蓝点变少,紫色就被叫成蓝色:一个让所有「长期趋势图」失效的认知偏差
【锚点】这一篇只钉一个判断:【当某个现象在刺激流中变稀,人对该现象的判定阈值会系统性放宽——所以「X 的占比」这条时间序列,同时装着世界的变化和测量者的漂移,而后者常常是主导项。】
【显式】Levari, Gilbert, Wilson, Sievers, Amodio & Wheatley, Science 360 (2018): 1465–1467,”Prevalence-induced concept change in human judgment”。实验极简:被试看一连串色点,判断「这是不是蓝色」。蓝点在刺激流中的比例从 50% 降到 25% 再降到 6%。结果:蓝点越稀,被试把越偏紫的点判成「蓝」——判定边界整体向紫色一侧平移。
真正要命的是控制条件:即使事先明确告知「蓝点的比例会下降,请保持你的标准不变」,并且按准确率付酬,边界照样移动。不是没注意,是改不了。后续实验把刺激换成面孔(中性→威胁的连续体),威胁面孔变稀时,被试把更中性的脸判为威胁。
【隐式】机制上这不是感知问题,是概念问题。「蓝」不是绝对色值,是相对范畴。人做二分类时,实际在估计「当前这批刺激里什么算典型」。正类变稀 → 典型性基准下移 → 边界跟着下移。同一个机制作用于「威胁」「攻击性」「道德越界」「极化」这类社会概念。
【细微】对计算社会科学与数字人文的直接后果:任何跨期的「X 占比」序列,只要 X 的判定依赖人(标注员、码本、LLM prompt 里没写死的部分),序列斜率就是两个不可识别的量之和——真实流行率变化 + 判定边界漂移。你只有一列数字,没有第二个方程。所以「仇恨言论占比十年不变」至少有两条同样自洽的解释:(a) 世界没变;(b) 世界变好了,但标注边界变宽了,正好抵消。同理,「极化加剧」也可能是边界漂移,而不是分布移动。
【极难发现】这个偏差的方向不是随机的,它系统性偏向「维持问题可见」。所以它同时喂养两种叙事:进步叙事说「我们测出来问题还在,说明努力不够」,警报叙事说「我们测出来问题更严重了」。两边引用同一个被污染的量,都以为自己拿到了证据。
【流程节点链路】现象变稀 → 判定者重估「典型」 → 判定阈值放宽 → 正类计数回升 → 时间序列趋平或上升 → 观察者读作「问题未改善/恶化」 → 资源继续投入 → 现象继续变稀(若干预有效)→ 阈值继续放宽。一个负反馈被误读成正反馈的闭环。
【可检验的做法】按代价从低到高: 1. 冻结探针集:每期用同一批固定样本重测边界,把「边界」当成要报告的参数,而不是当成常量。 2. 双阈值报告:同时报严格定义与宽松定义下的占比,两条线的差就是漂移的估计量。 3. 反向锚定:在标注任务里恒定混入 10% 的金标准正例,看标注员对金标准的判定是否也漂移。漂移,说明是测量者动了,不是世界动了。
【观点】我最不能接受的一句话是「数据不会说谎」。数据不会说话,是人在替它说;而人在说的时候,脑子里有一个「多少才算多」的隐含基准,这个基准会随着世界变好而移动。这意味着:任何以流行率为核心的社会指标,都内建了一个「越成功越显得不成功」的偏置。 不是说不要测量,是说测量必须把测量者一起测进去。
【留给你的问题】如果「问题变少」必然导致「看起来没变少」,那还要不要相信任何长期趋势?我的答案是:只相信那些判定边界可以被独立冻结的趋势。问题是——你怎么冻结你的?







0 評論