《雜訊》讀後心得：決策判斷的隱形缺陷和解決方法

2021 年 11 月 11 日

諾貝爾獎得主《快思慢想》作者丹尼爾康納曼，醞釀十年的精采之作

人類做出判斷時的「缺陷」會造成很多不公平的對待。像是不同法官對同一個案件有截然不同的判決，不同醫師對同一個病人的診斷有很大的差異，不同面試官對同一個求職者的意見也可能南轅北轍。這些做出判斷的缺陷是怎麼來的？我們可以避免這些缺陷嗎？

這本書在說什麼？

《雜訊》的共同作者是三位知名學者，分別是諾貝爾經濟學獎得主和暢銷書《快思慢想》的作者丹尼爾．康納曼（Daniel Kahneman）、巴黎商學院的商業政策教授奧利維．席波尼（Olivier Sibony）、律師暨暢銷書《推出你的影響力》的作者凱斯．桑思汀（Cass R. Sunstein）。在這本書裡面他們探討一個鮮為人知的現象：「人類只要做出判斷，就會有雜訊。這些雜訊比我們以為的還多」。

舉凡任何人類做出的決策和判斷，跟正確的答案之間都一定有「誤差」，也就是所謂判斷的缺陷。誤差則是由偏誤和雜訊兩者的總合。「偏誤」比較廣為人知，例如損失趨避、錨定效應和從眾效應…等；「雜訊」則不容易被人察覺，像是不同的專家對同一件事情意見分歧的程度，遠超過人們常理的預測程度。但是，雜訊卻無處不在，影響也不比偏誤小，只有使用統計學來觀察的時候能讓它現形。

這本書就是一本探討「雜訊」的專書。作者們分析造成雜訊背後的原因，以及雜訊的組成成份。我們認識雜訊之後，可以採取一些降低雜訊的方法，作者們稱這套方法叫「決策保健」，用來進一步提升我們做決策判斷時的「準確度」。這些方法將可以帶來更公平的判決、更精準的預算評估、更有效的人才招募，降低雜訊，就能夠提高我們做決策的品質。

天下文化有對這三位作者進行簡短的訪談影片（YouTube），有興趣的讀者可以參考。

偏誤與雜訊

書中舉了一個很簡單的例子來說明誤差、偏誤、和雜訊這三件事情的關係。你可以想像，一群人要做出判斷的時候，就像是在「打靶」，他們總是希望打中靶心。而他們真正擊中的彈痕跟靶心之間的距離，就是「誤差」。這個誤差，代表了他們的做出判斷時的缺陷。

如果把這群人分成四個隊伍，每個隊伍有五個人，同隊的人共用一支步槍，每人射出一發，最後得到下圖的四種結果。

A隊伍，準確。射擊非常準確，全部打在靶心上。這時候，這個隊伍幾乎「沒有誤差」。
B隊伍，有偏誤。五發全部沒有射中靶心，但是五個人的落點都集中在靶紙的左下角。這時候，表示整個隊伍都有「偏誤」，一起偏向了左下方。
C隊伍，有雜訊。五發的落點都很分散，但是落點平均地分散在靶心的周圍。這時候，表示這個隊伍充滿了「雜訊」，彼此的方向非常分歧。
D隊伍，有偏誤又有雜訊。五發落點全部偏在左下角，而且非常散亂，這個時候隊伍裡面既有「偏誤」，又有「雜訊」。

在這本《雜訊》書中重於「雜訊」的討論，也就是隊伍Ｃ和Ｄ的情形。雖然雜訊和偏誤彼此是獨立的因素，但是若我們能降低雜訊，就能提升準確度。如果你對於如何降低「偏誤」有興趣，可以參考作者之一的丹尼爾．康納曼在前一本心理學大作《快思慢想》曾探討過人類「思考偏誤」的相關問題。

我在大部分的專業生涯裡都在研究心理偏誤。雜訊真的是一個非常不同的東西。
《快思慢想》作者丹尼爾．康納曼（Daniel Kahneman）

決策判斷的缺陷

總體誤差

這本書以統計學的方式，來描述人類的決策和判斷。舉凡我們做出的判斷有兩種。第一種是「預測性判斷」，例如一個藥品的藥效、一個選舉的結果，是有標準答案可循的判斷。第二種是「評估性判斷」，例如歌唱比賽的名次、對罪犯判刑的程度，是沒有標準答案可循的判斷。

但是，無論是哪一種判斷，我們都會希望不同的人所做出的判斷，其分歧的範圍在一定的程度之內。如果人們做出的判斷，跟實際的答案或者期望中的答案有差距的時候，這個差距就被稱為總體誤差（total error）。而造成「總體誤差」的因素就是「偏誤」和「雜訊」。

作者們以統計學的均方差（MSE: mean square error）概念來解釋誤差、偏誤和雜訊三者之間的關係。他們特別畫直角三角形來示意，是為了解釋一個非常重要的觀念：「誤差之間不會彼此抵消」。就像是一個保險業承保項目的估價，估價太高，客戶會跑掉；估價太低，公司會虧錢。因此誤差不論是正、是負，取平方之後就造成了更大的誤差。這些誤差就是我們最不樂見的。

