Шум. Несовершенство человеческих суждений - Даниэл Канеман
Книга «Шум. Несовершенство человеческих суждений» (Noise: A Flaw in Human Judgment), написанная нобелевским лауреатом Даниэлем Канеманом в соавторстве с Оливье Сибони и Кассом Р. Санстейном, фундаментально переосмысливает наше понимание ошибок в человеческих суждениях. Авторы вводят и глубоко исследуют понятие «шума» — нежелательной изменчивости, или случайного разброса, в суждениях, которая приводит к ошибкам. Они проводят четкое различие между шумом и «смещением» (или предвзятостью) – систематической ошибкой. Если смещение проявляется как предсказуемое отклонение в одном направлении (например, стрелок всегда попадает левее цели), то шум – это непредсказуемая, случайная изменчивость (выстрелы хаотично разбросаны вокруг цели). Несмотря на то, что смещение широко изучено в психологии и экономике, шум, по мнению авторов, остается удивительно «невидимым» и недооцененным, хотя он является не менее, а зачастую и более значимым источником ошибок, несправедливости и неэффективности в самых разных областях человеческой деятельности. Цель книги – пролить свет на природу шума, показать его повсеместное распространение и предложить стратегии для его снижения.
Книга начинается с мощной метафоры — стрельбы по мишеням. Представьте четыре команды: команда А демонстрирует высокую точность (попадания сгруппированы близко к центру), команда Б — смещение (попадания сгруппированы, но смещены в одну сторону от центра), команда С — шум (попадания хаотично разбросаны, но в среднем центрированы), и команда Д — и смещение, и шум. Ключевой вывод заключается в том, что шум можно обнаружить и измерить, анализируя разброс попаданий на обратной стороне мишени, даже не зная, где находится «яблочко» (истинная цель).
Авторы приводят многочисленные примеры из реальной жизни, демонстрирующие повсеместное присутствие шума.
· В уголовном правосудии: Судьи выносят крайне разные приговоры за идентичные преступления. Знаменитый американский судья Марвин Франкел ещё в 1970-х годах назвал это «произволом жестокости». Исследования, проведённые в 1970-х и 1980-х годах, показали, что на приговор влияют такие «несущественные» факторы, как настроение судьи, время суток, погода, результаты местных спортивных команд. Например, голодные судьи выносят более строгие приговоры, а судьи после проигрыша местной футбольной команды более суровы в понедельник. Франкел выступал за стандартизацию приговоров, что привело к принятию Закона о реформе системы назначения наказаний 1984 года и созданию Комиссии США по вопросам назначения наказаний. Введение обязательных рекомендаций снизило шум, но когда в 2005 году они стали консультативными, шум снова возрос.
· В страховой индустрии: В крупной страховой компании андеррайтеры (специалисты, оценивающие риски и устанавливающие премии) и оценщики убытков давали совершенно разные оценки одного и того же случая. В ходе «ревизии шумовых помех» было выявлено, что медианная разница в оценках андеррайтеров составляла 55%, а для оценщиков убытков — 43%, что намного превышало ожидания руководства. Этот уровень шума приводил к огромным финансовым потерям компании, исчисляемым сотнями миллионов долларов.
· В «уникальных решениях»: Шум присутствует не только в повторяющихся (типовых) решениях, но и в однократных стратегических решениях (например, как реагировать на пандемию, стоит ли запускать новый продукт). Хотя такие решения не повторяются, контрфактуальное мышление показывает, что они могли бы быть совершенно иными, если бы их принимал другой человек или тот же человек в других обстоятельствах.
Авторы также исследуют явление «иллюзии согласия». Люди в организациях часто уверены, что их суждения согласуются с суждениями коллег, тогда как на самом деле существуют значительные разногласия. Это объясняется «наивным реализмом» (убеждением, что другие видят мир так же, как и мы), а также стремлением избегать конфликтов и поддерживать гармонию в группе. Организации часто специально разрабатывают процедуры, которые минимизируют внешние проявления разногласий, что способствует этой иллюзии. Например, приёмные комиссии университетов могут скрывать оценки предыдущих членов, чтобы избежать влияния на последующие суждения, но это может приводить к усилению разногласий, так как истинный уровень шума остаётся незамеченным.
