贝叶斯推理研究综述
另一策略低（如30%）；无偏向：两策略各50%）和暗示性策略对成功预见性的比例（有预见性：暗示性和非暗示性策略成功率分别为80%和20%；无预见性：暗示性和非暗示性策略成功率各50%）。研究者对被试在尝试上述任务前后分别用10个建筑棒任务进行了测试，发现被试在尝试前主要根据特殊信息选择策略，在尝试后主要依据两种策略的基本成功率信息选择策略。说明人们在尝试200个任务后对尝试中的基础概率信息的反映是敏感的。
经验范式的优点在于，实验操作过程非常接近人们在日常生活中获得概率信息以作出判断的情况，较为真实地反映了人们实际的表征信息和作出概率判断的过程。所以许多研究者采用了这一范式[12-14]。
但研究范式的变化并没有能消除前述的争论，在不同的研究范式下都存在人们对基础概率信息的忽略或敏感现象，并出现了各种对基础概率信息忽略或敏感现象进行解释的理论。
3 几种主要理论
如前所述，人们进行概率判断时，在一些条件下忽略基础概率，在另一些条件下并没有忽略基础概率。那么，人们是如何作出判断的呢？哪些因素在影响人们的概率推理呢？对此，不同的研究者提出了不同的观点。
3.1 启发法策略论
Kahneman和Tversky认为人们直觉的概率推理受认知策略的影响，这是一种依赖于经验的判断或猜测。所以，经常会作出错误的判断。主要的认知策略包括“代表性启发法”和“可得性启发法”。
代表性启发法是指人们倾向于根据样本是否代表或类似总体来判断其出现的概率，愈有代表性的，被判断为出现的概率愈大，愈少代表性的被判断为出现的概率愈小。例如，在他们的研究中，要求被试估计某城市有6个孩子的家庭中，男(B)女(G)儿童出生顺序为GBGBBG和BGBBBB（B代表男孩，G代表女孩）的比例，结果大多数被试估计前者远高于后者[3]。因为前者更能代表整个人口中的比例，其次它看起来更随机。但从机会来说，两者的概率应是相等的。
可得性启发法是指人们倾向于根据某现象在知觉或记忆中容易得到的事例来估计其出现是概率，如他们在实验中要求被试估计英语中以字母R、L、N、K、V开头的单词数和以它们为第三个字母的单词数，结果绝大部分被试估计前者远多于后者[15]。但实际上前者是的基础比例远低于后者的基础比例。判断错误的原因在于人们更容易回忆出以这些字母开头的单词，而不容易回忆起它们在中间位置的单词。这与人们的记忆组织有关。
3.2 自然抽样空间假说
Gavanski等[16]认为判断一个事件出现的概率时，人们从什么范围抽取一样本有一种自然的抽样倾向，他们称之为“自然抽样空间”，如果直接从自然的抽样空间中抽取的样本对判断事件的概率是无偏差的，则被试容易作出准确的判断；但若要求被试从非自然抽样空间中抽样才能正确判断事件的概率，则被试容易作出错误的判断。如前述乳腺癌问题，被试从患乳腺癌的人群中抽样来判断接受X射线检查的概率较为自然，因为被试更容易认为患乳腺癌的人要接受X射线检查。但实验任务是要求从接受X射线的人群中抽样来判断患乳腺癌的概率，这与被试的自然抽样方向相反，导致被试对问题进行了错误的表征，对照贝叶斯公式，被试的错误是把P(H[,1]/A）表征为P(A/H[,1])，刚好与问题的要求相反，从而作出了错误的判断。
3.3 频率效应论
