丹尼尔·卡尼曼《噪声》——读书笔记

好久没有写博客了，趁着出差有时间，读完了《噪声》这本买了很久的书，整体感觉还是有一些认知层面的迭代的，也整理下书中的一些内容，让自己能够沉下心来把思维和逻辑整理清楚，也能给大家做个分享。

书籍介绍

这本书是已故诺贝尔经济学奖得主丹尼尔·卡尼曼的新书，之前就是在这位作者去世的时候买回来学习的。

本书主要讲的是人类在判断过程中的一个常见“噪声”问题，由于人或者时间原因导致决策的随机性偏差。这本书通过对人类决策中的这种随机性偏差进行了研究探索，提出了水平噪声（不同个体间的差异）、模式噪声（个体偏好差异）和情境噪声（外部环境的影响）三种类型的噪声，同时给出了一些降低和解决噪声的切实可行的办法。

在读这本书之前，其实自己在模糊中其实对书中提到的一些现象有一些零碎的感知，比如不同的人对同一件事情的标准不一样，同一个人在不同时间段、不同情绪下，标准和判断也不一样，但是其实没有去深究其原因，只是认为是一个正常现象。这本书其实是在这方面能够带来比较系统的认证迭代，让你认识到了“噪声”这个东西的存在。

同时，我们在日常工作和生活中，其实会使用到一些减少噪声的动作，可能是一些下意识的动作，也有可能是一些规章制度方面的要求，但是其实我们很少去想过这些方式能够解决什么问题，到底是怎么解决的看起来很“随机”的噪声问题的。

从读完的实际感受上来看，这本书是一本值得一读的，看读书笔记可能会让你对这本书的内容有一个大致的了解，但是读书过程中引发的感悟和思考，还是只读大纲无法带来的。所以还是推荐感兴趣的同学能自己找到这本书看一看。

读书笔记

认识噪声

偏差 vs. 噪声

• 噪声：判断中不必要的变异。
• 偏差：系统性决策的错误。

• 预测的“客观无知”：受限于预测性判断应该有多好，而并非受限于预测性判断实际有多好。

  • 预测中偏差和噪声都会造成误差。它不仅为我们的预测力设定了上限，也限制了我们的理解力。
  • 不应该将专家失败的预测归咎于专家本人，但他们确实应该受到批评，因为他们试图完成一项不可能完成的任务，却相信自己可以做到

噪声无处不在

• 噪声的存在：哪里有判断，哪里就有噪声。在充满噪声的系统中，错误不会相互抵消，只会累加。
• 为什么我们能容忍噪声：噪声就像地下室漏水，不是因为人们认为它是可接受的，而是因为他一直未被发现。
• 噪声的普遍特性：你可以在对目标或偏差一无所知的情况下识别噪声，并对它进行测量。重复决策中的噪声，可以通过噪声审查识别出来。

噪声的代价

• 系统噪声就是不一致，而不一致会损害系统的可信度。
• 测量和减少噪声应该与测量和减少偏差同等重要。
• 目标：无论只做一次决策还是做100次决策，你的目标都应该减少偏差和噪声，而且减少错误的实践方法，在单一决策和重复决策中同样有效。

噪声的计算方法

• 判断问题：在于其结果存在不确定性，我们承认理性或有能力的人在某一问题上可能是存在分歧的。

  • 关注过程而不是结果，我们就可以对无法验证的判断进行评估，例如对虚构问题的判断或时间跨度很长的问题的预测。
  • 追求的目标：努力实现能够对一系列类似案件作出最佳判断的过程。
• 单次测量中的误差=偏差+噪声误差。
• 总体误差（均方误差） = 偏差² + 噪声²。

噪声的来源

水平噪声

不同个体对同一情况做出不同判断，例如不同法官对同一案件的量刑差异。

模式噪声

同一个体在不同时间对相似情况做出不同判断，例如医生在不同时间对同一病人的诊断差异。

• 定义：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。
• 稳定性：当模式造成的触发因素根植于我们的个人经验和价值观时，我们可以预测该模式噪声是稳定的，它反映了我们的独特性。

情境噪声

外部环境因素对判断的影响，例如天气、情绪、时间压力等。

• 情景噪声的来源：情绪。

测量噪声

• 模式误差=稳定的模式误差+变化的（情境）误差。
• 系统噪声² = 水平噪声² + 模式噪声²。
• 模式噪声² = 稳定的模式噪声² + 情景噪声²。
• 噪声的最主要成分还是稳定的模式噪声，其次才是水平噪声。情景噪声虽然也很大，但占比最小。