Часть II: Ваш разум – измерительный прибор
Канеман, Сибони и Санстейн утверждают, что человеческие суждения можно рассматривать как измерения, а человеческий разум – как несовершенный измерительный прибор. Как и любой прибор, он подвержен ошибкам, которые включают в себя как смещение, так и шум. Цель точного суждения заключается в приближении к истине и минимизации ошибок.
Для количественной оценки общей погрешности суждений авторы используют концепцию среднеквадратической ошибки (MSE), давно применяемой в науке и статистике. Они показывают, что MSE может быть разложена на две основные составляющие: MSE = Смещение² + Шум². Эта формула, основанная на методе наименьших квадратов Карла Фридриха Гаусса, наглядно демонстрирует, что смещение и шум вносят равнозначный вклад в общую погрешность. Это означает, что уменьшение любого из этих компонентов одинаково эффективно для повышения точности суждений. Парадокс заключается в том, что снижение шума может сделать смещение более очевидным, но общая ошибка при этом уменьшится.
Авторы также детализируют анатомию шума, разделяя его на несколько компонентов:
1. Системный шум – это общая изменчивость в суждениях, выносимых системой (организацией). Он является нежелательным, поскольку ведет к несправедливости и неэффективности.
2. Межэкспертный шум (Level Noise) – различия в средних оценках, которые дают разные эксперты. Например, один судья может быть в целом строже, а другой – мягче. Это устойчивые, идиосинкразические различия между индивидами. Этот компонент легко обнаружить, анализируя средние показатели суждений разных людей.
3. Внутриэкспертный шум (Occasion/Pattern Noise) – изменчивость в суждениях, выносимых одним и тем же экспертом. Этот тип шума, в свою очередь, делится на:
o Постоянный внутриэкспертный шум (Pattern Noise) – устойчивые идиосинкразические реакции одного эксперта на различные типы дел. Например, судья может быть в целом мягким, но проявлять особую строгость к преступлениям, связанным с наркотиками, или инвестор может быть осторожным в целом, но склонен рисковать в отношении стартапов. Эти паттерны стабильны для конкретного эксперта.
o Ситуативный шум (Occasion Noise) – изменчивость, вызванная преходящими факторами, влияющими на суждение одного и того же человека в разное время. К таким факторам относятся настроение, усталость, погода, порядок рассмотрения дел (например, судьи более суровы после обеда или после проигрыша любимой команды). Этот тип шума является «второй лотереей» в суждении.
Измерение ситуативного шума затруднено, поскольку люди склонны воспроизводить свои предыдущие ответы для поддержания когерентности. Однако исследования, использующие методы «внутренней толпы» (например, прося человека дать несколько оценок одного и того же вопроса в разное время или с разных точек зрения), показывают, что усреднение этих оценок может повысить точность суждения. Ситуативный шум, хотя и присутствует, обычно составляет меньшую долю в общем системном шуме по сравнению с межэкспертным и постоянным внутриэкспертным шумом.
Часть III: Шум в прогнозировании
Эта часть посвящена качеству прогнозов. Авторы ссылаются на новаторскую работу психолога Пола Мила 1954 года, которая показала, что простые статистические модели (алгоритмы) consistently превосходят человеческие клинические суждения в задачах прогнозирования. Это подтверждалось многочисленными исследованиями в разных областях, от диагностики заболеваний до прогнозирования успеваемости студентов и оценки кандидатов на работу. Причина этого превосходства заключается в том, что модели, в отличие от людей, свободны от шума и систематических смещений, возникающих из-за человеческих эвристик и когнитивных искажений. Даже простые модели, где всем прогностическим факторам присваивается равный вес (неточные линейные модели), могут быть очень эффективны.
Рассматривается концепция «объективной неосведомленности» – фундаментального ограничения, означающего, что будущее по своей природе непредсказуемо, и никакие знания или модели не могут полностью это изменить. Люди, как правило, демонстрируют «чрезмерную самоуверенность» в своих прогнозах, что авторы называют «отрицанием неведения». Это явление объясняет, почему эксперты часто полагаются на интуицию, даже если она менее точна, чем простые алгоритмы: интуиция дает приятное ощущение уверенности и «внутренний сигнал» правоты, который ошибочно интерпретируется как доказательство точности.
