Думай медленно... решай быстро
Шрифт:
Скорее всего, вы понимаете, что ненадежная информация мало чем отличается от полного ее отсутствия, но из-за правила WYSIATI применять этот принцип довольно трудно. Если только вы сразу же не решите отбросить полученные сведения (к примеру, определив, что вам их сообщил лжец), ваша Система 1 автоматически обработает имеющуюся информацию как верную. Если вы сомневаетесь в качестве информации, следует оставить ваши оценки вероятности близкими к априорной вероятности. Подобное дисциплинированное поведение дается нелегко: оно требует самоконтроля и значительных усилий по наблюдению за собой.
Правильный
Как тренировать интуицию
Ваша предположение, что завтра будет дождь, – это субъективная уверенность, но не следует позволять себе верить всему, что приходит в голову. Чтобы быть полезными, ваши убеждения должны ограничиваться логикой вероятности. Если вы считаете, что вероятность дождя завтра 40%, также следует верить, что вероятность того, что дождя не будет, составляет 60%, и не следует верить, что вероятность дождя завтра утром 50%. А если вы верите, что кандидат Х. станет президентом с вероятностью 30% и, в случае избрания, будет переизбран с вероятностью 80%, то вы должны верить, что он будет избран дважды с вероятностью 24%.
Правила, важные для случаев вроде задачи о Томе В., предлагаются байесовской статистикой. Этот важный современный подход к статистике назван в честь преподобного Томаса Байеса, английского священника XVIII века, сделавшего первый крупный вклад в решение серьезной задачи: логику того, как следует менять свое мнение в присутствии фактов. Правило Байеса определяет, как сочетать существующие убеждения (априорные вероятности) с диагностической ценностью информации, то есть насколько гипотезу следует предпочитать альтернативе. Например, если вы считаете, что 3% студентов-магистров занимаются компьютерными науками (априорная вероятность), и также считаете, что, судя по описанию, Том В. в четыре раз а вероятнее изучает именно их, чем другие науки, то по формуле Байеса следует считать, что вероятность того, что Том В. – компьютерщик, составляет 11%. Если априорная вероятность составляла 80%, то новая степень уверенности будет 94,1%, и так далее.
Математические подробности в этой книге не важны. Необходимо помнить два важных положения о ходе байесовских рассуждений и о том, как мы его обычно нарушаем. Во-первых, априорные вероятности важны даже при наличии информации о рассматриваемом случае. Часто это интуитивно не очевидно. Во-вторых, интуитивные впечатления о диагностической ценности информации часто преувеличены. WYSIATI и ассоциативная когерентность заставляют нас верить в истории, которые мы сами для себя сочиняем. Ключевые правила упорядоченных байесовских рассуждений формулируются очень просто:
• Оценку вероятности результата следует основывать на достоверной
• Необходимо сомневаться в диагностической ценности вашей информации.
Оба правила просты и ясны. Как ни странно, меня никогда не учили, как ими пользоваться, и даже сейчас следование им кажется мне неестественным.
Разговоры о репрезентативности
«Газон ухожен, секретарь в приемной выглядит профессионалом, мебель красива, но из этого не следует, что компанией хорошо управляют. Надеюсь, совет директоров не пойдет на поводу у репрезентативности».
«Эта новая компания выглядит многообещающе, но априорная вероятность успеха в этой отрасли очень низкая. Откуда мы знаем, что в данном случае все будет по-другому?»
«Они постоянно делают одну и ту же ошибку: предсказывают маловероятные события на основании недостаточных данных. При недостатке информации всегда лучше придерживаться априорных вероятностей».
«Я понимаю, что этот изобличительный отчет, возможно, основывается на веских доказательствах, но уверены ли мы в этом? При его рассмотрении следует учитывать сомнительность данных».
15. Линда: лучше меньше
В нашем самом известном эксперименте, вызвавшем больше всего споров, речь шла о вымышленной женщине по имени Линда. Мы с Амосом придумали ее, чтобы убедительно показать роль эвристики в суждениях и несовместимость эвристических методов с логикой. Линду мы описывали так:
Линде 31 год, она не замужем, откровенная и очень умная. В университете изучала философию. Будучи студенткой, она уделяла много внимания вопросам дискриминации и социальной справедливости, а также участвовала в демонстрациях против использования ядерного оружия.
В 1980-е годы, услышав это описание, все смеялись, потому что немедленно понимали, что Линда училась в Калифорнийском университете в Беркли, который в то время славился своими радикальными, политически активными студентами. В одном из экспериментов мы предоставили испытуемым список из восьми сценариев развития событий, возможных для Линды. Как и в задаче про Тома В., некоторые располагали их по репрезентативности, другие – по вероятности. Задача про Линду напоминает задачу про Тома В., но с некоторыми важными изменениями.
Линда – учительница начальной школы.
Линда работает в книжном магазине и занимается йогой.
Линда – активистка феминистского движения.
Линда – социальный работник в психиатрии.
Линда – член Лиги женщин-избирательниц.
Линда – кассир в банке.
Линда – страховой агент.
Линда – кассир в банке и активистка феминистского движения.
По многим признакам видно, что это старое задание. Лига женщин-избирательниц уже не играет такой роли, ка к раньше, а мысль о феминистском «движении» кажется странной из-за изменений в статусе женщин, произошедших за последние тридцать лет. И все-таки даже в эпоху «Фейсбука» легко угадать почти единодушное мнение: Линда хорошо подходит на роль активной феминистки, неплохо – на роль сотрудницы книжного магазина, занимающейся йогой, и вряд ли подходит на роль страхового агента или банковского кассира.