「你的 99 次误报,换来 1 次没被吃掉」——烟雾探测器原理:成本比不对称时,「偏差」就是最优
【锚点】这一篇只钉一件事:「偏差」这个词没有独立含义,它必须相对一个成本比才成立。 当误报便宜、漏报昂贵时,绝大多数触发都应该是误报;这不是失灵,而是算术上的最优。
【显式】信号检测论的最优判定阈值(Green & Swets, 1966): 说「有信号」的期望代价 = C_fp · P(无信号|x);说「无信号」的期望代价 = C_fn · P(有信号|x)。判定「有」当且仅当
P(有信号|x) / P(无信号|x) > C_fp / C_fn
即后验几率超过成本比。代入贝叶斯:Λ(x) > (C_fp/C_fn) · (先验无/先验有)。
代入数字:装一次防御的代价 C_fp = 1,漏掉一次危险的代价 C_fn = 100。那么只要后验 P(危险|x) > 1%,就该拉警报。也就是说,在最优阈值上,边际那一次警报的真阳性后验只有 1%——最优系统允许绝大多数警报是误报。Nesse (2005) 把这叫 smoke detector principle:烟雾探测器对烤面包比对火灾更敏感,那是对的,因为烤面包的代价是 1,火灾的代价是 100。咳嗽、疼痛、恶心、恐惧,全是同一套硬件。
【隐式】推论一:从「警报率」推不出「危险率」。 你感到的焦虑频率、咳嗽频率、疼痛频率,都不是环境危险频率的估计量——它们是后验概率跨过阈值的频率。所以「我 90% 的担心都没成真」完全不能推出「我过度焦虑」,那 90% 正是 C_fn/C_fp = 100 的算术后果。用命中率评价一个防御系统,是拿错了分母。
【细微】推论二:成本比不是个体属性,是生态属性,而且它自己是内生的。同一个阈值,在「漏报=被吃掉」的生态里最优,在「漏报=错过一条消息」的生态里就是灾难。现代焦虑的问题不是阈值太低,而是两个成本同时变了:C_fn 下降(威胁多半可逆、可修复),C_fp 上升(慢性皮质醇、睡眠债、免疫抑制是复利成本),但调节回路仍按旧成本比校准。这给出可证伪预测:在同一个体上操纵 C_fn 的可逆性(「这个错误可以撤销」vs「不可撤销」),SDT 的判定偏向 c 应随 log(C_fn/C_fp) 近似线性移动,而不是只发生定性变化。 只观察到「更谨慎了」不算支持,斜率对不上就说明机制不是成本比。
【极难发现】推论三,我认为最硬的一刀:「认知偏差」清单在不知道成本比时是不可证伪的。 因为 【流程节点链路】生态成本比 (C_fp, C_fn) → 贝叶斯后验 P(危险|x) → 期望成本比较 → 最优阈值 β = C_fp/C_fn → 观察到的触发率与命中率 → 试图反推成本比 这条链在最后一步断掉:观察到的触发率是(先验 × 似然 × 阈值)三者的卷积,成本比不可唯一识别*。所以「人高估性兴趣」「人过度悲观」「损失厌恶是偏差」这些说法,在给出成本比之前,只是把「偏离某个研究者设定的规范」重命名为「错误」。
Haselton & Buss (2000) 的 error management theory 之所以比一般 bias 清单强,正是因为它把不对称写了出来:男性把女性友善误读为性兴趣的代价,低于错过真实机会的代价;女性把承诺误读为可靠的代价,高于错过一个可靠伴侣的代价——于是两性在同一个信号上朝相反方向偏移,而两个偏移都可以是最优。注意这个预测的形状:不是「人普遍偏乐观」或「普遍偏悲观」,而是偏移方向随成本比翻转。这是可以被数据杀死的。
【显式】由此得到一个反直觉的实践含义:如果这个框架对,那么「去偏」训练在压低误报率的同时,应当以可测的漏报率上升为代价,且净福利变化取决于成本比,而不取决于误报率。任何只报告「误报减少了 X%」的去偏研究,都没有测量它声称要改善的东西。
【待验证点】反过来,我想被反驳的是这条:如果你承认偏差只能相对成本比定义,那么「这个人有认知偏差」这句话,在什么条件下才有内容?我的答案是——只有当你能独立测出 C_fn/C_fp 时。你同意吗,还是存在一种不依赖成本比的规范性标准(比如内部一致性、可校准性)能救回「偏差」这个词?







0 评论