В контексте прогнозирования жизненного пути (например, успеха детей из социально уязвимых семей), исследования показали, что даже самые сложные алгоритмы ИИ достигают лишь очень низкой точности (например, корреляция 0,22). Это свидетельствует о высокой степени объективной неосведомленности.
Авторы также обсуждают разницу между пониманием и прогнозированием. Человеческий разум склонен к каузальному мышлению – созданию логичных историй и объяснений событий после того, как они произошли (ретроспективный взгляд). Это создает «иллюзию понимания прошлого» и делает события, которые были непредсказуемыми, кажущимися очевидными задним числом. В отличие от этого, статистическое мышление требует усилий и обучения, оно позволяет увидеть разброс и шум, но не дает такого же чувства понимания, как каузальное мышление. Именно эта склонность к каузальному мышлению мешает нам видеть шум и уделять ему должное внимание.
Эта часть углубляется в психологические механизмы, которые лежат в основе возникновения шума и смещений в человеческих суждениях. Авторы объясняют, что многие ошибки в оценках проистекают из работы «Системы 1» – быстрой, интуитивной системы мышления, которая использует «эвристики» (упрощающие операции) для быстрого решения проблем. Хотя эвристики полезны, они могут приводить к систематическим и случайным ошибкам.
Авторы выделяют три основных типа психологических искажений, которые способствуют возникновению шума:
1. Подстановка: Это происходит, когда для ответа на сложный вопрос (например, «Какова вероятность?») люди интуитивно отвечают на более простой вопрос (например, «Насколько похоже?»). Если разные люди используют разные «заменители» или один и тот же человек использует разные заменители в разных ситуациях, это создает шум. Например, оценка риска авиакатастрофы может быть подменена легкостью вспоминания недавних новостей об авиакатастрофах (эвристика доступности), что приводит к изменчивости оценок.
2. Предопределенность вывода (Предвзятость подтверждения/Эвристика аффекта): Люди склонны формировать вывод или мнение, а затем избирательно искать аргументы, которые подтверждают это мнение, игнорируя или искажая противоречащие факты. Этот процесс часто имеет сильную эмоциональную окраску (эвристика аффекта). Если эта предвзятость различается между экспертами (т.е. у каждого своя уникальная предвзятость) или зависит от контекста, это порождает значительный системный шум. Пример: судьи, выносящие решения о предоставлении убежища, могут иметь предвзятость, которая различается, приводя к огромному разбросу в результатах.
3. Избыточная когерентность (Эффект ореола): Это тенденция формировать первое впечатление, а затем поддерживать его, игнорируя или искажая последующую информацию, которая ему противоречит. Первое впечатление может быть случайным (например, внешность кандидата на собеседовании или порядок поступления информации по делу), но оно закрепляется и влияет на всю последующую оценку. Если эти случайные начальные вариации различаются между экспертами или для одного эксперта в разных ситуациях, это приводит к системному шуму.
Авторы также показывают, как ситуативные факторы (настроение, усталость, погода, порядок рассмотрения дел) через эти искажения способствуют возникновению ситуативного шума. Например, если настроение судьи меняется, это может повлиять на его решение, даже если факты дела остаются теми же.
Источники шума:
Канеман, Сибони и Санстейн обобщают компоненты шума и его источники:
· Межэкспертный шум: Возникает из-за устойчивых различий между экспертами (например, их общая строгость, оптимизм, склонность к определённым диагнозам).
· Внутриэкспертный шум: Возникает из-за непоследовательности суждений одного и того же эксперта. Он делится на:
o Постоянный внутриэкспертный шум (Pattern Noise): Уникальные и устойчивые способы реагирования конкретного эксперта на различные особенности дел (например, судья всегда строг к наркоторговцам, но снисходителен к молодым женщинам).
o Ситуативный шум (Occasion Noise): Непостоянные, временные колебания в суждениях одного эксперта, вызванные внешними или внутренними факторами (настроение, усталость, влияние предыдущих дел).
Исследования показывают, что внутриэкспертный шум (особенно постоянный) является самым значительным компонентом системного шума. Он объясняет, почему даже очень квалифицированные эксперты могут давать непоследовательные суждения.
