吉列姆·巴拉格作品梅西（全集） epub+txt+mobi+pdf 下载

左其盛

推荐

5星|《噪声》：人类的判断经常不准确、不稳定、有歧视、不公正，规则和算法可以改进这些缺陷丹尼尔·卡尼曼新书，与商学院教授、法学教授合著。书中作者把判断产生的偏差拆分为偏差与噪声两类，产生偏差的原因是判断者（人或组织）水平问题，噪声是本该相同的判断中出现的变异。作者指出，法官、医生、法医、保险公司核保员、做出业绩考核的上级、做出招聘决定的主管等多种职位都会在判断过程中产生噪声，噪声造成的损失比较大，但是常常被组织忽略。作者也给出了解决噪声的一些原则与办法，我总结最根本的一个原则是应该相信规则。书中内容有不少在其他资料上见过，但是本书的优势是信息来源可靠，所有的重要信息都有出处，所有的重要结论都有论文支持。另外作者把相关的比较零碎的知识做了系统整理。以下是书中重要观点与信息： 1：美国法官们缺少共识是常态，各种量刑之间的差异令人震惊； 2：独立做出判断是发挥群体智慧的前提条件； 3：简单的模型普遍优于人类判断； 4：对判断所持有的信心并不能保证判断的准确性，许多充满信心的预测都是错的； 5：噪声本质上是一种统计概念：只有当我们采用统计思维对一组相似的判断进行思考时，噪声才可见； 6：如果做判断的人受过良好的训练、更睿智且拥有正确的认知风格，那么他的判断也会产生更少的噪声和偏差。换言之，好的判断取决于你的经验、思维能力，以及你的思考方式。好的判断者往往经验丰富且充满智慧，但他们也时刻保持着思维的开放性，愿意接纳新的信息； 7：包括血型分析、纵火调查、骨骼遗骸分析和法医病理学。即使是被普遍视为司法科学新黄金标准的DNA分析，也容易受到证实性偏差的影响，至少在专家们评估复杂的DNA混合物时是如此； 8：超级预测者会系统性地寻找基准概率； 9：一项研究发现，关于乳腺病变是否为癌变这一问题，病理学家之间只能达成“一般”程度的一致性； 10：员工真实的工作绩效和对工作绩效进行的评估之间的关系可能很弱，或者说，两者之间的关系还不确定； 11：无论排名有什么缺点，排名的噪声都比评分的要小； 12：从本质上说，如果你的目标是确定哪些应聘者在工作中会成功，哪些会失败，那么标准面试并不能提供非常有用的信息。更直截了当地说，它们往往毫无用处； 13：用算法做评估可以保证消除噪声——实际上，它是完全消除噪声的唯一方法； 14：噪声是隐形的敌人，战胜隐形的敌人也只能取得隐形的胜利，但是，就像保持身体健康需要讲卫生一样，决策卫生至关重要； 15：几种决策卫生技术：对信息进行排序；将决策过程结构化并进行独立评估；使用基于外部视角的共同参考框架；汇总多个独立判断；总体评价5星，非常好。以下是书中一些内容的摘抄：第一部分寻找噪声第1章犯罪和充满噪声的判罚这项研究的基本发现是：法官们“缺少共识是常态”，各种量刑之间的差异“令人震惊”。根据法官的不同，一个贩卖海洛因的毒贩可能被判1～10年有期徒刑，银行抢劫犯可能被判5～18年有期徒刑。在敲诈勒索案中，量刑从最高的20年有期徒刑外加65 000美元罚款，到仅3年有期徒刑且无罚款不等。第2章系统噪声，给人达成一致的错觉然而，我们的噪声审查发现的差异更大。根据我们的计算，核保员的中位数差异为55%，大约是大多数人（包括公司高管）估计值的5倍多。