《快思慢想》Podcast 準備稿：代表性的陷阱：Tom W、Linda 與被忽略的基率
背景速覽
這一集是第二部分的高潮，講 Kahneman 與 Tversky 最著名、也最常被引用的兩個實驗——「Tom W」與「Linda 問題」。它們揭露的是代表性捷思（representativeness heuristic）：我們用「這個描述有多像某類人的典型形象」來判斷「他屬於那類人的機率有多高」。相似 ≠ 機率，但系統一總是把這兩件事混為一談。
涵蓋第二部分第 5 到 7 章：Tom W 的專業（代表性與基率忽略）、Linda 的少即是多（合取謬誤）、因果勝過統計（為什麼生動個案比數字更有說服力）。這一集的核心反差是：一個更詳細、更有故事性的描述，感覺「更可信」，但在邏輯上必然「更不可能」。
一句話重點
我們用「像不像」來回答「可不可能」——越像典型形象、故事越完整，我們就越覺得它可能發生，哪怕機率的鐵律明明白白告訴我們相反。
值得討論的重點
1. Tom W 與被遺忘的基率
📋 給你一段描述：Tom W 聰明但缺乏創意、愛整潔、思維機械、玩拼圖和帆船模型。問他最可能讀哪個研究所？幾乎所有人都說「電腦科學」，因為他「很像工程師」。但大家忘了問：所有研究生裡，電腦科學系本來就是少數，社會科學、教育類人數多得多。**光憑數量，他更可能是社科生。**這就是「基率忽略」：一旦有了生動的個人描述，冷冰冰的統計基率就被丟掉了。連 Kahneman 的統計學家朋友 Robyn Dawes 第一時間也答錯——這不是懂不懂統計的問題，是系統一的自動反應。
2. Linda 問題與合取謬誤
🏦 Linda 三十一歲、單身、念哲學、關心社會正義、參加過反核遊行。問：哪個更可能？(A) Linda 是銀行出納員；(B) Linda 是銀行出納員，而且是女性主義者。89% 的人選 B——但這違反機率最基本的法則：「A 且 B」絕不可能比「A」更可能，女性主義銀行出納員必然是銀行出納員的子集合。我們把「最合理的故事」誤認成「最可能的事實」。越多細節，故事越動人，機率卻只會越低。
3. 因果型基率 vs 統計型基率
🚕 計程車肇事題：城裡 85% 是綠車、15% 是藍車，目擊者說是藍車（準確率 80%）。多數人答「80% 是藍車」，但正確答案是 41%——基率把它拉回來了。可是如果把同樣的數字換個說法：「綠色計程車肇事率是藍車的五倍」，人們就突然會用基率了！因為「綠車司機更魯莽」是個因果故事，系統一吃得下；「85% 是綠車」只是個數字，系統一無感。統計數字說服不了人，但同樣的資訊包成因果敘事就立刻見效。
注意事項
⚠️ Tom W 和 Linda 這兩個實驗一定要「現場做」給聽眾——先唸描述、讓聽眾在心裡選答案，再揭曉。直接講結論會浪費掉它們最珍貴的「啊我也中招了」的衝擊力。
⚠️ 講 Linda 時要小心別讓聽眾覺得「這只是文字遊戲、是出題者在玩弄人」。要強調這在 Wimbledon 預測、地震洪水預測都重現——「詳細的情境永遠比廣泛的情境感覺更可信，即使它必然更不可能」是真實世界的偏誤，不是腦筋急轉彎。
⚠️ 「刻板印象」這個詞在第七章是中性的認知學術用語（系統一用類別表徵世界），但它在日常是個敏感的負面詞。講「因果型刻板印象反而提高判斷準確度」時要鋪陳清楚脈絡，否則容易被誤解成在替偏見背書。
專家補充
💡 「少即是多」有個漂亮的延伸——Hsee 的餐具實驗：A 組 40 件全新、B 組 24 件但有幾件破損。分開評估時，人願意為「件數較少但完好」的 B 組付更多錢，因為平均品質印象更好。這跟 Linda 同構：加上一個不協調的元素（破損 / 普通出納員），整體印象反而下降。這個現象在第十集「偏好反轉」會再深化，可埋伏筆。
💡 一個很實用的修正法：看到個人描述、要判斷機率時，先錨定基率（這類人本來佔多少？），再評估手上證據的「診斷性」有多高，讓證據去調整基率、而不是取代基率。這是 Bayesian 思維的白話版，下一集「馴服直覺預測」會給出更具體的公式。
💡 教育意涵很有意思：Nisbett 與 Borgida 想教學生在判斷時用統計基率，幾乎失敗；但給學生看「具體的個案故事」，他們立刻能舉一反三。所以 Kahneman 說——統計事實改變不了直覺，但令人驚訝的個案故事可以。這正是這檔 Podcast 該採取的講法（用故事帶觀念），自帶後設趣味。
討論問題
🎙️ 開場鉤子：完整唸 Linda 的描述，讓聽眾選 A 或 B，停三秒，再揭曉「89% 的人跟你一樣選錯了」。
🎙️ 自問自答：我上次判斷「這個人一定是某某類型」，是因為我真的算過機率，還是因為他「很像」我心中的某個典型？
🎙️ 留給聽眾：下次聽到一個「超詳細、超有畫面」的預測或故事，問自己——它感覺更真，是因為它更可能，還是只是因為細節讓它更好聽？
更大範圍關聯
- 與 Bayesian 思維：這一集本質上是在講「人類是糟糕的貝氏推理者」。可連到 Nate Silver《精準預測（The Signal and the Noise）》、Tetlock《超級預測》——好的預測者就是會刻意把基率納入。
- 刻板印象的雙面性：第七章對「刻板印象在認知上是中性工具、有時甚至提高準確度」的論點，是個有思想張力的話題，可與社會心理學、偏見研究做嚴肅對話（注意分寸）。
- 行銷與說服：「因果故事勝過統計數字」是所有募款、廣告、政策溝通的鐵律——想打動人，給一個有臉孔的個案，別給一張試算表。可連到「可辨識受害者效應（identifiable victim effect）」。
- 承先啟後：Tom W、Linda 都是 EP3「替換」的具體案例（用「像不像」替換「可不可能」）；而它們的修正方法，正是下一集 EP6「回歸平均 + 馴服直覺預測」的主題。
錄製建議
- 建議時長：約 20 分鐘。Tom W 與 Linda 是雙主菜，各給足時間做「現場實驗」；計程車題當第三段，數字算給聽眾聽（41% 很反直覺）。
- 開場策略：用 Linda 開場互動最強，因為錯誤率最高、最有「全場一起中招」的效果。
- 節奏：計程車那段有計算，講慢一點、把 12% vs 17% 拆給聽眾，但別停在數字，落點放在「換個說法（因果版）你就會用基率了」。
- 結尾：行動呼籲——「下次判斷一個人或一件事的可能性時，先問『這類事情本來的基率是多少？』再讓眼前的細節去微調。」預告 EP6：最被誤解的統計現象——回歸平均。