Gigerenzer和Hoffrage[8]同意自然抽样的观点，但他们所指的“自然”是人们加工概率信息的自然方式，认为人们是通过事件的频率而不是标准概率（百分数）来获得环境信息的，虽然两种信息形式的意义相同，但人们对具有同等意义的不同外部信息形式会产生不同的心理表征。他从进化论的角度出发认为，人类进行概率推理已经进化了一种认知算法规则系统，它不适合加工以百分数表示的标准概率信息，而适合加工以自然数表示的频率信息，因为标准概率是在概率论发展以后才被人们认识的，而频率在人类进化的早期就被认识了，所以人们对事件的频率容易编码而且几乎是自动的，而对标准概率难于编码。因此，它们预言当问题的陈述从标准概率形式转变为频率形式时，对条件概率的直觉推理会得到显著改善，并在前述的他们的实验中得到了支持。如果被试在判断中是忽略基础概率的，那么在标准概率改为频率形式时也应表现出来，但他们的实验表明加工频率信息的被试判断的准确性明显高于加工标准概率信息的被试。然而，正如前面所述，他们的结论也受到其他研究的挑战。
3.4 抽样加工理论
Fiedler[10]认为对概率判断最根本的影响既不是抽样方向也不是概率信息形式，而是抽取不同样本所得的数据需要进行不同的认知加工。概率判断中的认知加工分为两个过程，一是归纳加工过程，即利用记忆中或知觉到的样本进行的概率估计，如旅行前根据自己的经验估计某个地区为晴天或雨天的概率。然而，由于受许多主观（如个人偏好、期望等）和客观条件（如过去的经验是在一定时空下获得的）的限制，根据可利用的样本来估计概率会存在许多潜在的偏差，所以，要作出正确的判断就必须调整抽样过程中潜在的偏差，这是一个元认知控制过程，通过它，不同来源的样本得到整合并运用于最后的概率判断，这需要运用大量基于规则的元认知操作，包括使用逻辑规则、概率演算、统计学知识或元认知知识。如变换在不同尺度上估计的数量、颠倒条件概率、对来源于有偏差的样本进行矫正等。
判断者之所以忽略基础概率而不遵循贝叶斯原理，是因为他们缺乏元认知手段，不能调整在抽样过程中潜在的偏差。为验证此结论，他们用4个问题（在此仅以乳腺癌为例）在计算机上设计了A、B两种卡片盒，分别让两组被试自己搜索信息，告知被试A卡片盒的每张卡片正面标明是否患有乳腺癌的案例，背面告知是否参加X射线检查，B卡片盒中每张卡片的正面和背面与前一个卡片盒的卡片内容相反，设计时设定基础概率、击中率和误报率。屏幕的左边行显示正面内容，右边小窗口显示反面内容，被试点击左边行后才出现右边窗口的反馈信息，确认后左边行变成灰色，右边窗口消失。信息搜索完毕时，屏幕底部显示一刻度尺，用于被试标示判断接受X射线检查的妇女患乳腺癌的概率。这样，看A卡片盒的被试明显觉得乳腺癌的击中率高，非乳腺癌的击中率低，但做判断时需要进行问题角度的转换；而看B卡片盒的被试明显了解到接受X射线检查的妇女中患乳腺癌的案
4 小结
贝叶斯推理在过去近30年中得到了较为广泛的研究，特别自Kahneman和Tversky发现人们直觉的概率判断忽略基础概率现象以来，出现了许多理论和研究方法的更新，这些都深化了对这一问题的研究。这些研究既揭示了人们概率估计中常见的认知错误，也为人们进行贝叶斯推理至少提供了以下启示：首先，必须注意事件的基础概率，基础概率小的事件，即使某种击中率较高，其出现的总概率仍然是较小的。如现实生活中中奖的机会等就是小概率事件。其次，应该对信息的外部表征作理性的分析，不应受一些表面特征所迷惑。如击中率的高低并不决定该事件出现概率的高低。第三，不能过分相信经验策略（如代表性启发和可得性启发）。虽然经验策略有时能减轻人们的认知负荷并导致正确的概率估计，但也在许多情况下会误导我们的判断。如不要因为舆论经常宣传癌症对人们生命的威胁就认为癌症致死的概率比心脏病致死的概率更高。当然，贝叶斯推理问题仍然值得做更进一步的研究，如人们对概率信息的内部加工过程及其特点，对基础概率、击中率或误报率的敏感或忽略及其所依存的条件以及研究方法和手段的改进等。
【参考文献】
[1] Mellers B A,McGraw A P.How to improve Bayesian reasoning:A comment on