这一结果意味着，当一位核保员将保费定为9500美元时，另一位核保员很可能不是将保费定为10 500美元，而是定为16 700美元。第3章单一决策，仅发生一次的重复决策我们将噪声定义为对相同问题进行判断的过程中产生的不必要的变异。单一决策无法被重复，因而这个定义对它并不适用。换句话说，我们无法测量单一决策中的噪声，但如果我们进行“反事实思考”（counterfactual thinking），则可以肯定噪声是存在的。第二部分你的大脑是一种测量工具第4章什么是判断在我们无法验证判断是否正确的前提下，宣称可以改进判断听起来是自相矛盾的，但我们的确可以，因为只需从测量噪声开始。第5章测量误差，噪声与偏差的代价一样大这些天文学家一直想方设法估算谷神星的轨道，然而他们测量望远镜误差的方法是错误的，这颗行星根本没有在他们预测的任何地点附近出现。高斯用最小平方法重新进行了计算，当天文学家用望远镜对准高斯所预测的地点时，他们发现了谷神星！第6章噪声分析：所有判断都存在3类噪声正如一些辩护律师告诉你的：法官们各有特点。有的人是“铁面判官”，他们比一般法官更严厉；有的人是“柔情法官”，他们比一般法官更仁慈。我们将这些差异称为“水平误差”（level errors）。（再次提醒：这里的误差是指判决结果与平均值之间的差异；如果判决结果的平均值是错的，一个误差可能反倒纠正了这种不公正。）我们用“模式噪声”一词来表示上文提到的变异性，因为这种变异性反映了法官们对具体案件的态度的复杂模式。例如，一位法官总体来说比其他法官更严格，但对于白领罪犯更宽容。图6-2 如果法官因为种种原因（比如他的孩子有好事发生，他钟爱的球队昨晚赢得了比赛，或是天气很好）而心情愉快，那么他的判决会比其他时候更宽容。个体内的这种变异性与我们已经讨论过的个体间的稳定变异不同，但我们很难将这两种变异的成因区分开来。我们将这种转瞬即逝的因素所导致的变异称为情境噪声。第7章情境噪声，无时无刻不在影响着我们的判断正如赫佐格和赫维格总结的那样，决策者最终要做的是在不同方法之间做出一个简单的选择：如果你能从别人那里得到独立的意见，那么就去做吧，因为这种真正的群体智慧很可能会提升你的判断水平；如果不能，你可以再次做出判断，以此创造一个“内部群体”。针对后者，你可以采用两种方式：要么隔一段时间再做出第二次判断，要么质疑自己的第一次判断，从另一个角度来看待问题。第8章群体是如何放大噪声的在一些非常有利的条件下，互相分享知识、深思熟虑的群体确实会做得很好。然而，独立做出判断是发挥群体智慧的前提条件，如果人们不是自己做出判断，而是依赖于其他人，那么群体并不会更明智。第三部分预测性判断中的噪声第9章判断与模型，简单的模型普遍优于人类判断在其中一个样本中，10000个随机加权线性模型中有77%优于人类专家；在另外两个样本中，随机模型100%胜过人类专家。换句话说，该研究表明，所有简单模型的表现都比人类专家好。第10章无噪声的规则事实上，从简单的规则到最复杂且难以理解的机器学习算法，许多机械性方法都可以胜过人类的判断。机械性方法之所以有这种出色表现，一个关键原因可能是所有机械性方法均无噪声，尽管这不是唯一的原因。第11章哪里有预测，哪里就有客观无知有关管理决策的研究表明，高管通常会凭直觉、感受或简单的判断（此处的判断与本书中“判断”一词的含义不同）来行事，尤其是级别较高的、经验丰富的高管。