讀完前面 11 章，你可能會懷疑「人類的判斷怎麼這麼糟」。其實沒那麼悲觀——大腦多半時候服務得很好（理解語言、辨識人臉這類超越超級電腦的任務都是它在做）。研究判斷與決策的學者把焦點放在「失敗」，正是因為失敗讓我們最能看清成功的結構。
Moneyball 故事（Lewis, 2003）：1999 年 Billy Beane 接任奧克蘭運動家總經理後，這支薪資排名美聯第 11–12 的球隊，連年勝場數排到第 1–5 名。他們挑戰了棒球專家的「直覺」，三項常見錯誤被點出來：
- 過度從個人經驗推論。
- 過度受球員近期表現影響。
- 過度信任自己「親眼所見」，而忽略多年的客觀紀錄。
棒球專家不是笨，只是人——一百多年來他們依賴啟發法、傳統與習慣，直到統計學者進場。
Lewis 認為其他產業的偏誤恐怕比棒球更嚴重——畢竟棒球至少有大量可靠資料。多數企業仍以非結構化面試（直覺）做人事決定，而非用真實的績效預測指標（成績、測驗、過往工作紀錄）。
本章提出七個互補的策略改善決策：
- 使用決策分析工具
- 累積專業
- 為自己去偏
- 用類比推理
- 採取外部視角
- 識別他人偏誤
- 用「推力」引導更好的決策
策略 1：使用決策分析工具#
決策分析（decision analysis）的核心邏輯是期望值：價值 × 機率。多維決策則用多屬性效用計算——把不同維度（如金錢、時間、便利）量化後加總。
線性模型（Linear Models）#
線性模型就是用加權加總來做量化預測。例如 Don 的小兒科醫生說：成人身高的最佳預測是「父母身高平均，男孩 +2 吋、女孩 -2 吋」。
棒球的 PECOTA、好萊塢電影票房預測、研究所招生……都靠線性模型。
為什麼線性模型常勝過專家（Dawes, 1979）：
- 人擅長選變數，不擅長整合變數。Einhorn（1972）的霍奇金氏淋巴瘤研究：醫生選的變數能預測存活時間，但醫生自己的整合判斷不能。
- 人不一致——同樣資料、不同心情會做出不同決定。線性模型不會。
- 線性模型只看實證有預測力的資料，不會被個案的鮮明度與代表性綁架。
為什麼人們抗拒線性模型？#
- 倫理顧慮：「我被退件、連面試機會都沒有，怎能知道我是誰？」（Dawes 反問：面試也不能。）
- 專家自尊：仲裁專家拒絕被建模，認為「判斷、品味、經驗無法言喻」——但研究顯示模型確實能捕捉他的決策樣態。
- 「重大決策不能靠公式」迷思：Raiffa 說，這個故事是假的——重要的決策更該系統化。
- 抗拒改變：模型其實仍由人選變數、人監督——但「電腦取代人」的擔憂仍會引發抵抗。
招生與招聘的應用#
- Dawes（1971）的招生線性模型：用 GRE 分數、GPA、學校品質三變數，能在不漏掉任何被錄取者的前提下，直接刷掉 55% 申請者，且預測未來教授評分比委員會更準。
- Moore et al. (2010)：研究所招生委員會錯把「給分寬鬆學校的高 GPA」當成「能力強」（對應偏誤），即使知道各校給分鬆緊也救不回來。線性模型能輕易避開這個錯。
- Schmidt & Hunter（1998）：非結構化面試對工作表現的預測力只解釋 14% 的變異。但管理者堅信面試有用，原因是可得性、情感捷思、代表性、確認等多重偏誤共同作用。
若一定要面試：用結構化面試（每位候選人由相同面試官、被問相同問題），並把面試評分只當線性模型的一個變數，與智力測驗、相關工作年資並列。
策略 2：累積專業（不是經驗）#
經驗 ≠ 專業#
Tversky 與 Kahneman（1986）：基本判斷偏誤不會自動被經驗修正。理由：
- 結果常延遲，且難以歸因於特定行動。
- 環境變異性損害回饋的可靠性。
- 沒有「另一個選擇會怎樣」的反事實資料。
- 重要決策多為獨一無二，學習機會少。
即使有清楚回饋，我們也常錯記自己原本的預測（Meyvis, Ratner, & Levav, 2010）——把當下狀態當錨點，從而低估自己預測的偏離程度。
Ball、Bazerman 與 Carroll（1991）對 MBA 學生重複進行「收購公司題」20 次：每次有金錢誘因、即時完整回饋、看著自己餘額一路下跌——仍然只有 5/72 學會正確答案 0。連 Bereby-Meyer 與 Grosskopf（2008）的數百次試驗也救不了多數人。