Почему шум так часто остается незамеченным? Авторы объясняют это тем, что человеческий разум склонен к каузальному мышлению – поиску причинно-следственных связей. Когда что-то идет не так, мы ищем конкретную причину (например, предвзятость, некомпетентность). Шум же по своей природе является статистическим явлением, его трудно объяснить конкретной причиной. Мы видим яркие «фигуры» (смещения), но игнорируем размытый «фон» (шум). Отсутствие статистического мышления в наших интуитивных прозрениях является главной причиной того, что шум недооценивается.
Часть V: Улучшение качества суждений
Эта часть книги посвящена практическим стратегиям по снижению шума и повышению качества суждений, которые авторы называют «гигиеной принятия решений». Аналогия с мытьём рук очень показательна: мы моем руки, чтобы предотвратить болезни, даже если не видим микробов. Точно так же гигиена решений направлена на предотвращение ошибок, вызванных шумом, даже если мы не знаем их точного происхождения. Это превентивная мера.
Основные стратегии гигиены принятия решений, подробно обсуждаемые в различных контекстах:
1. Структурирование суждений: Разделение сложного суждения на отдельные, более мелкие и независимые компоненты. Каждый компонент оценивается отдельно, а итоговое суждение формируется на основе этих промежуточных оценок. Это помогает бороться с эффектом ореола и снижает внутриэкспертный шум.
o Пример: Подбор персонала. Традиционные интервью очень «шумные». Компании, такие как Google, внедрили структурированные поведенческие интервью, где интервьюеры оценивают конкретные аспекты (когнитивные способности, лидерство, соответствие культуре, технические знания) по заранее определённым шкалам с опорными примерами. Это значительно улучшает прогностическую ценность интервью.
2. Управление информационным потоком: Контроль за тем, какая информация доступна эксперту и на каком этапе процесса принятия решения. Цель – минимизировать влияние несущественных, но искажающих факторов (заданность восприятия) и избежать преждевременных выводов.
o Пример: Криминалистика. В анализе отпечатков пальцев, несмотря на кажущуюся объективность, присутствует значительный шум, вызванный заданностью восприятия. Эксперты ФБР начали внедрять «линейную последовательность раскрытия информации», когда эксперту предоставляется минимально необходимая информация о деле, и он регистрирует свои выводы до получения любой контекстной информации (например, об алиби подозреваемого или мнении детектива). Это значительно снижает риск ошибок.
3. Использование общей системы отсчета (шкалы): Авторы показывают, что дизайн шкалы оценки имеет огромное влияние на уровень шума.
o Абсолютные vs. Относительные шкалы: Абсолютные оценки (например, точная денежная сумма, баллы по шкале от 1 до 5) гораздо более подвержены шуму, чем относительные оценки (например, ранжирование, сравнение с эталонными примерами). Это связано с «эффектом якорения», когда случайные числа (например, последние цифры социального страхования) могут влиять на окончательную денежную оценку.
o Пример: Компенсация морального ущерба. Исследование показало, что суммы денежной компенсации, назначаемые присяжными, были крайне шумными (94% погрешности — шум), в то время как их оценки степени возмущения или меры наказания были гораздо более последовательными. Перевод денежных сумм в ранги значительно снизил шум. Авторы утверждают, что проблема шума возникает, когда оценка производится по номинальным или пропорциональным шкалам без достаточно чётких «якорей» или стандартов.
o Пример: Оценка профессиональной эффективности. Традиционные системы оценки эффективности страдают от высокой доли шума (70-80%). Использование относительного ранжирования (например, принудительное ранжирование сотрудников) или обучение экспертов использованию общей системы отсчёта с опорными примерами (как в шкале Апгар для новорожденных) значительно снижает шум.
4. Отсрочка окончательного суждения: Не стоит формировать окончательное мнение слишком рано в процессе. Все промежуточные оценки должны быть собраны и только затем, на финальном этапе, формируется общее суждение, возможно, с использованием интуиции. Это предотвращает преждевременные выводы и влияние начальных впечатлений. Эта стратегия лежит в основе «Протокола промежуточных оценок (MAP)».
