认知偏差 MOC
认知偏差学习地图：从证据采样、可得性与代表性，到锚定、框架、损失、过度自信、事后偏差和规划谬误，理解判断为何系统性偏离并学习流程化去偏。
[!info] related notes
- 相关 MOC: logic-moc、philosophy-and-life-thought-moc
- 相邻 MOC: logical-fallacies-moc
- 关系笔记: logical-fallacies-vs-cognitive-biases
认知偏差 MOC
知识总览
filters:
and:
- 'file.ext == "md"'
- 'file.inFolder("z")'
- 'this.file.links.contains(file)'
- 'file.path != this.file.path'
formulas:
knowledge: 'file.asLink(title)'
properties:
formula.knowledge:
displayName: 知识
note.description:
displayName: Description
note.mastery:
displayName: Mastery
views:
- type: table
name: 知识总览
order:
- formula.knowledge
- note.description
- note.mastery
columnSize:
formula.knowledge: 280
note.description: 760
note.mastery: 56这张地图负责什么
认知偏差（cognitive bias）研究的是：人在信息有限、时间有限、注意力有限时，为什么会以某些稳定方式偏离更可靠的判断。
它与逻辑谬误高度相关，但不是同一层：
逻辑谬误
→ 看一段论证“哪里推错了”
认知偏差
→ 看一个判断者“为什么容易往某个方向判断错”所以这张地图不是“逻辑谬误续集”，而是现实推理的判断机制层。两者的系统关系见 逻辑谬误与认知偏差的区别与关系。
推荐学习顺序
第一组：信息为什么会被不对称地看见
先建立一个核心意识：
我看到的数据，不等于世界完整地把数据交给了我。
第二组：为什么“像”会压过真实概率
两者适合连着学：
代表性启发：它看起来有多像？
基础率：这一类本来有多少？真正的概率判断不能只回答第一问。
第三组：参照点、表达方式与损失
- 锚定效应：第一个数字、答案或方案改变后续判断范围。
- 框架效应：同一事实因收益 / 损失、默认项或表达参照不同而改变选择。
- 损失厌恶：相对于参照点，同等幅度的损失通常比收益具有更强心理重量。
- 沉没成本偏差：已经无法追回的过去投入继续绑架未来选择。
可以把这条关系记成：
锚点 / 参照点
↓
同一结果被框成“得到”或“失去”
↓
损失获得更高心理权重
↓
已经投入的东西更难放弃这不是说四者必然形成一条固定因果链，而是它们在实际决策中经常相互加强。
第四组：我们如何误判自己的判断能力
软件工程里尤其常见：
过度自信
→ 时间区间给得太窄
规划谬误
→ 漏掉 review / repair / blocked / integration
事后聪明
→ 延期后又说“早就应该知道”如果没有事前预测记录，这三类偏差会让团队很难真正校准。
最后：回到论证层
这篇 synthesis 把判断机制和最终论证重新接起来，例如：
确认偏误 → Cherry-picking
可得性启发 → 草率概括
代表性启发 → 基础率忽视
幸存者偏差 → 草率概括 / 错误因果
损失厌恶 → 可能加强沉没成本
沉没成本 → 可能诱发特殊辩护
过度自信 → 可能加强规划谬误箭头表示“常见促进关系”，不是说后者只可能由前者产生。
十二个节点的快速辨认
| 现象 | 优先想到 |
|---|---|
| 总在找支持自己观点的材料 | [[confirmation-bias |
| 只看得到成功留下来的案例 | [[survivorship-bias |
| 最近见得多，就觉得现实里很多 | [[availability-heuristic |
| 因为很像某类典型成员就高估分类概率 | [[representativeness-heuristic |
| 被一个鲜明个案盖过总体概率 | [[base-rate-neglect |
| 第一个数字 / 方案一直影响后续判断 | [[anchoring-effect |
| 同一事实换一种说法，选择明显变化 | [[framing-effect |
| 对失去的心理重量明显高于同额获得 | [[loss-aversion |
| 因为已经投入很多，所以不愿停止 | [[sunk-cost-bias |
| 主观把握长期高于实际正确率 | [[overconfidence-bias |
| 结果出来后觉得“早就显而易见” | [[hindsight-bias |
| 每次计划都偏向理想路径并低估耗时 | [[planning-fallacy |
这个表只能用于定位入口，不能替代分析。现实判断经常同时受多个偏差影响。
学习这类笔记的统一问题
每个偏差都至少回答五件事：
- 偏向发生在哪里？——注意、记忆、搜索、估计还是决策？
- 为什么它在直觉上很自然？——它通常不是“人很笨”，而是快速判断机制的副作用。
- 什么场景最容易触发？
- 怎样降低风险？——不是幻想完全消除偏差，而是改进流程、信息结构和决策规则。
- 它与哪个逻辑谬误或其他偏差容易共同出现？
不要把“偏差”理解成每次都错
启发式和快速判断通常有现实价值。比如根据容易回忆的案例迅速估计风险，在稳定且反馈充分的环境里可能非常高效。
问题在于：
一种通常有用的快速规则，被带到不适合它的环境后，会系统性地偏向某个方向。
因此目标不是把人训练成“永远不用直觉”，而是知道什么时候应该切换到更慢、更显式的分析。
与软件工程和 AI 的连接
这条知识线很适合用于：
- Debug：避免只搜支持最初根因假设的日志；
- Code Review：避免第一版方案形成锚点后，后续只做局部修补；
- Agent Review：避免因为已经投入大量 token 而无限 repair；
- Benchmark：识别幸存者样本、选择性展示和基准框架；
- 招聘：避免“像优秀工程师”的典型画像压过岗位证据；
- 工期估算：使用参考类预测，而不是只模拟理想路径；
- 复盘：还原当时可见信息，避免事后把结果写成“早就明显”；
- AI 搜索：主动要求反例、基础率、竞争解释和置信度校准。
实用去偏原则
与其靠“提醒自己不要偏”，更可靠的是改变流程：
先写判断标准，再看结果
先列竞争假设，再搜证据
同时要求支持证据与反对证据
先看基础率，再看个案故事
同时看收益框架与损失框架
把不可追回成本与未来收益分开
让每个人独立估计，再共享锚点
重要预测事前记录概率与依据
项目估时先看历史参考类分布
复盘按“当时的信息”重建，而不是按最终结果重写也就是说，去偏（debiasing）更像工程设计，而不是意志力训练。
和概率推理的接口
认知偏差里很多问题最终会落到概率：
因此偏差知识真正有价值的下一步，不是背更多名字，而是学会用概率、记录和实验来替代直觉的独占地位。
当前主干已经足够，后续如何扩展
当前 12 个节点已经覆盖：
证据采样
→ 记忆可得性
→ 典型性与基础率
→ 锚定与框架
→ 损失与既有投入
→ 自信、预测与规划以后遇到真实问题时再按需补更细节点，例如 outcome bias、status quo bias、endowment effect、Dunning–Kruger effect 等；不需要为了“收集完整偏差列表”而一次性扩张。
主要参考方向
- Daniel Kahneman, Paul Slovic, Amos Tversky (eds.), Judgment under Uncertainty: Heuristics and Biases.
- Daniel Kahneman, Thinking, Fast and Slow.
- Amos Tversky & Daniel Kahneman, “Judgment under Uncertainty: Heuristics and Biases” (1974).
这些来源提供经典框架；具体概念笔记尽量保留直接研究来源、应用边界和去偏方法。
Digital Biome