「雜訊」此書翻閱起來，資訊量著實有點大。人類的判斷，往往在數據量大後的事後分析看來，偏誤可以是非常大的。這是一個根深柢固的情況，散佈在生活中的各個層面。書中將「偏誤」視為雜訊，再結合統計學中去細分為個體性、系統性、隨機性…等類型，最後再試著提出一些避免方法。雖說在生活中要避免這些偏誤非常困難，但先有意識到「偏誤」的存在，是面對判斷缺陷的第一步。
書籍資料
書籍名稱：雜訊 人類判斷的缺陷
作者：Daniel Kahneman, Olivier Sibony, Cass R. Sunstein
ISBN：9789865251796
博客來推薦連結：https://tinyurl.com/b9y66rmc
原先僅知道只要有人為判斷，就難免有誤差或是雜訊，卻沒有再往裡頭鑽問說：究竟這影響有多大？誤差 ( biased ) 和雜訊 ( Noise ) 的差別在於：後者的明顯偏誤是很難被看出的，而且你也不會察覺其異狀。在科學實驗中，往往會力求實驗組和對照組的差別僅在於「目標」項，但這老實講也是一個理想化的結果。這本書將雜訊的探討分為六個面向，分別為：雜訊和偏誤的區別、人類判斷的本質、預測性判斷、雜訊的核心原因、如何增進判斷力、能否完全屏除雜訊。
只要有判斷，雜訊一定存在，且比你想像的還多
世界很複雜且充滿不確定性，因此專業人士要做的判斷其實都不簡單，且彼此個體間對於同個案子的見解也是差別甚篤
在充滿雜訊的系統中，錯誤是會相互疊加的
大多數的人很容易相信：我這樣看世界，那別人亦如是。這是一種天真的現實主義
很多專業判斷是無法驗證其真偽的
好的決策必須以客觀、準確地預測性判斷作為基礎(盡可能地接近靶心)，不受偏好、價值觀、希望與恐懼的影響
系統雜訊^2 = 水平雜訊^2 + 型態雜訊^2。 所謂的水平雜訊是指：不同個體對於平均水準之間的差異；型態水準是個體內部對於特定事件反應的差異
你並不是永恆不變的人。雖說你的不一致情況比你想的還多，但跟他人比較起來，算是小的
群體中的成員若表示意見，無論是贊成、中立或是反對，效果相當於最初一開始在群眾中表達的意見。
電腦模型之所以較為準確，是因為可以消除各體內的微妙考量，也就是雜訊降低了
身為人類，相比於機器有犯錯的權利
機器和人類在持有相同資訊下，機器可以表現出一定的穩定性。但「人類做得非常差，模型卻做得不錯」是沒有這樣的例子。
相關性不代表因果，但因果關係隱含著相關性
如果屈服於無可避免的感覺，你會忘記事情是可以被改變的。廣而言之，我們對於這個世界的了解，取決於我們對某件事物敘述能力
人類喜歡因果關係判斷，因為比較省下力氣
雜訊本質上是統計事件
這本書藉由「偏誤和雜訊」的主題，著實地演示了統計學的確是隱藏在生活中最徹底的一門學問。它著實無所不在，這本書剛翻閱完的當下，有如複習了一次基礎概念。
按讚加入粉絲團
