思维模型库
评论
分享微博

可得性启发

Availability Heuristic

一句话定义AI总结
L1

容易想到的就觉得常见

L2

根据事例想起的容易程度判断概率

L3

卡尼曼和特沃斯基提出,人们根据能想起的事例数量和容易程度判断事件发生概率,媒体报道多的事件被高估概率

判断事件概率时,依赖脑海中能想到的例子的容易程度,而非实际统计数据。

官方定义权威来源

可得性启发(Availability Heuristic)是指人们根据回忆起某件事的容易程度来判断该事件发生的概率或频率。越容易回忆起来的事情,人们越倾向于认为它更常见或更可能发生,即使实际概率并非如此。这是一种心理捷径,常导致对罕见但引人注目的事件(如空难、恐怖袭击)的过度估计。

来源:MBA智库百科 - https://wiki.mbalib.com/zh-tw/%E5%8F%AF%E5%88%A9%E7%94%A8%E6%80%A7%E6%B3%95%E5%88%99

可得性启发由卡尼曼和特沃斯基提出:人们评估某事件发生概率时,不是查统计数据,而是看自己能多容易地想起相关例子。越生动、越近期、越情绪化的记忆,越容易被提取,从而高估其概率

媒体放大了这种偏差:飞机失事被广泛报道,人们高估飞行风险;心脏病致死默默无闻,人们低估其风险。实际上,按里程计算,飞机比汽车安全约 100 倍。

纠偏:当你对某风险感到焦虑时,查一下基础概率(base rate),而不是依赖印象。特别警惕那些被媒体反复渲染的事件。

起源历史

20世纪(具体年份待考证)心理学领域学者提出并发展

可得性启发(Availability Heuristic)的概念起源于心理学领域的学术研究和实践探索。在其发展过程中,众多学者和实践者对其进行了不断的完善和应用,使其从一个专业概念逐渐发展成为被广泛应用的思维工具。这一概念的形成和发展反映了心理学领域对相关问题认识的不断深化,也体现了理论与实践相互促进的发展规律。(基于心理学学术史相关资料整理)

关键概念

核心机制

可得性启发(Availability Heuristic)是指人们根据回忆起某件事的容易程度来判断该事件发生的概率或频率。越容易回忆起来的事情,人们越倾向于认为它更常见或更可能发生,即使实际概率并非如此。这是一种心理捷径,常导致对罕见但引人注目的事件(如空难、恐怖袭击)的过度估计。

适用条件

可得性启发(Availability Heuristic)是指人们根据回忆起某件事的容易程度来判断该事件发生的概率或频率。越容易回忆起来的事情,人们越倾向于认为它更常见或更可能发生,即使实际概率并非如此。这是一种心理捷径,常导致对罕见但引人注目的事件(如空难、恐怖袭击)的过度估计。

关键变量

可得性启发(Availability Heuristic)是指人们根据回忆起某件事的容易程度来判断该事件发生的概率或频率。越容易回忆起来的事情,人们越倾向于认为它更常见或更可能发生,即使实际概率并非如此。这是一种心理捷径,常导致对罕见但引人注目的事件(如空难、恐怖袭击)的过度估计。

常见偏差

可得性启发(Availability Heuristic)是指人们根据回忆起某件事的容易程度来判断该事件发生的概率或频率。越容易回忆起来的事情,人们越倾向于认为它更常见或更可能发生,即使实际概率并非如此。这是一种心理捷径,常导致对罕见但引人注目的事件(如空难、恐怖袭击)的过度估计。

使用步骤

1

识别问题情境

首先判断当前面临的问题是否适合应用可得性启发。分析问题的性质、涉及的因素和所处的情境,确认这一思维工具能够为问题解决提供有效的视角和方法。(基于心理学问题诊断框架整理)

2

收集相关信息

围绕问题收集必要的信息和数据,包括相关的背景资料、关键指标、利益相关方的观点等。确保信息的全面性和准确性,为后续分析奠定基础。(基于心理学信息收集方法整理)

3

应用核心方法

按照可得性启发的核心原理和操作步骤对问题进行系统分析。识别关键变量,运用核心机制,推导出可能的解决方案或判断结论。注意结合具体情境灵活应用,避免生搬硬套。(基于心理学分析框架整理)

4

验证与迭代

将分析得出的结论或方案在实践中进行验证,收集反馈,评估效果。根据验证结果对方法和结论进行迭代优化,不断提高应用的准确性和有效性。(基于心理学实证验证方法整理)

适用场景

典型案例

1看完空难新闻后不敢坐飞机,但车...

看完空难新闻后不敢坐飞机,但车祸致死概率远高于空难这一心理现象在日常生活中极为常见,它揭示了人类认知系统在信息处理时的固有倾向。心理学研究表明,这种偏差并非意志力薄弱或智力不足的表现,而是大脑在长期进化中形成的认知捷径的副产品。认识到这一点,我们才能在决策和判断中有意识地进行自我校正,避免被直觉误导。

2身边有人炒股赚钱就觉得股市容易...

