[!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:

代表性启发

一句话定义

代表性启发（representativeness heuristic）是：人常根据一个对象“看起来多像某一类的典型成员”来估计它属于该类的概率。

问题在于：

像不像
≠
概率有多大

分类概率还取决于基础率、证据可靠性和样本生成过程。

最小例子

描述一个人：

安静、喜欢独处、爱读技术文档、经常写代码。

直觉可能迅速判断：

“他很可能是程序员。”

这个描述确实可能提高程序员假设的概率，但如果比较类别是：

程序员 100 万人
其他职业 5000 万人

就不能只凭“像典型程序员”忽略分母。

这与 基础率忽视 紧密相连。

Linda 式合取错误

经典实验中，人们读到一个非常符合某类社会活动者形象的人物描述后，可能判断：

P(银行职员且积极参与某社会运动)
>
P(银行职员)

但集合关系决定：

A ∩ B ⊆ A

所以必然：

P(A ∩ B) ≤ P(A)

“更像故事”不能让更窄的集合比包含它的大集合概率更高。

小样本看起来也会“很有规律”

人还容易期待很小的样本也应该代表总体。

例如公平硬币连续：

正 正 正 正

会让人觉得：

“下一次更应该反面，才比较平衡。”

如果各次独立，前四次并不会让第五次反面概率自动升高。

这里把“长期总体大约均衡”的特征错误要求到很短局部序列上。

技术招聘场景

候选人：

GitHub 很活跃、会 Vim、自己搭服务器、聊开源很熟。

这些特征可能与优秀工程师有关，但不能替代：

• 实际代码质量；
• 基础知识；
• 需求理解；
• 协作能力；
• 岗位相关经验。

“很像我脑中的优秀程序员画像”不是完整评估模型。

AI 场景

LLM 特别擅长模式匹配，所以可能看到：

某创业项目具有几个成功公司的表面特征。

就生成：

“很有独角兽潜力。”

但相似性必须与：

• 此类公司的基础成功率；
• 关键差异；
• 反例；
• 实际因果机制；

一起判断。

和可得性启发的区别

可得性启发：

我多容易想起相关案例？

代表性启发：

眼前这个案例多像某类典型成员？

例如：

• 连续看到飞机事故新闻 → 可得性；
• 某人穿白大褂、说话像医生 → 代表性。

二者都可能进一步造成概率误判。

什么情况下“相似性”确实有价值

如果某些特征对类别具有很强区分力，那么相似性当然是证据。

问题不是禁止模式识别，而是需要问：

P(特征 | 类别 A)
和
P(特征 | 非 A)
差多少？

如果两类都常见该特征，它就只是“看起来像”，诊断价值很低。

去偏方法

1. 先看基础率，再读个案故事。
2. 问：这项特征在非目标类别里多常见？
3. 用真实频率而不是“像不像”替代概率。
4. 小样本不要期待自动复制总体规律。
5. 分类时同时列出至少两个竞争类别。

快速自测

某项目 README、架构图和工程目录都非常像成熟大型开源项目，所以这个项目工程质量大概率很高。

“外观像成熟项目”只是一个信号。还需要查看测试、代码、维护历史、契约一致性等真正区分工程质量的证据。

一句记忆

典型画像擅长讲故事，概率却还要看它在真实世界里到底有多少。