关。而因果基准概率却可以改变你对个案的看法。当有特殊信息出现时，你会更容易忽略统计基准概率，而因果基准概率却会被你当做有用的信息，从而同其他特殊信息联合在一起形成你的判断依据。
To teach students any psychology they did not know before, you must surprise them. But which surprise will do? Nisbett and Borgida found that when they presented their students with a surprising statistical fact, the students managed to learn nothing at all. But when the students were surprised by invividual cases---two nice people who had not helped---they immediately made the generalization and inferred that helping is more difficult than they had thought.
为进一步说明统计基准概率和因果基准概率对人们的不同影响。作者又以社会心理学家Richard Nisbett和他的学生Eugene Borgida在密歇根大学教学生们心理学的示例来说明。
有这样的一个实验：实验方聚集了15位参与者，当让每一位参与者评估自己是否乐于助人时，大家的回答都是肯定的。随后实验方让这一群人围坐在一起，轮流介绍和交流，同时在这群人中混入了一位实验助手。当交流进行到一半的时候，这位助手假装癫痫发作，倒在地上痛苦不已，而这时仅有4位参与者是马上站出来去帮助倒地的人，有6位参与者从头到尾就没离开过座位，还有5位参与者直到看到明显的癫痫症状后才起身要帮忙。
Nisbett想用这样一个实验的结果来教会学生们在特定的情境下，人们的行为并不会如他们自己所预先设想的那样，而是会发生变化。你在一群人中担负的责任感远小于只有你一人的情况下你所感受到的责任感。为了研究学生们是否真的接受并认可这一观点，而不仅仅是学会复述结果。Nisbett把学生分成了两组，同时也精心录制了对于其中两位参与者的访谈视频，都是关于兴趣爱好、未来计划、闲暇娱乐方式等的闲谈。访谈过程很愉快，两位参与者的言谈也非常好。
对于第一组学生，Nisbett仅告诉了他们实验过程，给他们看了两位参与者的访谈视频，并没有告诉学生们实验的结果，请学生们猜测这两个参与者在实验中是否帮助了他人。对于第二组学生，Nisbett告诉了他们实验的过程和结果，同时也给他们看了两位参与者的访谈视频，同样请学生们猜测这两个参与者在实验中的表现。
第一组学生毫无疑问地以他们自己对人性和当下环境情况的判断，猜测这两位参与者一定是立刻起身助人的。第二组学生因为知道实验结果，即15人中只有4人是立刻起身帮忙的，也就是统计基准概率在27%。对他们来说最可能正确的答案是猜测这两人都没有立刻帮忙。可结果是，第二组学生也认为这两位参与者应该是立刻起身助人的。由此看来学生们并没有从这个实验中学到老师想要教授的东西。
那怎么办？Nisbett又找了一组学生，这一次，他介绍了实验的过程、播放了2位参与者的访谈视频，并告诉学生们这2位参与者都没有在实验中帮助他人，然后让学生们来推测这个实验的结果。这时戏剧性的时刻出现了，学生们的推测结果大多同真实实验结果相似。
There is a deep gap between our thinking about statistics and our thinking about individual cases. Statistical results with a causal interpretation have a stronger effect on our thinking than noncausal information. But even compelling causal statistics will not change long-held beliefs or beliefs rooted in personal experience.
On the other hand, surprising individual cases have a powerful impact and are a more effective tool for teaching psychology because the incongruity must be resolved and embedded in a causal story.
这一心理学课对我们有什么启发？我们大脑对于统计数字和实际个案的敏感度是不一样。虽说带有因果解释的统计结果远比没有因果解释的统计结果对人的影响更大，可依旧无法改变由个人经验或是长时间下来形成的根深蒂固的信仰。从另一方面看，那些让人惊讶的个案却对于教授心理学来说有强大的效用，因为这类个案所展现出来的不协调感必须要通过有因果关系的故事来解释。
You are more likely to learn something by finding surprises in your own behavior than by hearing surprising facts about people in general.
相较于听别人做的那些令人惊讶的行为和事情，你更可能从你自己的“特异”行为中受到启发，有所收获。