然而，对判断所持有的信心并不能保证判断的准确性，许多充满信心的预测都是错的。第12章常态谷：事情虽无法预测，但可以被理解我们对世界的理解，取决于我们编造故事来解释我们所观察到的事件的能力。并且，我们几乎总是能成功地找到原因，因为我们可以从无数的事实和信念中搜寻原因。例如，常听晚间新闻的人都知道，很少有无法解释的股市大波动。第四部分噪声是如何产生的第13章启发式、偏差与噪声到目前为止，我们简要地介绍了三种偏差，它们的运作方式是不同的：替代偏差会导致我们对证据不正确地赋权；结论偏差会导致我们要么绕开证据，要么以曲解的方式考虑它；而过度一致性偏差则会放大初始印象的效果并减少矛盾信息的影响。当然，以上三种类型的偏差都会产生统计偏差，也都会产生噪声。第14章匹配，找到与你的预测最精准匹配的共识我们总是难以抗拒地做出与证据相匹配的预测，尽管这种预测从统计学上看很荒谬。比如，销售经理通常会认为，去年表现比其他人更优秀的销售人员会在今年继续表现突出。第15章选取精确的量表，并多用相对判断本章的重点是介绍反应量表（response scale）的作用，它是最为普遍的一种噪声来源。人们的判断有所不同，可能并不是因为他们的判断有实质性的差异，而是因为他们使用量表的方式不同。假设你对员工绩效进行评级，在0～6分的量表上，你评了4分，在你看来这是很不错的分数。但是，对于相同的量表，有人可能觉得3分就已经是不错的分数了。这一推论可以得出一个令人惊讶的结论：尽管赔偿金额的判断看起来充满噪声，它却真实地反映了法官的惩罚倾向。为了测量这种惩罚倾向，我们只需用相对分数代替绝对的赔偿金额即可。第16章模式噪声的构成图16-1　第17章噪声源，偏差是引人注目的图形，而噪声是不受我们关注的背景图17-1 因果思维的直接后果是我们看不见噪声。噪声本质上是一种统计概念：只有当我们采用统计思维对一组相似的判断进行思考时，噪声才可见。第五部分决策卫生，提升五大人类判断力第18章卓越的判断者，卓越的判断力如果做判断的人受过良好的训练、更睿智且拥有正确的认知风格，那么他的判断也会产生更少的噪声和偏差。换言之，好的判断取决于你的经验、思维能力，以及你的思考方式。好的判断者往往经验丰富且充满智慧，但他们也时刻保持着思维的开放性，愿意接纳新的信息。如果你必须挑选一些人来做判断，那么你的最优选择是挑选那些高智商的人。唯一能预测人们的预测品质的量表是由心理学教授乔纳森·伯龙（JonathanBaron）发明的。该量表用于测量人们的“积极开放性思维”（actively open-minded thinking）。积极开放性思维是指个体愿意积极搜寻与自己先前的假设相矛盾的信息，这些信息包括其他人的不同意见以及与原有看法不一致的新证据。第19章消除偏差与决策卫生几十年的研究表明，那些学会了在自己专业领域避免偏差的专业人士，往往难以将所学知识应用到其他领域。例如，天气预报员懂得不要对预报过分自信，当他们宣布有70%的可能性会下雨时，总体来说，遇到这样天气的日子里有70%最终都下了雨。然而，当被问及常识性问题时，他们可能和其他人一样过分自信。从统计学上讲，减少噪声可以避免许多错误，但你可能永远也不会知道到底是避免了哪些错误。噪声是躲在暗处的敌人，即使躲开了敌人的暗箭，你可能也察觉不到。