5. Агрегирование независимых суждений (Мудрость толпы): Усреднение суждений нескольких экспертов, которые выносят свои суждения независимо друг от друга, значительно снижает шум. Это подтверждается феноменом «мудрости толпы». Однако важно, чтобы суждения были действительно независимыми; групповые обсуждения, наоборот, могут усилить шум из-за информационных каскадов и групповой поляризации (тенденции группы принимать более экстремальные решения после обсуждения).
o Пример: Суперпредсказатели. Проект «Верное суждение» Филипа Тетлока показал, что обычные люди могут стать «суперпредсказателями» политических событий, если их обучить статистическому мышлению, они обладают активно открытым мышлением и используют агрегирование суждений.
6. Выбор лучших судей (Экспертиза и когнитивный стиль): Хотя сложно предсказать, кто будет «лучшим судьей» в каждой конкретной ситуации, люди с более высоким общим интеллектом и активно открытым мышлением (готовностью пересматривать свои убеждения при поступлении новой информации) склонны выносить более качественные и менее шумные суждения.
Часть VI: Оптимальный уровень шума
В заключительной части книги авторы обращаются к сложному вопросу: существует ли оптимальный уровень шума, и стоит ли всегда стремиться к его полному искоренению? Они признают, что снижение шума не является абсолютным благом и может иметь свои издержки. Рассматриваются следующие возражения против снижения шума:
1. Высокая стоимость: Меры по снижению шума могут быть слишком затратными и трудоёмкими. Авторы соглашаются, что затраты существуют, но утверждают, что стоимость самого шума (в виде несправедливости, неэффективности, финансовых потерь) часто недооценивается и значительно превосходит затраты на его снижение. Ревизия шума необходима, чтобы оценить эту стоимость.
2. Введение новых ошибок или предвзятостей: Некоторые стратегии снижения шума (особенно использование алгоритмов) могут приводить к появлению новых систематических искажений, если они основаны на предвзятых данных или неправильно запрограммированы. Алгоритмы, свободные от шума, могут быть предвзятыми. Авторы признают этот риск, но отмечают, что алгоритмы часто более прозрачны в своих ошибках, чем люди, и могут быть скорректированы для минимизации предвзятости. Например, алгоритм, используемый для прогнозирования рецидивизма, может быть предвзят по расовому признаку, если он обучен на данных, отражающих существующие предубеждения в правоохранительной системе. Однако такие искажения, в отличие от человеческих, легче выявить и устранить.
3. Потеря достоинства и индивидуального подхода: Жёсткие правила и алгоритмы могут лишать людей чувства автономии, личного участия и индивидуального обращения. Это вызывает возмущение, так как люди ценят возможность быть выслушанными и получить «справедливое» рассмотрение своего дела живым человеком. Авторы признают, что индивидуальный подход может быть важен для человеческого достоинства, но утверждают, что в критических областях (правосудие, медицина) справедливость и точность важнее, чем это ощущение, особенно когда человеческая интуиция приводит к плохим и несправедливым результатам.
4. Препятствие нравственной и политической эволюции: Слишком ригидные системы, свободные от шума, могут «замораживать» ценности и препятствовать адаптации к меняющимся социальным нормам. Например, если правила наказаний слишком строги, это может помешать эволюции представлений о справедливости. Авторы считают, что хорошо разработанные системы гигиены могут быть достаточно гибкими, чтобы позволить ценностям развиваться, особенно через прозрачное и регулярное обновление правил.
5. Поощрение обхода правил и мошенничества: Предсказуемые системы могут побуждать людей искать способы обойти правила, что приводит к появлению нового, невидимого шума. Авторы отмечают, что это проблема плохо разработанных или негибких правил, а не самой концепции снижения шума. Они утверждают, что «шумная» система, в которой есть место произволу, на самом деле может иметь сдерживающий эффект, поскольку неопределенность наказания может отпугнуть потенциальных нарушителей.
6. Подавление творчества и морального духа: Использование алгоритмов и строгих правил может демотивировать людей, подавлять их творческое начало и чувство удовлетворения от работы. Авторы признают, что это риск, но утверждают, что структурирование может, наоборот, направлять творчество, и что проблема морального духа должна быть решена, но не за счёт сохранения несправедливого шума. Врачи, учителя или менеджеры могут чувствовать себя «винтиками в машине», если их суждения полностью диктуются правилами.
Правила или стандарты?