偏誤：明顯的缺陷

「偏誤」（bias）指的是人們「偏向同一個方向的平均誤差」，也是心理學上面最廣為人知的研究領域。例如「規劃謬誤」偏誤，就是指人們總是低估完成一件事情所需要的時間，像是經理人總是低估專案完成的時間。「從眾效應」偏誤，就是指人們傾向相信很多人相信的事，像是董事會討論一個併購案的時候，董事們會被比較多數人相信的事影響了最後的決定。從事後諸葛的角度，偏誤很明顯可以用因果的方式來解釋。

雜訊：隱形的缺陷

「雜訊」（noise）指的是人們「彼此判斷的方向不同、意見分歧的程度」，但只有從統計學的角度才看得到雜訊。像是一般的專業人士，例如經驗資深的保險核保人員，往往對自己的判斷很有信心，也不會去質疑同事的判斷跟自己有很大的差異。但是一旦把統計的資料攤在桌上，才會發現這些判斷的差異不但很大，甚至常常有不同的專業人士對同一件事情有完全相反的判斷。

在因果關係裡，雜訊不見蹤跡；在統計世界裡，雜訊無所不在。

水準雜訊

雜訊的第一個組成是「水準雜訊」（level），指的是「不同個體平均判斷的差異」，像是有些法官比較嚴厲，判刑平均都會判比較重；有些法官比較寬容，判刑平均就比較輕。或者有些股票分析師就是傾向看壞市場，有些分析師則傾向看好市場。

穩定型態雜訊

雜訊的第二個組成是「穩定型態雜訊」（pattern），指的是「判斷者個人的獨特性」，像是某一位法官對竊案的判刑都很嚴厲，但是他對交通違規的判刑就很寬容。這種穩定型態不會隨時間改變，代表了同一個判斷者他本身的獨特性，在面對不同類型的案例時，他所表現出來的差異。

場合雜訊

雜訊的第三個組成是「場合雜訊」（occasion），指的是「跟案例不相干的暫時成分」，就像是一位醫師在不同日子（天氣、心情）對於同一個診療案件的診斷不同。或者是某一位法官他支持的球隊昨天獲勝了，所以今天的判刑變得比較寬容。這種雜訊會隨著時間和場合改變。

人們認為自己在做判斷時，展現出思考的複雜性，並增添細微的考量。但這種複雜性和微妙性只會弄巧成拙，不會提高簡單模型的準確性。

降低雜訊的方法

作者們說：「以總體誤差而言，雜訊和偏誤是互相獨立的。不管偏誤有多少，減少雜訊的好處都是一樣的。」所以在書中，他們提出了一套叫做「決策保健」的六個步驟，讓我們可以降低雜訊。這個方法就像洗手一樣，你雖然不容易察覺你避免了什麼細菌（雜訊），但是等到你被細菌感染之後（造成誤差）才求醫治療就已經太遲。降低雜訊的方法就跟衛生保健一樣，預防勝於治療。

判斷的目標是準確，而非個人特質的表現。為了避免穩定型態雜訊，讓不同的專業人士對同一件事情有相近的判斷，我們可以把要判斷的程度先定義清楚，而不是給一張空白畫布讓人隨意發揮。最激進的做法是利用電腦演算法，以規則來代替判斷，但這個做法的接受度普遍還不高。
要有統計思維，用外部觀點來看待案件。把我們要判斷的事情，當成是一群類似案件裡面的其中一個案件，而非每次都把案件當作全新的事件。當我們引入外部的數值，例如評估一個執行長的留任期間長短，就要先看業界平均期間是多少，再對目前的判斷做出調整。
將判斷結構化，拆解成幾個部分。因為當不同的人看到不同的條件，都會在心裡編織起自己的故事。就像是不同的面試官可能會給同一個面試者截然不同的評價。這個方式可以打破人們過度追求連貫性的心理機制，在過程中針對各個獨立的特質進行評分，而不是等到一連串的評估結束後才一口氣評分做判斷。
抗拒太早出現的直覺。如果我們在第一時間就用直覺來判斷事情，那麼後續我們找的資料跟佐證，很可能都只是為了證明我們自己的觀點，落入了對自己過度自信的幻覺。好的做法是延續上一步，把各自獨立的評估都進行完成之後，然後才使用直覺進行最終判斷。
從多位判斷者取得獨立判斷，然後考慮將這些判斷總合起來。作者們透過許多實驗說明，將獨立的判斷加以平均，可以保證系統雜訊減少。因為不同的判斷者各自的技能和觀點會互補，增加資料的樣本數可以提高準確性，例如 Google 在招募人才就會參考四位面試者的判斷。
偏向相對判斷與相對尺度。人類在絕對值上面的判斷，都有各自截然不同的解讀。例如我們要替一個團隊打績效，不同的主管給每個員工的絕對分數，差異一定很大。但如果改成用排序的方式，不同的主管給出的排序反而都非常相近。採取案例量表來做判斷，會比給絕對分數來得好。

綜觀這些方法，我發現跟職場當中一個非常實用的工具「基準比較」（benchmark）有很強烈的呼應。具體的用法我會在這本書的 Podcast 說書節目的尾聲跟大家詳細分享。