第20章司法科学，信息排序是最大的噪声德鲁尔为偏差信息的影响创造了一个术语：司法科学证实性偏差。这一偏差后来为其他司法科学技术所引证，包括血型分析、纵火调查、骨骼遗骸分析和法医病理学。即使是被普遍视为司法科学新黄金标准的DNA分析，也容易受到证实性偏差的影响，至少在专家们评估复杂的DNA混合物时是如此。这项研究有169名鉴定人员参与，每个人都对比了大约100对隐藏指纹和样本指纹，并发现错误的鉴定很少——假阳性率约为0.17%。0.17%的错误率的确很低，但报告指出：“鉴于一直以来在媒体宣传中指纹鉴定被赋予的高准确性，这一比例要比普通公众乃至大部分陪审员认为的高很多。” 德鲁尔的另一项建议也说明了相同的决策卫生策略：鉴定人员应记录他们在每一步做出的判断。他们应该在查看样本指纹之前记录对隐藏指纹的分析，再判断二者是否匹配。这一系列步骤能帮助专家避免只看到他们正在寻找的东西。依据同样的逻辑，我们可以提出第三条建议，这也是决策卫生的重要组成部分，即当要求另一名鉴定人员核实第一名鉴定人员做出的身份识别时，第二个人不应知道第一个人的判断。第21章甄选与汇总，超级预测的两大策略大量实验证据表明，对多次预测取平均值会大大提高预测的准确性，例如在股票分析中，经济预测员的“共识”性预测最准确。群体选择策略与直接取平均值的方法一样有效，即根据近期判断的准确性来选择最好的判断者，然后对少数判断者的判断取平均值。除了常规智力，我们可以合理地预期超级预测者在数学方面的能力异常出色。他们的确如此。但他们真正的优势不是数学天赋，而是能够轻松自如地应用分析思维和概率思维。超级预测者会系统性地寻找基准概率，当被问及两个国家次年是否会因边境争端而发生武装冲突时，超级预测者们并不只关注或立即去关注这两个国家目前是否相处融洽。超级预测者比普通人，甚至比受过训练的团队产生的噪声更少。这一发现也让萨托帕和其他研究人员大吃一惊：“超级预测者”的成功主要归功于他们在控制测量误差方面的出色能力，而不是其他人无法复制的对新闻的透彻解读。第22章医疗决策，用科学的诊断指南减少噪声一项研究发现，关于乳腺病变是否为癌变这一问题，病理学家之间只能达成“一般”程度的一致性。在诊断乳腺增生病变时，一致性同样是“一般”。当医生根据核磁共振成像扫描结果判断椎管的狭窄程度时，一致性也是“一般”。有些疾病的诊断给了医生很大的判断空间，并且诊断的相关标准过于宽泛，这会导致噪声数量巨大，且难以降低。我们将看到，大部分精神病学诊断就属于这种情况。阿普加评分能够将医生的注意力集中在5个已经过实践验证的重要维度上。然后，评分标准清晰地描述了该如何评估每条线索，这大大简化了根据每条线索做出判断的过程，从而降低了噪声。第23章绩效评估，用基于外部视角的共识框架做出量化判断这些研究所传达的基本信息只有一个：大多数绩效评估结果与被评估者的真实绩效之间的关系远非我们想象中那么紧密。正如一篇综述文章中总结的那样：员工真实的工作绩效和对工作绩效进行的评估之间的关系可能很弱，或者说，两者之间的关系还不确定。无论排名有什么缺点，排名的噪声都比评分的要小。我们在惩罚性损害赔偿的例子中看到，相对判断中的噪声比绝对判断中的噪声要少得多，因此这种关系也被证明适用于绩效评估。对于绝大多数没有放弃绩效评估的公司来说，它们可以做些什么来对其进行改善呢？