經驗的代價#
富蘭克林（Benjamin Franklin）的「experience is a dear teacher」常被誤解為「經驗是最好的老師」——「dear」其實是「昂貴」之意。原句後面：「但傻瓜只會去那一所學校。」
孔子：「第一是反思（最高貴），第二是模仿（最容易），第三是經驗（最痛苦）。」
Neale 與 Northcraft（1989）區分：
- 經驗：重複的回饋。
- 專業：發展出對「什麼是理性決策」的策略性概念化，並能辨識限制理性的偏誤。
經驗能讓你在固定情境中表現好；但情境一變，經驗反成包袱。沒有專業作為基礎的經驗，無法傳授給後輩——「我說不清楚我怎麼判斷的」就是經驗未轉為專業的徵兆。
策略 3：為自己去偏（Debiasing）#
Fischhoff（1982）的四步驟：
- 警告偏誤的存在。
- 描述偏誤的方向。
- 提供回饋。
- 給予延長訓練（含教練、回饋）。
但去偏極困難。例如後見之明偏誤即使被明確告知並警告，仍會頑強存在（Fischhoff, 1977）。
Larrick（2004）提供較樂觀的觀點，但也指出去偏多半是情境特定的。一些較通用的策略：
- 「考慮反面」（“consider the opposite”）：對任何結論問「有什麼理由我可能錯了？」（Lord, Lepper, & Preston, 1984；Mussweiler, Strack, & Pfeiffer, 2000）——對確認陷阱、後見之明、錨定都有效。
- 群體決策（取代個人決策，部分情境下有效）。
- 統計推理訓練。
- 建立決策當責（Lerner & Tetlock, 1999）。
解凍 → 改變 → 再凍結#
延伸第 1 章 Lewin（1947）的框架：
解凍：
- 讀本書時你做錯許多測驗題，這正是設計來動搖你的自信。
- 鮮明的反例（如 1 美元拍賣）讓你看到「我也會這樣」。
改變：三個關鍵步驟：
- 從具體案例抽象出一般偏誤。
- 解釋偏誤的根源（驗證其面效度）。
- 降低自我威脅：強調「人人皆會犯，這不代表你是壞決策者」。
Baron（1994）的具體建議：
- 假設你的假設是「錯的」會怎樣？例如朋友的創業計畫，問「即使他寫得通順，會不會其實成功率不高？」
- 設計能區分多種假設的檢驗。
再凍結：
- 讀完書並不夠——必須長期反覆檢視自己的決策。
- 安排「決策健檢」，覆盤近期重要決定（個人、談判、群體）。
策略 4：類比推理#
Gentner、Loewenstein、Thompson（2003）的研究：教談判時讓學員看兩個有同樣教訓的案例，然後問**「兩個案例有什麼相似？」** 的學員，比被分別問「這個案例的教訓是什麼？」的學員，遷移到第三個案例的能力顯著提升。
看單一案例會把焦點放在表面細節，誤以為教訓只適用於該情境。比較兩個案例則迫使你抽象出原理。
進一步發現：
- 比較差異也很有效（Idson et al., 2004）：把蒙提霍爾與分餅題的兩個版本配對比較，能讓學員在「收購公司題」上表現大幅提升。
- 多元類比訓練（Moran, Bereby-Meyer, & Bazerman, 2008）比聚焦單一策略的訓練更能帶出廣泛適用的原則。但太分散就反而失去焦點——抽象的最佳層次仍是有趣的研究問題。
策略 5：採取外部視角（Outsider’s View）#
Kahneman 與 Lovallo（1993）：每個人都有兩種視角：
- 內部視角：把每件事都當成獨特個案（樂觀、過度自信）。
- 外部視角：能跨情境概化、識別相似之處（更準確）。
弔詭的是：當被問「這 10 題你有幾題對？」（外部視角），人們估得很準（3–7 題）；但對單一題目卻給出 98% 信心區間。兩種視角同時存在，但我們聽錯了那一個。
經典案例#
- Kahneman 的課程設計團隊估計專案 18–30 個月——團員的外部回憶卻是 40% 從未完成、其餘最少 7 年。實際完工：8 年。
- Cooper 等（1988）：超過 80% 創業者認為自己成功率 ≥ 70%；同時他們估「類似事業」的成功率是 59%。實際 5 年存活率：33%。
