這一章太有趣了，差點不小心忽略鐵人賽時間。

本章是在談：

• 「人類的心智」具有獨特的評估能力，人類心智雖然好像不是客觀的，但我們勢必會在做決定時，運用「人的判斷」，例如對新計劃的成本估算、新產品的潛力、員工評鑑等等
• 如果希望使用「人的心智」做為衡量的一部分，就需要找到方法來開發它的力量，並且調整其誤差

決策背後的奇怪理由

先介紹偏誤類型：

• 定錨 (anchoring)：
  • 光是想著一個數字，就會影響接下來對數字的判斷，即使是完全無關的主題。
  • 例如，先寫下自己的身份證後四碼號碼，再估算紐約的醫師數量
• 月暈效應 & 尖角效應 (Halo/horns effect)
  • 先讓人們看到有利/不利的某項證據，因而產生印象，會導致他們用「支持印象」的角度來解釋隨後出現的資訊
  • 例如，你對某人的外表有好感，因而對他的論文給比較高的評分
• 從眾偏誤 (Bandwagon bias)
  • 在實驗中，房間裡有多個受測者，受測者在視力測驗中判斷三條直線 ABC 哪一條和 X 線等長
  • 在不干擾的情況下，答錯率是 99%
  • 某些受測者私下被指示要選擇 A （錯誤答案），1 個人故意犯錯後，剩下的正確率是 97%，而有 2 個人故意犯錯，剩下的正確率是 87%，3 個人犯錯後則是 67%
  • 若「全部人都答對就會有團體獎金」，則只有 53% 的人會答對
• 浮現偏好 (emerging preferences)
  • 一旦「在決策過程中」開始偏好某些選擇，會用「接下來才新增的資訊」，去支持自己的選擇
  • 例如，若你本來沒有偏好，但在決策過程中「才」發現你喜歡 A 勝過 B，在這個偏好出現以後，你再告訴他們 A 的風險比較小、但工時比較長。此時你很有可能會回答：「我一直以來都喜歡快速完工，勝過低風險」
  • 另一個實驗是請顧客品嘗兩種果醬，再問他們喜歡哪一種。隨後偷偷將兩個罐子調換，再次請受測者品嘗「自己喜歡的果醬」，75% 無法發現果醬被換過了，並且能夠詳細解釋為什麼他們喜歡這瓶果醬。

學習幻覺 illusion of learning

由於接下來要討論「專家判斷 v.s. 統計預測」，作者介紹了一個叫「學習幻覺 illusion of learning」的概念——人們傾向相信隨著時間的增加，自己的判斷必定會變得比較好。

對應到「專家判斷」的情況：

• 對問題分析之後再做決定，會「感覺比較好」
• 這個意思是，無論分析本身是否有改善決策，決策的信心都會增加

例如：

• 在預測賽馬前閱讀賽馬的資料，對預測的信心會提高，一開始「有讀過適當資料的人」的確會表現比較好，但接下來繼續增加資料量，直到資訊超載而導致預測變差，決策的信心仍然會繼續上升
• 「在自己做決定前，先尋求他人意見」也有類似賽馬的情況

案例討論 & 一些作法

接下來作者介紹了在「大量使用判斷」的領域，常常會使用的方法，這些方法的誤差，以及如何修正誤差。

為多個因素評分後加總 → 加權分數 v.s. 簡單線性模型

例如要判斷房地產投資的商業機會時，會先定義幾項主要因素，例如地點優越性、成本、巿場成長性等等，先各別評估後，最後綜合成整合分數。

在整合之前，常常會對不同的因素進行「加權」。這些「加權」的目的是反應 A 因素比 B 因素重要。

作者表明自己曾經非常反對「加權」，但後來被一些研究結果說服 XD

這裡的重點是，作者不建議設定任意的權重 & 評分，主要是人類在隨意打分數時，數值變動很大，例如對某些事總是給 7～8 分，而對另一件你相信更重要的事，卻給 4~ 5 分。

作者介紹一個簡單的線性作法，主要是採用常態分配

• 先完成逐項評估，為每個因素給予序數或數字分數
• 計算每個欄位的平均數
• 計算每個欄位的標準差
• 取得常態化的 z 分數 (normalized z-score) - (數值 - 平均數) / 標準差
• 此時產生了一個分數，平均數為 0 ，下限為 -2 或 -3 ，而上限是 +2 或 +3

這種作法會簡單地避免產生不適當的權重。

(to be continued..... 時間要到了 >"<)