它们可以采用的减少噪声的策略就是选择合适的量表，以确保不同的判断依据的是相同的参照系。研究表明，改进评估方式并对评估者进行培训有助于提高评估者使用量表的一致性。第24章人员招聘，以结构化指标衡量人才从本质上说，如果你的目标是确定哪些应聘者在工作中会成功，哪些会失败，那么标准面试并不能提供非常有用的信息。更直截了当地说，它们往往毫无用处。谷歌也不甘落后，有时会让求职者参加25轮面试！博克得出的结论之一是面试次数应该减少到4次，因为他发现在4次面试的基础上再增加额外的面试几乎不会提升预测效度。不过为了确保预测效度，谷歌严格执行了一项规定：公司要确保面试官在相互交流之前对候选人进行独立打分。结构化判断的第三个原则是推迟整体性判断，简单概括来说就是：不排除直觉，但推迟直觉。在谷歌，最终的招聘推荐是由招聘委员会共同做出的，该委员会审查候选人的完整资料，包括每次面试中每个评估维度上的评分，以及支持这些评估的其他相关信息。然后，委员会根据这些信息决定是否聘用候选人。再重述一遍，分解、独立性和推迟整体性判断这三个原则，并不一定能为所有试图改进人事选拔过程的组织提供一个模板。但这些原则与组织心理学家多年来提出的建议基本一致。第25章中介评估法，做出明智决策的核心方法图25-1 几种决策卫生技术：对信息进行排序；将决策过程结构化并进行独立评估；使用基于外部视角的共同参考框架；汇总多个独立判断。中介评估法旨在改变决策过程，通过应用这些技术尽可能多地引入决策卫生策略。采用决策卫生策略的理由很简单。商界和公共部门的领导者们往往完全意识不到他们最大或最重要的决策中存在的噪声，因而也不会采取具体措施来减少噪声。第六部分最佳的噪声水平第26章减少噪声的成本关键问题是，我们是否可以设计一种在多种重要指标上的表现都优于真实世界中的人类判断的算法，它更准确、噪声更少、没有歧视、非常公正。大量证据表明，在人类选出的多个判定标准组合方面，算法的表现都可以比人类更好。请注意，我们说的是可以，而不是一定。第27章尊严，人之为人的重要价值观一旦我们意识到噪声会产生普遍的不公平以及很高的代价，我们就会得出结论：噪声是难以接受的，我们需要找到不损害重要价值观的减少噪声的策略。全世界的组织都将偏见视为不好的东西，他们是对的；但他们没有将噪声视为不好的东西，这样是不对的。回顾与总结正视噪声问题噪声是本该相同的判断中出现的变异。我们用“系统噪声”这一术语来描述组织中具有同质性的专业人士，如急诊医生、量刑法官以及保险公司核保员在做决策时出现的噪声。本书的大部分内容都在讨论系统噪声的问题。系统噪声的绝对数量及其造成的破坏程度之大令人震惊，这也正是我们撰写本书的动力所在。两者都远远超出了我们的预期。我们在本书中提及了商业、医学、刑事司法、指纹分析、天气预报、绩效考核和政治等许多领域的案例，并从中得出了结论：哪里有判断，哪里就有噪声，而且其数量之大远超我们的想象。用算法做评估可以保证消除噪声——实际上，它是完全消除噪声的唯一方法。噪声是隐形的敌人，战胜隐形的敌人也只能取得隐形的胜利，但是，就像保持身体健康需要讲卫生一样，决策卫生至关重要结语一个噪声很少的世界【更多采用决策卫生措施】这将创造一个噪声更少的世界。我们可节省大量资金，改善公共安全和卫生等状况，令人们得到更加公平的对待，并防止许多可以避免的错误。