Gigerenzer and Hofr 《贝叶斯推理研究综述(第2页)》
本文链接地址：http://www.oyaya.net/fanwen/view/159441.html
经验范式的优点在于，实验操作过程非常接近人们在日常生活中获得概率信息以作出判断的情况，较为真实地反映了人们实际的表征信息和作出概率判断的过程。所以许多研究者采用了这一范式[12-14]。
但研究范式的变化并没有能消除前述的争论，在不同的研究范式下都存在人们对基础概率信息的忽略或敏感现象，并出现了各种对基础概率信息忽略或敏感现象进行解释的理论。
3 几种主要理论
如前所述，人们进行概率判断时，在一些条件下忽略基础概率，在另一些条件下并没有忽略基础概率。那么，人们是如何作出判断的呢？哪些因素在影响人们的概率推理呢？对此，不同的研究者提出了不同的观点。
3.1 启发法策略论
Kahneman和Tversky认为人们直觉的概率推理受认知策略的影响，这是一种依赖于经验的判断或猜测。所以，经常会作出错误的判断。主要的认知策略包括“代表性启发法”和“可得性启发法”。
代表性启发法是指人们倾向于根据样本是否代表或类似总体来判断其出现的概率，愈有代表性的，被判断为出现的概率愈大，愈少代表性的被判断为出现的概率愈小。例如，在他们的研究中，要求被试估计某城市有6个孩子的家庭中，男(B)女(G)儿童出生顺序为GBGBBG和BGBBBB（B代表男孩，G代表女孩）的比例，结果大多数被试估计前者远高于后者[3]。因为前者更能代表整个人口中的比例，其次它看起来更随机。但从机会来说，两者的概率应是相等的。
可得性启发法是指人们倾向于根据某现象在知觉或记忆中容易得到的事例来估计其出现是概率，如他们在实验中要求被试估计英语中以字母R、L、N、K、V开头的单词数和以它们为第三个字母的单词数，结果绝大部分被试估计前者远多于后者[15]。但实际上前者是的基础比例远低于后者的基础比例。判断错误的原因在于人们更容易回忆出以这些字母开头的单词，而不容易回忆起它们在中间位置的单词。这与人们的记忆组织有关。
3.2 自然抽样空间假说
Gavanski等[16]认为判断一个事件出现的概率时，人们从什么范围抽取一样本有一种自然的抽样倾向，他们称之为“自然抽样空间”，如果直接从自然的抽样空间中抽取的样本对判断事件的概率是无偏差的，则被试容易作出准确的判断；但若要求被试从非自然抽样空间中抽样才能正确判断事件的概率，则被试容易作出错误的判断。如前述乳腺癌问题，被试从患乳腺癌的人群中抽样来判断接受X射线检查的概率较为自然，因为被试更容易认为患乳腺癌的人要接受X射线检查。但实验任务是要求从接受X射线的人群中抽样来判断患乳腺癌的概率，这与被试的自然抽样方向相反，导致被试对问题进行了错误的表征，对照贝叶斯公式，被试的错误是把P(H[,1]/A）表征为P(A/H[,1])，刚好与问题的要求相反，从而作出了错误的判断。
3.3 频率效应论
Gigerenzer和Hoffrage[8]同意自然抽样的观点，但他们所指的“自然”是人们加工概率信息的自然方式，认为人们是通过事件的频率而不是标准概率（百分数）来获得环境信息的，虽然两种信息形式的意义相同，但人们对具有同等意义的不同外部信息形式会产生不同的心理表征。他从进化论的角度出发认为，人类进行概率推理已经进化了一种认知算法规则系统，它不适合加工以百分数表示的标准概率信息，而适合加工以自然数表示的频率信息，因为标准概率是在概率论发展以后才被人们认识的，而频率在人类进化的早期就被认识了，所以人们对事件的频率容易编码而且几乎是自动的，而对标准概率难于编码。因此，它们预言当问题的陈述从标准概率形式转变为频率形式时，对条件概率的直觉推理会得到显著改善，并在前述的他们的实验中得到了支持。如果被试在判断中是忽略基础概率的，那么在标准概率改为频率形式时也应表现出来，但他们的实验表明加工频率信息的被试判断的准确性明显高于加工标准概率信息的被试。然而，正如前面所述，他们的结论也受到其他研究的挑战。