Авторы подробно анализируют различие между правилами и стандартами как способами регулирования поведения:
· Правила (например, «максимальная скорость 65 миль/час») чёткие, не оставляют места для усмотрения, радикально снижают шум, но могут быть негибкими и не учитывать нюансы. Стоимость их применения низка, но стоимость разработки может быть высокой.
· Стандарты (например, «действуйте разумно», «соблюдайте максимально безопасные условия») гибки, оставляют место для усмотрения, но неизбежно вводят шум. Стоимость применения высока (требуется суждение), а стоимость разработки может быть ниже.
Выбор между правилами и стандартами зависит от контекста, цены ошибок и решений, а также от степени доверия к исполнителям. Если персонал некомпетентен, нужны правила. Если компетентен, но предвзят, нужны стандарты.
Книга завершается призывом к организациям и индивидам серьёзно отнестись к проблеме шума. Шум, хоть и является «невидимым» и часто игнорируемым, наносит огромный ущерб в виде несправедливости, неэффективности и финансовых потерь. Авторы утверждают, что борьба со шумом оправдана, несмотря на её издержки и сложности.
· Признание шума: Необходимо осознать, что шум существует повсеместно в суждениях, даже там, где его не ожидают.
· Измерение шума: «Ревизия шумовых помех» — систематическая процедура, которая позволяет количественно оценить уровень шума в суждениях организации.
· Гигиена принятия решений: Это превентивный подход к снижению шума, включающий:
o Структурирование: Разделение суждений на компоненты и их независимая оценка.
o Управление информационным потоком: Контроль за поступающей информацией для предотвращения предвзятости.
o Использование правильных шкал: Переход от абсолютных к относительным оценкам.
o Агрегирование: Объединение независимых суждений.
o Отсрочка суждения: Формирование окончательного вывода только после сбора всех промежуточных оценок.
· Ценность алгоритмов: Алгоритмы часто превосходят человеческие суждения в точности прогнозов, главным образом из-за отсутствия шума и систематических искажений.
· Оптимальный уровень шума: Хотя полный отказ от шума не всегда возможен или желателен (из-за издержек, потери гибкости или морального духа), его нынешний уровень во многих областях недопустим.
Авторы призывают к созданию «менее шумного мира», где решения будут более точными, справедливыми и эффективными, что приведёт к значительной экономии средств, улучшению национальной безопасности и здравоохранения, а также к росту доверия к системам суждений.
Книга также включает три приложения, которые дополняют основные идеи:
Приложение 1: Методика проведения ревизии шумовых помех
Это практическое руководство для организаций, желающих провести собственный «шумовой аудит». Процесс включает следующие шаги:
1. Формирование команды проекта: Включает внутренних специалистов и, возможно, внешних консультантов.
2. Подготовка материалов исследования: Разработка детальных описаний типовых случаев (кейсов), с которыми эксперты сталкиваются в повседневной работе. Кейсы должны быть реалистичными и охватывать широкий спектр проблем. Также разрабатываются вопросники для сбора данных о ходе суждений экспертов.
3. Предварительная встреча с руководством: Обсуждение целей, потенциальных результатов ревизии и возможных возражений. Важно получить согласие руководства на проведение исследования, даже если результаты могут оказаться неожиданными или нежелательными. Руководство должно быть готово принять меры на основе полученных данных. На этом этапе задаются вопросы о том, какой уровень разногласий ожидается, и какой уровень шума является приемлемым.
4. Проведение исследования: Квалифицированные эксперты из целевого подразделения оценивают подготовленные кейсы независимо друг от друга, без общения. Важно обеспечить анонимность их ответов.
5. Анализ и выводы: Проектная команда проводит статистический анализ, измеряя общий уровень шума, а также его компоненты (межэкспертный и внутриэкспертный шум). Анализируются факторы, влияющие на суждения, и выявляются источники вариативности и искажений. На основе этих данных разрабатываются рекомендации по внедрению гигиены принятия решений.
Методика подчеркивает, что ревизия шума — это серьёзное предприятие, требующее значительных усилий и внимания к деталям, но она необходима для выявления скрытых проблем и стимулирования изменений.
