14. 猜一下，汤姆的专业是什么？——典型性与基础比率

本章通过“汤姆的专业”预测实验，揭示了人们在判断概率时常犯的两个主要错误：忽视基础比率和对证据质量不敏感。作者指出，虽然根据典型特征（Representative）进行预测是直觉本能，但如果不结合统计学规律（基础比率），这种直觉往往会导致严重的误判。

一、 汤姆实验：典型性偏见的体现

实验设定：

1. 基础比率问题：在没有任何个人信息的情况下，预测汤姆是哪个专业的研究生。理性答案应基于各专业的招生规模（基础比率）。例如，人文与教育专业的学生人数远多于计算机科学，因此前者概率更高。
2. 性格描述：提供一段汤姆的性格描述（缺乏创造力、喜欢秩序、爱写老掉牙的双关语、缺乏同情心）。这段描述显然是刻意模仿“计算机科学”专业的刻板印象（典型性），而与“社会科学”专业形象相反。
3. 预测任务：基于性格描述，预测汤姆的专业。

实验结果：
大多数人（包括受过统计学训练的研究生）都将计算机科学排在首位，而将招生规模巨大的人文与教育专业排在末尾。这说明人们完全根据典型性（汤姆像哪个专业的典型学生）来判断概率，而彻底忽略了基础比率（该专业本身的人数多少）。

二、 典型性启发的两宗罪

虽然典型性判断在某些情况下（如看到高个子猜他是打篮球的）是有效的，但绝对依赖它会犯下两个严重的逻辑错误：

1. 过于喜爱预测低概率事件（忽视基础比率）

• 案例：在纽约地铁里看到一个读《纽约时报》的人，她是博士还是没文凭？
• 直觉：博士（因为读报行为像博士的典型特征）。
• 事实：没文凭的人（因为地铁里没文凭的人数远多于博士，即使博士读报比例高，绝对数量上没文凭的读报者可能更多）。
• 结论：当面对具体信息时，人们倾向于忽略基础比率。哪怕性格描述只有一点点参考价值，系统1也会自动用典型性替代概率判断。

2. 对证据质量不够敏感

• 问题：如果在汤姆实验中明确告知“性格描述可能不可信”，人们会怎么做？
• 直觉：依然依赖描述进行判断。
• 原则：不可信的信息 = 没有信息。此时应回归基础比率（即猜人数最多的专业）。
• 现实：WYSIATI（眼见即为事实）原则让系统1自动将眼前的信息视为真实，除非系统2刻意否定。

三、 系统2的懒惰与纠正

实验发现，当要求学生皱眉（激活系统2的警觉性）时，他们对基础比率的敏感度显著提高。这说明忽视基础比率部分源于系统2的懒惰。当系统2被动员起来时，它能够意识到基础比率的重要性并修正直觉。

四、 贝叶斯定理：约束直觉的工具

如何正确结合基础比率和新证据？贝叶斯定理提供了数学上的指导：

1. 锚定基础比率：首先根据基础比率（如某专业录取率3%）设定初始概率。
2. 调整概率：根据新证据（如汤姆像计算机系学生）的诊断力来调整概率，但不能完全抛弃基础比率。
3. 质疑证据：时刻怀疑新证据的可靠性。如果证据不可靠，预测应尽量靠近基础比率。

核心教训：
不要被故事的连贯性（典型性）迷惑。如果相信明天会下雨的概率是40%，就必须相信不下雨的概率是60%。直觉必须受限于概率逻辑。在做判断时，时刻问自己：“如果我对这个人一无所知，我会猜什么？”（回归基础比率），然后再根据具体信息的可靠程度进行适度调整。