[!info] related notes

• 所属 MOC: cognitive-biases-moc
• 前置概念:
• 并列概念:
• 易混淆概念:
• 关系笔记:

可得性启发

一句话定义

可得性启发（availability heuristic）是人倾向用“一个例子有多容易从记忆里被提取出来”来估计它有多常见、多危险或多可能。

容易想到不等于实际概率高，但大脑会自然把两者混在一起。

为什么会发生

我们不可能每次判断风险都查询完整统计数据，于是大脑会使用快捷规则：

我能多快想出几个例子？
↓
感觉这个事情有多常见

近期、鲜明、戏剧化、与自己相关、反复出现在媒体中的事件，都更容易被提取，因此更容易被高估。

最小例子

连续看到几条“手机电池起火”的新闻后，你可能直觉觉得这种事故非常常见。

真正发生了什么？

新闻曝光增加
↓
相关案例更容易想起来
↓
主观概率上升

但事件的真实发生率未必发生了同样幅度的变化。

Debug 场景

昨天刚排查完一次 DNS 故障，今天另一个服务又超时。

因为 DNS 问题现在非常“可得”，你可能第一反应还是：

“是不是 DNS 又挂了？”

这个猜测可以作为假设，但如果直接把最近一次事故的原因当成当前事故的最高概率原因，就可能被可得性牵着走。

更好的流程是：

近期案例 → 生成候选假设
基础率 / 当前证据 → 决定假设优先级

新闻和风险感知

一些事件更容易得到大量报道，通常因为它们：

• 戏剧性强；
• 后果严重；
• 画面冲击大；
• 容易形成故事；
• 本身罕见而“值得报道”。

恰恰因为罕见事件更具有新闻价值，人们可能反而高估它的日常频率。

所以：

媒体曝光频率不是现实发生频率的无偏采样。

与草率概括的关系

草率概括谬误描述的是：从少量或偏置样本推出总体结论。

可得性启发解释了其中一种心理来源：

几个鲜明案例特别容易想起
↓
感觉“我已经见过很多次”
↓
把这几个案例外推成普遍规律

因此一个是判断机制，一个是最终论证形式。

AI 时代的新版本

推荐算法和搜索结果会改变“什么信息最容易被看见”。

如果一个主题连续在信息流中出现，你的主观风险感会改变，即使底层基础率没变。

AI 回答也可能通过连续列举多个同方向案例制造“好像到处都是”的感觉。

因此看到案例列表时要追问：

这些案例在完整总体中占多少？

什么情况使用可得性是合理的

如果环境相对稳定，而且记忆样本确实来自大量、频繁、同类经验，那么“容易想起”有时是不错的快速信号。

例如一个经验丰富的值班工程师看到某种非常熟悉的故障模式，快速联想到高频根因，可以提高排查效率。

但专业直觉更可靠的前提通常是：

• 有大量反馈；
• 场景重复；
• 规律相对稳定；
• 错误判断能被及时纠正。

去偏方法

1. 把“能想起来几个”换成“分母是多少”

不要只数案例，问总体规模。

2. 查基础率

先知道某事件通常多常见，再用当前证据修正。

3. 区分新闻频率与事件频率

特别是极端、罕见、情绪化事件。

4. 做时间窗口检查

最近一周特别多，不代表一年尺度也多。

5. 在事故排查中保留故障分布

有历史 incident 数据时，优先用真实根因频率，而不是“我最近最常碰到什么”。

使用场景

• 新闻和公共风险；
• 软件故障排查；
• 投资情绪；
• 健康焦虑；
• 招聘印象；
• AI 搜索和推荐系统。

一句记忆

容易想起来，说明它在记忆里很显眼；不等于它在现实里很常见。

快速自测

最近连续看到三家公司裁员，于是判断：

“现在几乎所有科技公司都在大规模裁员。”

这时需要暂停案例直觉，去看公司总体、时间范围和行业数据。

来源

• Amos Tversky & Daniel Kahneman, “Availability: A heuristic for judging frequency and probability” (1973).
• Daniel Kahneman, Thinking, Fast and Slow.