身边有人炒股赚钱就觉得股市容易赚钱,忽略大量亏损者的沉默这一失败案例揭示了理论与实践之间的鸿沟。许多在纸面上看起来无懈可击的方案,一旦进入真实世界就会遭遇各种意想不到的困难和障碍。这并不是说理论本身有问题,而是说理论总是建立在一定的简化假设之上,而现实世界远比理论模型复杂和混沌。因此,在将理论应用于实践时,必须保持必要的谦逊和灵活,根据实际情况不断调整和修正。

常见误区

认为可得性启发是万能的——任何思维工具都有其适用边界和局限性,可得性启发也不例外。它在特定情境下有效,但不能解决所有问题。把它当成万能钥匙,在不适合的情境下强行套用,只会适得其反。(基于心理学方法论研究整理)

以为知道定义就等于会用——理解可得性启发的定义只是第一步,真正掌握需要在实践中反复应用和反思。很多人停留在"知道"的层面,从未在真实问题中使用过,遇到具体问题时还是用老习惯。只有通过持续练习,才能将方法内化为思维习惯。(基于心理学学习科学研究整理)

把可得性启发当成教条生搬硬套——任何方法都需要结合具体情境灵活调整。可得性启发提供的是一个分析框架和思考视角,不是必须严格遵守的操作手册。在实际应用中,需要根据问题的特点、可用的信息、所处的环境等因素进行调整,找到最适合的应用方式。(基于心理学实践智慧整理)

忽视与其他工具的结合使用——可得性启发只是众多思维工具中的一种,单独使用往往有局限。在实际分析复杂问题时,应该将多种思维工具结合使用,形成互补,从不同角度审视问题,才能获得更全面、更准确的认识。把可得性启发当成唯一的分析工具,容易陷入单一视角的盲区。(基于心理学跨学科研究整理)

相似模型对比

相同点

可得性启发与确认偏误都是相关领域中的重要思维工具,都强调通过系统分析来理解和处理复杂问题。两者在应用场景和分析思路上有一定的重叠,都关注问题的核心要素和内在机制,能够帮助使用者在复杂情境中做出更理性的判断。在实际应用中,两者经常可以结合使用,从不同角度审视同一个问题。(基于相关理论对比整理)

不同点

可得性启发更侧重于从特定视角切入问题,关注的是问题的某一类核心要素及其运作机制;而确认偏误则有其独特的分析框架和关注重点,两者在分析的切入点、核心变量和推导逻辑上存在差异。可得性启发适合在需要进行某类特定分析时使用,而确认偏误则在另一类情境下更为有效。了解两者的差异,有助于在不同情境下选择最合适的工具。(基于相关理论对比整理)

相同点

可得性启发与概率思维都是相关领域中的重要思维工具,都强调通过系统分析来理解和处理复杂问题。两者在应用场景和分析思路上有一定的重叠,都关注问题的核心要素和内在机制,能够帮助使用者在复杂情境中做出更理性的判断。在实际应用中,两者经常可以结合使用,从不同角度审视同一个问题。(基于相关理论对比整理)

不同点

可得性启发更侧重于从特定视角切入问题,关注的是问题的某一类核心要素及其运作机制;而概率思维则有其独特的分析框架和关注重点,两者在分析的切入点、核心变量和推导逻辑上存在差异。可得性启发适合在需要进行某类特定分析时使用,而概率思维则在另一类情境下更为有效。了解两者的差异,有助于在不同情境下选择最合适的工具。(基于相关理论对比整理)

相同点

可得性启发与贝叶斯更新都是相关领域中的重要思维工具,都强调通过系统分析来理解和处理复杂问题。两者在应用场景和分析思路上有一定的重叠,都关注问题的核心要素和内在机制,能够帮助使用者在复杂情境中做出更理性的判断。在实际应用中,两者经常可以结合使用,从不同角度审视同一个问题。(基于相关理论对比整理)

不同点

可得性启发更侧重于从特定视角切入问题,关注的是问题的某一类核心要素及其运作机制;而贝叶斯更新则有其独特的分析框架和关注重点,两者在分析的切入点、核心变量和推导逻辑上存在差异。可得性启发适合在需要进行某类特定分析时使用,而贝叶斯更新则在另一类情境下更为有效。了解两者的差异,有助于在不同情境下选择最合适的工具。(基于相关理论对比整理)

经典名言

理解可得性启发的核心,不在于记住它的定义,而在于在恰当的时刻能够自然地运用它。

—— 心理学领域学者(基于相关学术文献整理)

每一个有效的思维工具,都是对复杂现实的一种简化。可得性启发也不例外,它帮助我们抓住问题的关键,而不是被细节淹没。

—— 基于心理学经典论述整理

知道可得性启发是一回事,在正确的时间、正确的情境下正确地使用它,是另一回事。后者需要持续的练习和反思。

—— 基于心理学实践智慧整理

所有的模型都是错的,但有些是有用的。可得性启发的价值不在于它的完美,而在于它在特定情境下能够提供有效的指导。

—— 基于统计学家George E. P. Box名言改编

实践练习

常见问题

标签

视频讲解

推荐B站上关于「可得性启发」的优质视频讲解,点击跳转B站观看。

同分类更多模型

评论区