偏差是如何产生的

• 偏差的3种类型（产生偏差同时也会产生噪声）：

  • 替代偏差：回答一个难题的启发式是去寻找一个简单问题的答案，用一个问题提的另一个问题会导致源于可预见性心理。替代偏差会导致我们对证据不正确的赋权。
  • 结论偏差：我们常常依结论，寻找证据。由于证实性偏差和期望偏差，我们倾向于有选择地收集和解释证据以支持那个我们已经相信或希望成真的结论。结论偏差会导致我们要么绕开证据，要么以曲解的方式去考虑它。
  • 过度一致性偏差：我们能迅速形成一致性影响，但要改变一致性影响过程却很缓慢。过度一致性偏差则会放大出水影响的效果，并减少矛盾信息的影响。
• 假设的误差我们称之为心理偏差。心理偏差是一种普遍存在的心理机制，他们经常导致共性的错误，但是当偏差的个体差异较大（不同的预判）或偏差的效应取决于情境（不同的触发因素）时，噪声就会产生。

减少噪声

• 从统计学上讲，减少噪声可以避免许多错误，但你可能永远也不知道到底是避免了哪些错误，噪声是躲在暗处的敌人即使躲开了敌人的案件，你也可能察觉不到。——消灭潜在的问题的价值。

• 选聪明人：尽可能选择能力出众的判断者。

  • 好的判断者往往经验丰富且充满智慧，但他们也时刻保持着思维的开放性，愿意接纳新的信息。
  • 智力水平与更好的判断相关，致力于几乎所有领域的良好表现都相关。

• 排序：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。排序。

  • 绝对判断的量表选取会对判断中产生的噪声造成很大影响，因为模糊的量表是充满噪声的。
  • 用相对判断替代绝对判断可能会减少噪声。

• 定规则：通过制定规则、流程、指南等减少判断中的主观性和随意性。

  • 强制性准则既能减少偏差，也能减少噪声。
• 拆解维度：将复杂判断分解为多个可衡量的维度，并使用评分表、算法等工具辅助决策。

• 群体智慧：综合多个独立判断的结果，例如使用德尔菲法、预测市场等方法。

  • “群体智慧”原则是建立在平均多个独立判断的基础上的，这样能确保减少噪声。
  • 德尔菲法：评估-讨论-评估法。要求参与者先给出独立的评估，然后进行解释并说明理由，最后根据其他人的评估解释作出新的评估。

• 应用算法：在特定领域使用算法模型替代人类判断，例如信用评分、风险评估等。

  • 人类在许多方面都不如统计模型，其中一个主要弱点在于人类的判断过程存在噪声。
  • 机器学习模型之所以能够在预测方面表现出色，其中一个原因就是它能够发现人类所无法想象中各种“断腿”情况。
  • 某些算法不仅比人类判断更准确，而且也更公平。

选择规则还是标准

• 规则：旨在消除实施者的自由裁量权。标准：会授予实施者一定的自由裁量权。

  • 标准：推荐指南，应用指南。
  • 规则：算法，法规。
• 标准会引发噪声，而规则不会。
• 制定标准而用规则的原因：让不同的人就减少噪声的规则达成共识非常困难。
• 如何选择：首先应该弄清楚哪个会导致更多的错误，然后弄清楚哪个更简单，哪个更麻烦。

减少或消除噪声的7个反对意见

1. 减少噪声的代价很大，不值得。

   回答：消除噪声可能要付出高昂的代价，但这种代价是值得的，噪声可能会导致极端的不公平。

2. 为减少噪声采用的某些策略，可能会给系统本身引入新的错误，有时甚至会造成系统性偏差。

   回答：如果减少造成的方法过于粗糙，比如我们制定的指南或规则过于死板或在不经意间产生的偏差，我们也不应该放弃，而应该再试一次。

3. 如果希望人们觉得自己受到尊重和有尊严，我们就必须容许一些噪声的存在。

   回答：虽然存在噪声，但能总体上减少误差就是值得的，能够避免造成更多不公正，更高代价。如果减少噪声的策略比较粗糙，那么最好的办法就是尝试提出更好的策略。

4. 噪声可能是容纳新的价值观，乃至促进道德和政治发展至关重要的事物。

   回答：如果通过制定严格的规则来减少噪声，那么规则制定者应该随时间的变化而对规则做出改变。同时我们也可以通过设计一些程序来适应价值观的变化。

5. 一些力图减少噪声的策略可能会促成投机取巧的行为，导致人们利用制度的漏洞或规避禁令。

   回答：我们需要明确有多大的可乘之机以及有多少噪声，如果可乘之机很小但噪声很多，那么我们最好还是想办法减少噪声。

6. 存在噪声的系统可能有很好的威慑作用。

   回答：想要知道一个存在造成的系统能否产生威慑力，我们首先需要知道潜在的违法者是风险规避者还是风险爱好者。

7. 人们不希望自己被当成一件物品或机器上的一个小齿轮。

   回答：有噪声的系统可能对保持秩序有好处，但这并不是因为它包含噪声，而是因为它允许人们根据自己的意愿作出决定。噪声是难以接受的，我们需要找到不损害重要价值观的，减少噪声的策略。

题外话

在AI高速发展的当前，在写读书笔记的过程中，其实AI能够发挥很大的作用，帮你写大纲，做目录，最后排查错别字和帮你润色总结。大家如果在类似事务性的事情上也感觉耗时较多，不妨可以试一试，从我的亲身经历来看确实会带来挺大的效率提升。