[!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:

过度自信偏差

一句话定义

过度自信偏差（overconfidence）是人的主观确定程度系统性高于实际正确率、预测精度或能力水平。

重点不是“自信不好”，而是置信度是否经过校准。

三种常见表现

1. Overprecision：区间太窄

问：

这个任务多久完成？

回答：

两天，最多两天半。

实际任务存在大量未知依赖，却给出极窄区间，就是典型过度精确。

2. Overestimation：高估自己的绝对表现

“我这次判断至少有 95% 把握。”

长期统计却显示这类“95%”判断只有约 70% 正确。

3. Overplacement：高估自己的相对位置

例如很多人在熟悉任务上都认为自己“高于平均水平”。

不同研究和任务下三类现象强弱会不同，不要把“人人都觉得自己比平均强”当成无条件定律。

什么是校准 Calibration

如果你对 100 个命题都说：

我有 80% 把握

长期看约 80 个为真，才叫较好校准。

如果只对了 55 个，你的置信度明显过高。

所以：

自信强度
应当
≈
历史正确率

软件估时

开发者很容易只看到“理想路径”：

写代码 4h
测试 2h
部署 1h
≈ 1 天

但遗漏：

• 环境差异；
• CI 问题；
• review；
• 需求澄清；
• 迁移；
• 回归；
• 外部依赖。

这会和 规划谬误 共同出现。

技术判断中的“我很确定”

看到错误栈后立即说：

“100% 是 Redis。”

即使最后猜对了，也不能证明方法合理。

真正要评估的是：

• 当时有哪些竞争假设；
• 当前证据区分力多强；
• 历史上这种把握的命中率；
• 什么证据会让自己改判。

AI 也会产生“语言上的过度自信”

模型可能在证据不足时输出：

“根因就是 X。”

而实际检索只支持：

“X 是一个合理候选原因。”

因此 AI 评审要同时检查 证据强度与结论校准：语言确定度是否超过来源。

知识越多不一定越谦虚

获得更多细节有时会提高主观信心，却未必同比提高预测准确率。

这在复杂系统中特别危险：拥有大量局部知识，会制造“我理解整个系统”的感觉。

所以复杂工程判断应该依赖：

• 可观测证据；
• 测试；
• 独立 review；
• 历史校准；

而不是只靠熟悉感。

什么情况高置信是合理的

如果：

• 问题领域稳定；
• 有大量重复反馈；
• 专业训练充分；
• 当前证据直接且排他；
• 历史校准良好；

那么 95% 置信完全可能合理。

去偏不是强迫自己永远说“我不确定”，而是让确定度有证据基础。

去偏方法

1. 用区间，不只给单点

最可能 3 天
合理范围 2–6 天
主要上行风险：迁移 / CI / review

2. 记录预测

事前保存：

预测
置信度
依据
结果

定期做 calibration review。

3. 主动列“我可能错在哪里”

不是泛泛说“可能有误”，而是列具体失败条件。

4. 引入独立估计

在共享第一人答案前，每个人先独立判断，降低锚定和群体放大。

5. 使用外部基准

类似任务历史耗时，比“我感觉这次很顺”通常更稳健。

快速自测

你连续三次判断第三方 API 的问题都猜对，于是觉得：

“以后看到这种 500，我基本一眼就能确定供应商根因。”

三次成功样本远不足以校准这种高置信度。应记录更长周期的命中率与失败案例。

一句记忆

真正成熟的自信不是声音更大，而是你知道自己的 80% 到底值不值 80%。