3.4 抽样加工理论
Fiedler[10]认为对概率判断最根本的影响既不是抽样方向也不是概率信息形式，而是抽取不同样本所得的数据需要进行不同的认知加工。概率判断中的认知加工分为两个过程，一是归纳加工过程，即利用记忆中或知觉到的样本进行的概率估计，如旅行前根据自己的经验估计某个地区为晴天或雨天的概率。然而，由于受许多主观（如个人偏好、期望等）和客观条件（如过去的经验是在一定时空下获得的）的限制，根据可利用的样本来估计概率会存在许多潜在的偏差，所以，要作出正确的判断就必须调整抽样过程中潜在的偏差，这是一个元认知控制过程，通过它，不同来源的样本得到整合并运用于最后的概率判断，这需要运用大量基于规则的元认知操作，包括使用逻辑规则、概率演算、统计学知识或元认知知识。如变换在不同尺度上估计的数量、颠倒条件概率、对来源于有偏差的样本进行矫正等。
判断者之所以忽略基础概率而不遵循贝叶斯原理，是因为他们缺乏元认知手段，不能调整在抽样过程中潜在的偏差。为验证此结论，他们用4个问题（在此仅以乳腺癌为例）在计算机上设计了A、B两种卡片盒，分别让两组被试自己搜索信息，告知被试A卡片盒的每张卡片正面标明是否患有乳腺癌的案例，背面告知是否参加X射线检查，B卡片盒中每张卡片的正面和背面与前一个卡片盒的卡片内容相反，设计时设定基础概率、击中率和误报率。屏幕的左边行显示正面内容，右边小窗口显示反面内容，被试点击左边行后才出现右边窗口的反馈信息，确认后左边行变成灰色，右边窗口消失。信息搜索完毕时，屏幕底部显示一刻度尺，用于被试标示判断接受X射线检查的妇女患乳腺癌的概率。这样，看A卡片盒的被试明显觉得乳腺癌的击中率高，非乳腺癌的击中率低，但做判断时需要进行问题角度的转换；而看B卡片盒的被试明显了解到接受X射线检查的妇女中患乳腺癌的案
例很少，并可直接运用于问题判断。结果表明：从B卡片盒获取信息的被试判断准确性高，从A卡片盒获取的被试判断准确性低。从而验证了他们的结论。
4 小结
贝叶斯推理在过去近30年中得到了较为广泛的研究，特别自Kahneman和Tversky发现人们直觉的概率判断忽略基础概率现象以来，出现了许多理论和研究方法的更新，这些都深化了对这一问题的研究。这些研究既揭示了人们概率估计中常见的认知错误，也为人们进行贝叶斯推理至少提供了以下启示：首先，必须注意事件的基础概率，基础概率小的事件，即使某种击中率较高，其出现的总概率仍然是较小的。如现实生活中中奖的机会等就是小概率事件。其次，应该对信息的外部表征作理性的分析，不应受一些表面特征所迷惑。如击中率的高低并不决定该事件出现概率的高低。第三，不能过分相信经验策略（如代表性启发和可得性启发）。虽然经验策略有时能减轻人们的认知负荷并导致正确的概率估计，但也在许多情况下会误导我们的判断。如不要因为舆论经常宣传癌症对人们生命的威胁就认为癌症致死的概率比心脏病致死的概率更高。当然，贝叶斯推理问题仍然值得做更进一步的研究，如人们对概率信息的内部加工过程及其特点，对基础概率、击中率或误报率的敏感或忽略及其所依存的条件以及研究方法和手段的改进等。
【参考文献】
[1] Mellers B A,McGraw A P.How to improve Bayesian reasoning:A comment on
Gigerenzer and Hofr 《贝叶斯推理研究综述(第2页)》
★读了本文的人也读了：