Tom W's Specialty

Tom W 是誰？#

Kahneman 與 Tversky 設計了一個關於「Tom W」的實驗，這是理解**代表性捷思（representativeness heuristic）**最經典的案例之一。

實驗中給受試者看一段 Tom W 的個人描述：

Tom W 的智識相當高，但缺乏創造力。他對秩序和整齊有強烈的需求，喜愛整潔的文件整理。他性格嚴肅，思維機械，很少有溫情和幽默感，對其他人沒有太多同情心。他有強烈的競爭心，喜歡辯論，對政治及社會議題漠不關心，大部分閒暇時間都花在木工、帆船模型和拼圖上。

接著問題來了：Tom W 最可能就讀哪個研究所科系？

受試者看完描述，幾乎一致地認為 Tom W 最可能是電腦科學或圖書館學相關領域的研究生，而非社會工作、教育或人文科學。

這個判斷是怎麼產生的？答案是代表性捷思——我們用「這個描述與某群體的原型有多相似」來判斷「這個人屬於該群體的機率有多高」。

Tom W 的描述符合人們對工程師或電腦科學家的刻板印象，因此 System 1 迅速給出「他是電腦科學家」的判斷。

核心謬誤： 相似性（similarity）和機率（probability）是不同的概念，但我們的直覺往往把它們混為一談。代表性捷思讓我們以「符不符合原型」取代「有沒有可能」的計算。

問題的關鍵在於基本比率（base rate）。

在所有研究所學生中，電腦科學系學生的比例遠遠小於社會科學或教育類學生。即使 Tom W 的描述完全符合電腦科學家的刻板印象，光憑數量優勢，他更可能是社會科學系的學生。

但受試者幾乎完全忽略了這個統計事實。一旦有了個人描述，基本比率就被遺忘了——這就是基本比率忽視（base-rate neglect）。

這種現象說明：

Bayesian 推理的正確做法： 應該先問「電腦科學系研究生佔所有研究生的比例是多少？」（這是先驗機率），再問「Tom W 的描述符合電腦科學家的程度有多高？」然後結合兩者。但這個過程對 System 1 來說幾乎不可能自動發生。

Kahneman 用這個實驗設計了三個不同的問題，並給不同的受試者群組回答：

結果顯示，相似性排名與機率排名幾乎完全相同——受試者實際上在用「相似性」回答「機率」的問題，卻沒有意識到自己犯了錯。

這就是屬性替換（attribute substitution）：我們問自己「Tom W 是電腦科學家的機率有多高？」，但實際上回答的卻是「Tom W 有多像電腦科學家？」

Kahneman 特別指出，連有統計訓練的受試者在第一時間也會犯同樣的錯誤。他的朋友 Robyn Dawes 是傑出的統計學家，當 Kahneman 拿這個問題問他時，Dawes 也立刻猜測 Tom W 是電腦科學家。

這說明問題不在於「不懂統計」，而在於代表性捷思是 System 1 的自動反應。即使你知道基本比率的重要性，在面對生動的描述時，System 1 依然會劫持你的判斷。

統計知識的侷限： 知道「基本比率很重要」和「在判斷時真的使用基本比率」之間有很大的落差。System 1 的代表性判斷會在你意識到之前就給出答案，而 System 2 必須刻意介入才能修正它。

代表性捷思並非一無是處。在現實中，典型原型往往確實反映了真實的群體特徵，這個捷思在日常生活中通常有用。

但它有兩大系統性錯誤：

如何修正： 訓練自己在看到個人描述後，先主動問「這類人的基本比率是多少？」然後把這個基準機率納入估算。個人資訊可以調整基準，但不應該完全取代它。Kahneman 建議：先錨定基本比率，再評估手中證據的診斷性（diagnosticity）有多高。

「這個草坪修剪得很整齊，接待員看起來很能幹，但這不代表這是一家管理良好的公司。希望董事會不要只靠代表性做判斷。」

「這個新創公司看起來像是不可能失敗，但這個產業的成功基本比率極低，我們憑什麼說這個案例不一樣？」

「他們一直犯同樣的錯：從薄弱的證據預測稀有事件。當證據薄弱時，應該回歸基本比率。」

「我知道這份報告看起來很確定，但我們有多確定？我們必須為思維中的不確定性留出空間。」