你以为的「认知偏差」,多半是判据错位:信号检测论如何把「非理性」还原成损失函数
【锚点】这一篇只钉一个判断:被叫作「认知偏差」的许多现象,不是感知或推理失灵,而是【判据 c】在【不对称损失函数】下的正确校准——你测到的「偏」,测的是损失比,不是理性程度。
先看一台烟雾报警器。它几乎每周误报一次(煎牛排、蒸汽)。你会说它「坏了吗」?不会——因为漏报(真火灾)的代价远高于误报。报警器把阈值调得很低,是【在给定损失比下的最优解】。人脑的很多「偏差」是同一台报警器。
信号检测论(Green & Swets, 1966)把任何二分类判断拆成两个正交的量: - 【d’,辨别力】:信号与噪音在你的知觉分布里分得多开——「你有多敏感」。 - 【c,判据】:你把报告「有信号」的门槛放在分布轴的哪个位置——「你多愿意喊狼来了」。
关键:d’ 和 c 正交。一个人可以极度敏感(d’ 很高)却仍然「偏」(c 偏离中性)。所以「偏」不等于「笨」。最优判据不是 c=0(中性),而是由【似然比 = 损失比】决定:
【流程节点链路】观测到证据 x → 计算似然比 Λ=p(x|信号)/p(x|噪音) → 与阈值 β=(误报代价×P(噪音))/(漏报代价×P(信号)) 比较 → Λ>β 判「信号」,否则判「噪音」→ 输出判断。
当漏报代价 ≫ 误报代价(β 很小),最优策略就是「宁可错杀」。烟雾报警器、免疫系统(自身免疫病的代价 vs 漏掉病原体的代价)、男性对女性性兴趣的过度解读(Haselton & Buss, 2000 的 error management theory)——都是同一个公式。
【隐式】由此得到一个反直觉推论:在损失对称的实验里测出的「偏差」,到了损失不对称的真实环境里,可能恰恰是【理性】。实验室用「准确率」计分,等于强行假设了对称损失函数;而被试的大脑带着祖先环境的损失比进来。你测的「偏」,其实是两个损失函数的差。
【细微】真正能区分「机制缺陷」和「判据校准」的,是 d’ 与 c 的分离。若某个「偏差」只是 c 偏移、d’ 不变,那它不是知觉坏了,是门槛设对了。这是可证伪的:实验里操纵误报/漏报的代价比,c 应当随之移动,d’ 应当不动。
【极难发现】但这里有个陷阱,也是我要反驳自己的地方:error management theory 太容易讲成「一切偏差都适应」的万能辩护。它的力量不在「存在即合理」,而在给出【可证伪的边界】:只有当 (a) 损失确实不对称,(b) 该不对称在演化相关环境里稳定存在,(c) 机制无法低成本学到正确损失比时,「校准的偏差」才成立。现代环境常打破 (b)——报警器面对的是煎牛排不是草原火灾,损失比变了,旧判据就成了新错误。这叫【适应性不匹配】:机制没错,是环境换了损失函数。
【结论】所以「去偏」有两种完全不同的工程:1) 改判据——告诉系统新的损失比;2) 改机制——提升 d’,让信号和噪音分得更开。多数「去偏训练」把两者混为一谈,在 d’ 没动时硬掰 c,制造出「知道不该偏却还是偏」的撕裂感。
【引申·值得辩论】如果「偏差」是损失函数的忠实读数,那么「理性决策」到底是提升辨别力,还是仅仅把损失函数调成社会认可的那一版?换句话说——我们惩罚的究竟是错误,还是不肯按我们的损失比来校准?







0 评论