Приложение 2: Чек-лист наблюдателя за процессом принятия решений
Это инструмент, предназначенный для наблюдателя, который следит за процессом группового или индивидуального принятия решений в реальном времени. Чек-лист включает вопросы, которые помогают выявлять потенциальные искажения и источники шума:
· Подмена: Не подменяет ли группа сложный вопрос простым? Игнорируются ли важные факторы?
· Взгляд со стороны: Используется ли статистический взгляд на проблему? Ищутся ли сопоставимые примеры, а не фокусируется ли на уникальности случая?
· Изначальное предубеждение: Есть ли у кого-либо из экспертов заранее сформированный вывод или личная выгода от определённого решения? Учитывается ли мнение несогласного меньшинства?
· Поспешное решение/Избыточная когерентность: Не формируется ли вывод слишком рано? Обсуждаются ли альтернативные варианты? Игнорируется ли неудобная информация?
· Доступность и «видимость»: Не преувеличивается ли значимость недавних или ярких событий?
· Игнорирование качества информации: Основывается ли суждение на ненадёжных аналогиях или сплетнях?
· Якорение: Влияют ли на количественные оценки произвольные или нерелевантные числа?
· Отсутствие регрессионного анализа: Учитывается ли статистическая регрессия к среднему при прогнозировании экстремальных значений?
· Ошибки планирования: Учитываются ли источники и достоверность прогнозов? Используется ли взгляд со стороны?
· Неприятие потерь: Соответствует ли аппетит к риску у экспертов установкам компании?
· Смещение в пользу текущего момента: Учитываются ли долгосрочные последствия решений, или фокус только на краткосрочных?
Этот чек-лист служит руководством для повышения осознанности и дисциплины в процессе суждения, помогая предотвратить ошибки, вызванные искажениями и шумом.
Приложение 3: Корректировка прогнозов
Это приложение посвящено методу корректировки «сравнительных прогнозов» (интуитивных прогнозов, основанных на похожести), чтобы сделать их более точными. Сравнительные прогнозы, как правило, страдают от нерегрессивной ошибки – чрезмерной экстраполяции. Это означает, что люди склонны слишком сильно доверять исходной информации и предсказывать экстремальные результаты, не учитывая, что в реальности события часто регрессируют к среднему значению.
Авторы используют пример с Джули, которая научилась читать в четыре года. Если интуитивный прогноз её среднего балла в колледже (например, 3.8) основан только на том, что она была очень развита в детстве, этот прогноз, вероятно, будет слишком оптимистичным, так как не учитывает, что успеваемость со временем склонна к среднему.
Метод корректировки прогнозов включает четыре шага:
1. Интуитивный подход: Сначала сделайте свой интуитивный прогноз на основе доступной информации.
2. Поиск среднего значения (взгляд со стороны): Определите среднее значение для соответствующей категории, игнорируя специфическую информацию о конкретном случае. Это базовый уровень, к которому, как правило, «регрессируют» результаты.
3. Оценка прогностической ценности исходной информации: Определите, насколько сильно доступная информация коррелирует с итоговым результатом. Эта корреляция (от 0 до 1) показывает, сколько «полезного сигнала» содержит информация.
4. Движение от среднего к интуитивному прогнозу: Скорректируйте среднее значение (из шага 2) в сторону вашего интуитивного прогноза (из шага 1) пропорционально прогностической ценности информации (из шага 3). Чем выше прогностическая ценность, тем ближе скорректированный прогноз будет к интуитивному.
Этот метод позволяет получить более консервативный и, как правило, более точный прогноз, который учитывает статистическую регрессию к среднему значению. Это не интуитивный процесс, а систематический, основанный на данных, который помогает избежать чрезмерной уверенности и экстремальных прогнозов, свойственных человеческому интуитивному мышлению.
Все эти приложения подчеркивают центральную идею книги: для улучшения человеческих суждений необходимы систематические подходы, основанные на данных и осознании психологических механизмов, приводящих к шуму и смещениям.
Summarizator — это Telegram-канал, где мы собираем саммари самых актуальных и захватывающих книг об ИИ, технологиях, саморазвитии и культовой фантастике. Мы экономим ваше время, помогая быстро погружаться в новые идеи и находить инсайты, которые могут изменить ваш взгляд на мир. 📢 Присоединяйтесь: https://t.me/summarizator