笨

推荐

87岁高龄的丹尼尔.卡尼曼又出新作了，就是这本《噪声》。老爷子《思考，快与慢》构建系统1与系统2是如此的成功，成为了感性与理性的共识。瞄定效应，厌恶损失，心理账户等观念如此深入人心获得了寓言故事般的江湖地位。对比《思考，快与慢》，《噪声》阅读难度更高，信息密度高，事例理解难度更高。兜兜转转前前后后阅读了一个多月的时间终于啃完了。总结下书中有趣的思想自己对我的感受。 1.噪声与偏差：哪里有判断哪里就有误差；误差有偏差和噪声两部分组成；噪声是无规律的错误，偏差是系统性的错误。哪里有判断，哪里就有噪声，而且它比你想象的还要严重的多。 2.偏差有三类：替代偏差（启发式），是给了某些容易获得的信息过高的权重，给自己不了解的信息过低的权重；结论偏差，是只采纳自己喜欢的信息，忽略或者扭曲了自己不喜欢的信息；一致性偏差，过度的一致性是让判断受到接收信息次序的影响，放大了初始印象。三种偏差，它们的运作方式是不同的：替代偏差会导致我们对证据不正确地赋权；结论偏差会导致我们要么绕开证据，要么以曲解的方式考虑它；而过度一致性偏差则会放大初始印象的效果并减少矛盾信息的影响。当然，以上三种类型的偏差都会产生统计偏差，也都会产生噪声 3.偏差与噪声的区别：偏差是一种普遍存在的心理机制，它们经常导致共性的错误。但是，当偏差的个体差异较大（不同的预判）或偏差的效应取决于情境（不同的触发因素）时，噪声就会产生。 4.启发式，对斯科特.佩奇《多样性红利》总结的启发式影响更深刻。四种常见启发式：作者重点介绍了四类常见的启发式（是常见不是全部）：拓扑启发式、梯度启发式、允许犯错启发式、和群体启发式。四种启发式的理解。拓扑启发式简单就是相似与邻近原则；梯度启发式，根据反馈结果在方向上增大或者减少调解力度，优点是肯定能找到局部高峰，缺点是多样性不足；允许犯错启发式，简单说就是增加随意的振动；群体启发式能想到的例子是生物演化算法。 5.印象最深刻的科学决策判断。总结下，决策判断有六大原则：第一，判断的目的在于精确性，而不是个性化的表达；第二，建立统计思维，采用外部视角审视个案；第三，把判断结构化，把判断分解成独立的任务；第四，获取多位判断者独立的决策，避免信息级联；第五，尽量采用相对判断和评价量表，减小判断的难度；第六避免采用盲目的直觉。这就是决策卫生策略，感觉第六天操作性不强。 6.数学之美。书中运用核心数学是“最小平方法”（method of least squares，也叫“最小二乘法”），它是由德国数学家高斯于1795年发明的。均方误差=偏差平方+噪声平方。噪声平方=水平噪声平方+模式噪声平方。模式噪声平方=稳定情景噪声平方+情景噪声平方。水平噪声是指不同个体户之间判断的变异。模式噪声是指对特定事件做出的判断的变异。 7.反思。反思我的读书方式也许太功利了，因为完全站在自我工作与生活的立场上，从书中寻找改进点，导致如果作者举得事例离我太远代入感不强，这也许是读的磕磕绊绊重要原因吧

Jennifer

推荐

原来数据的噪声和偏差对结果(人类判断)会有这么重大的影响。这本书详细说明了如何区分噪声和偏差，如何理解影响噪声和偏差的心理因素，如何区分水平噪声、模式噪声和情境噪声，如何进行噪声审查，如何减少噪声同时兼顾成本，受益匪浅。

梁盼盼

推荐

太厉害了，杨天真前几天才推荐过，今日看了一下自己关注的几个读书博主也读了，而且出版仅2个月时间，就有1.8w的阅读人数，这就是丹尼尔·卡尼曼的威力吧。

（morris)吴猛

推荐

这本书可读性极差，但还是要推荐，谁叫作者是卡尼曼了！回想起读思考快与慢的时候也是类似阅读体验，如果不是开始的系统1和系统2解释的太震撼，体验很好，中间实在有很多时候想放弃。这本书其实用几个标题就解决问题，写了洋洋洒洒28章，加前言和结尾600多页实在没有必要，太学术化了。 1 为什么会产生噪声？每个人的环境、特点、能力、知识面、关注点不同，场景不同，噪声分了模式噪声、情景噪声、 2 怎么防止噪声多人独立判断取平均，制定容易判定的规则或模型（新生儿的普里卡积分就是很好的例子） 3 用规则可以减少噪声，但有时候必须保持噪声 4 凡是判断必有噪声噪声产生于量体裁衣的需要，这个世界如果是靠几条简单规则统治就太不幸福了，中间管理阶级要解决的就是实事求是根据情况给出判断和恰当解决方案。人珍视的就是这种可以选择的权力，或感觉；尽管自由选择实际很难实现，没有太多人有独立思考能力，但这个权力还是要保留。法官希望自己可以根据经验做出自己认为合适的裁决，不受规则指导和限制；医生希望做出自己的诊断结论，老师希望自己打分。。。。规则和标准之间不断妥协和平衡产生螺旋式进步，就像民主和自由之间的矛盾、平衡和妥协。