- 寫書的人都知道書要寫很久；下一本還是覺得自己會準時交。
實用方法：
- 找一個信得過、有類似經驗的朋友或同事問外部視角。
- 自問：「如果這是朋友的決定，我會給他什麼建議？」
- 想辦法給「外部視角的自己」更大的發言權。
策略 6：理解他人的偏誤#
當下屬給你預測時，怎麼判斷該不該完全信任？
店面銷售預測題：分析師預測新店年銷售 380 萬美元；連鎖店 40 家平均年銷 300 萬。該採信她的預測嗎？
Kahneman & Tversky（1982）的調整流程：
選擇對照組（所有店、或近三年新店）。
評估對照組分布（平均、變異、形狀）。
記錄直覺估計（分析師預測 380 萬）。
評估預測能力（過去預測與實際的相關係數，0 到 1）。
修正估計：
調整後 = 群體平均 + 相關係數 × (初始估計 − 群體平均)
- 相關 1.0：380 萬。
- 相關 0.5：340 萬。
- 相關 0.0：300 萬。
這個程序的本質是對均值回歸做明確修正。同樣思路可用於各類他人預測——一旦理解結構，逐漸可以直覺地進行修正。
利用他人偏誤的投資#
Thaler 與 Russell Fuller 創辦 Fuller-Thaler 共同基金（www.fullerthaler.com），明確以「市場參與者的可預測偏誤造成證券誤定價」為投資邏輯。例如分析師對新正面資訊反應不足——這種低估的證券就是他們的買進目標。
策略 7：用「推力」引導更好的決策#
器官捐贈的差異#
兩個方案哪個比較好？
- (a) 你死於意外時，心臟救另一個人；你需要心臟移植時有 90% 機會拿到。
- (b) 你死於意外時，心臟陪葬；你需要移植時有 45% 機會拿到。
多數人選 (a)。但美國的器官捐贈制度卻是 (b)——「opt-in」（必須主動登記）。
Johnson 與 Goldstein（2003）的對照：
- 歐洲 opt-in 國家：捐贈率 4–28%。
- 歐洲 opt-out 國家（預設捐贈、可選擇退出）：86–100%。
每年美國約 50,000 人在等器官，超過 1/3 在等到前死亡——這個悲劇只需改一個預設就能大幅緩解。
Nudge 的概念#
Thaler 與 Sunstein（2008）的《Nudge》：自由主義家長制（libertarian paternalism）：
- 自由主義：人仍保有完整選擇權，可以拒絕。
- 家長制：系統設計者主動引導使用者朝向更好的決定。
Save More Tomorrow#
Thaler 與 Benartzi（2004）的「Save More Tomorrow」：員工承諾將來加薪時，部分加薪自動轉入退休帳戶。
利用了三個心理機制：
- 時間折扣：人們對「未來的應該事項」較容易承諾。
- 慣性：簽下後極少有人主動退出。
- 損失規避：因儲蓄來自加薪部分，可支配收入不會下降。
結果：兩年內參與者儲蓄率提高三倍以上。截至 2007 年，39% 的美國大企業已採用自動遞增退休提撥。
其他簡單推力#
- Safelite Group（2003）採用 opt-out 退休方案，93% 員工自動加入，一年內僅 6% 退出。
- Bohnet, van Geen, & Bazerman（2012）：當僱主同時評估多名候選人（而非逐一評估）時，性別刻板印象的影響大幅降低，決策更倫理也更有效率。
結論#
七個策略互補：
- 前三個（決策分析、專業、去偏）著重於廣泛改變直覺反應。
- 後四個（類比、外部視角、識別他人偏誤、推力）提供特定情境的具體技術。
樂觀但天真的想法是「我讀完書就立刻會做更好的決策」。要真正改變判斷需要長期持續監督——讀書時辨識偏誤容易，組織危機中辨識偏誤難得多。Raiffa（1984）發現他的學生在他的考試上能用對策略，但在其他課同樣題型時就無法遷移。
改變需要持續注意。本書希望幫助你：
- 看清自身決策過程。
- 建立辨識他人偏誤的詞彙。
- 把焦點從「結果好不好」轉向「決策本身好不好」——管理者太常獎勵結果而非決策品質，這在高度不確定的世界中會獎勵錯誤行為。
Davis（1971）：「有趣」的寫作會讓讀者問起他們從沒想過的問題——識別新問題比解答舊問題更重要。希望本書讓你看見自己決策過程裡值得重新提問的地方。