欢欢

推荐

以下只是我的个人观点，可能很大程度受个人喜好和学识背景影响，请批判性地审阅。欢迎回复交流探讨🤝 可能是我一开始期望太高，因为我非常喜欢卡尼曼的《思考，快与慢》，还有他和特沃斯基的一系列开创性的研究，还有我对预测和决策科学的热爱；也可能是我并不是本书作为一般科普读物的目标受众，我对这本书有点失望，没能获取多少我期望学到的新信息。前六章我直接读译本，但是遭遇两重困难：一是专业名词没有括号附上英文原文，所以我一直在猜其对应的是我学过的哪个（统计）概念；二是即便我猜到了之后，也感到书中的解释方式比我所学的数学/统计语言更绕更难懂，尤其是数学公式中的变量也用我不熟悉的翻译后的名词代替，更增加了我的理解困难。当然，也许非经济学/统计类专业的一般读者不会有这些问题，也许他们才是目标受众。但我不确定改用这种（没有数学/统计语言严谨的）“科普”方式描述，真的能更有效地传递信息吗？我读桑斯坦和塞勒合作的《助推》也有类似感觉，比不上塞勒自己的优秀作品《“错误”的行为》。我不知道这跟桑斯坦的法律背景有没有关系，也许语言体系不一样？从第七章开始，我找到了英文原版的音频书，利用碎片时间听完了。不知道是否因为受第一印象的影响，总之我还是没找到什么闪光点，基本上是越听越失望，大都是重复一些我已经知道的结论。第四部分好一点，我怀疑是卡尼曼写的（因为大都是关于他的主要研究结果）。但我还是感觉没多少新东西，还不如重读一遍《思考，快与慢》…… 最后总结一下我的建议：如果你没有经济学/统计学背景，只想当科普读物大致了解一下预测和决策领域的一些注意事项和研究进展，这可能是一本好书（我也很好奇你们有没有觉得很容易读懂）；但如果你想认真学习这个领域并好好应用一番，建议精读《思考，快与慢》（值得买本英文原版，因为现有的译本都有错漏），恶补统计/计量经济学，这本书快速过一遍就可以了……

止水

推荐

认为这本书不行的人都好厉害。或许我太笨了，这本书解决了我数十年的困惑。[捂脸]

暴力熊卍

推荐

与《思考快与慢》严密的逻辑论断相比，《噪声》这本书显得杂乱无章，能用一篇论文阐述清楚的观点，却用重复的事例长篇大论，仿佛要在前作热度燃烬之前，急于添柴搭车畅销。哪里有判断，哪里就有噪声。作者将噪声定义为判断中不必要存在的变异，并且无法确定这种判断是否准确。导致噪声的原因容易理解，首先是信息差异。例如散户钻营的股票，以极少的信息去博弈金融巨鳄的幕后操盘，自然是有人赔有人赚，甚至被大范围收割韭菜，不可能雨露均沾，即使掌握海量信息，也不足以预测人们生活中可能发生的单一事件，那些我们不知道的，往往才是最重要的。其次是思维差异。医学教授和实习医生对患者的症状理解是不同的，这种经验、阅历、能力架构上的区别，让实习医生容易出现误判、产生噪声。然而医学教授之间同样也充满噪声，遇到疑难杂症众说纷纭。书中频繁以法官判决的轻重区间为例，如果一名惯犯在偷窃时失手杀死了一个老年人，而法官的挚亲曾经因类似原因丧命，那么法官大概率会量刑过重。这些只是简单的例子，实际上噪声无处不在，涉及我们生活的方方面面。最后是环境差异。前两种差异都有固定的模式，而这种差异的不确定性最大，一个连续拒绝六七位应聘者的面试官，在临近午饭之际，仅凭借纸面简历，可能会爽快的通过第八位，然而第八位可能是八人中最不适合岗位的那个。在这里我们可以参考熵增概念，即越多越乱。关于有效解决噪声问题，的确是一门庞大复杂的学科，让作者阐述清楚勉为其难，只是提出了两个方向。一是用好大数据。通过运用统计学和概率论原理，从机械模式量表评分到人工智能辅助决策，逐步升级细化，减少人为主观干预，这里要避免数据来源出现系统性偏差，造成统计误差。二是进行噪声审查。决策机构可以采取随机分组交叉的方式发挥集体智慧，多人针对同一个问题提出独立判断，尔后汇总意见逐一讨论，即使折中求平均值，也往往好过让错误噪声取代正确结论。这种方法的关键是意见建议的独立性，防止人云亦云，避免加巨问题倾向的“群体极化”现象，导致众口铄金，效果反而不如一人作决断。

Hunter

推荐

不得不说这是一本很有价值的书，但是也不得不说，这本书挺难读的。因为学术性比较强，论述非常严谨，所以针对同一个概念翻来覆去掰碎了讲难免会让人觉得枯燥。建议非研究向的读者大可以放松一点去读，没必要逐字逐句去啃（毕竟32万字呢），领会大体精神就会有非常大的收获。虽然花了很多时间（接近10小时）才读完，但是这些时间还是花得很值的。之前读卡尼曼的《思考，快与慢》就有一种被颠覆的感觉，而本书则是选取了一个比较小的切入点：决策中的噪声，来展开系统的研究。简单讲几点我从书中学到的东西。第一，不要盲目相信自己的判断力，任何判断中都充满了偏差和噪声。第二，机械的算法往往胜过人的主观判断，因为算法没有噪声。第三，噪声是可以规避的，具体的办法在书中的决策卫生部分。

Song JY

推荐

建立一个科学的决策过程要比获得正好的结果重要。预测性判断的正确，永远是有概率在其中，有时候结果落在小概率范围内，这时候是否定自己，还是肯定自己，这就反映了对思维过程的理解。《思考，快与慢》讲的思考细节问题，这本书讲的就是判断过程中的正确。对于一个有足够经验的专业人士来说，容易犯的错误是用直觉来进行判断，大部分时候直觉有用，但也存在不灵的时候，用定性来取代定量，实际上就是犯了一个决策因素权重分配的问题。对于一个问题的理解，如果不能立刻分解成几个具体的小问题，这就说明其实不懂。大部分时候经验人士会本能地采取问题替换，用一个定性问题来替代做出判断，这就是噪音。所谓知知，知不知，其实也是一种消除噪音的方法。外部视角，是无论如何都不能忽略的思考点，不仅对于问题本身，对于自己，也需要用外部视角，这样才能消除对自己的主观偏见（大部分时候是自视过高）。一本有干货有启发解决问题的好书。以下是总结的内容概要：群体判断总体误差²=系统偏差²+系统噪音² 系统噪音²=水平噪音²+模式噪音² 模式噪音中包含情境噪音。系统偏差是整体性一致偏离（体现整体共同特性），水平噪音是个体值与整体平均值的偏差，模式噪音是个体自身在不同时空下的变异。群体性噪音的两个来源，信息级联（不同信息到达顺序先后影响），群体极化（从众行为）预测判断中的噪音来源：客观无知（信息不完全），对不同影响因素赋予不主观权重，自我强化（赌徒谬误，忽略均值回归）。体现在对后果采用后视镜因果解释，寻找可解释因素。克服预测判断中的噪音：建立简单模型，采用外部视角，两两对比，精确量表，减少模式噪音：提升知识能力，稳定情绪。卓越的判断者，建立积极开放思维，应对新问题。群体超级预测能力：寻找卓越的人，个体多样性。决策卫生原则： 1.判断目的在于准确性，而不是体现个性。 2.使用统计思维，采用外部视角 3.对判断进行结构化，将其分解成几个独立的任务 4.抵制不成熟的直觉 5.获取多位判断者的独立判断，再进行汇总 6.用两两对比的相对判断和相对量表