保守偏差（信念修正）

一览

1. 快速摘要

当我们遇到本该改变我们想法的新信息时，我们对自身信念的更新幅度并没有达到逻辑上应有的程度。我们看到了证据，也承认它指向某个方向，大脑却像陷在糖浆里一样迟缓，在理应做出大幅调整时只做了微调。我们并非拒绝改变，而是改变得太慢、太少，就好像先前的信念在拉扯着我们，削弱了新现实带来的冲击。在经典的实验室研究中，足以支撑97%确信度的证据，往往只能让人们调整到70%至80%的确信度。研究人员也将此称为信念修正中的保守性。不过，这种反应不足并非普遍存在：面对体量小而引人注目的样本时，人们反而倾向于反应过度。

用大白话说

保守偏差是指，当你了解到新情况时，你改变想法的幅度太小了。你其实看得出事实指向哪个方向，但明明该迈出一大步，你却只挪动了小小的一步。

比如说，你在九月就认定实验搭档不用功。后来他开始早早到场，做完自己那部分，甚至还能发现你的错误。这些你都看在眼里。你心想：“好吧，他现在可能好一点了。”可在你脑子里，他基本还是那个不用功的同学。这么多证据，本该让你的想法改变得比现在多得多。你原来的看法总把你往起点拉回去。

不妨试试这个办法。每当出现新的事实，你就问问自己：“如果我是头一回看到这些情况，我会怎么想？”然后再把这个答案与自己目前的实际想法对比一下。如果两者差距很大，说明你很可能还没有做出足够大的调整。放手让自己迈出更大的一步吧。

2. 科学原理

2.1. 发现与历史

保守偏差由心理学家 Ward Edwards 于1960年代在心理学从行为主义向认知革命过渡期间首次分离并正式命名。Edwards 开创了一个名为“作为直觉统计学家的人”的研究项目，旨在根据概率论（特别是贝叶斯定理）的规范基准来检验人类的推理能力。

这一关键见解源于对比人类实际更新信念的方式，以及根据贝叶斯概率在数学上理应如何更新。Edwards 发现了一个规律性模式：人们能够正确识别证据所指的方向，却极大地低估了证据的强度。正如 Edwards 及其同事的一句名言所说：“意见的改变非常有条理，并且通常与贝叶斯定理计算的数值成正比，但在变化幅度上却是不充分的。”

随着时间的推移，研究人员不再仅仅将此视作一种“错误”，而是逐渐认识到它可能具有适应性功能。现代神经科学已将其重新定性为一种潜在的“特性”，能在充满噪声的世界中提供认知稳定性；然而当环境发生急剧变化时，这种特性也可能变得不良适应。学者提出的原因主要分为四类：一是人们无法正确整合多个数据点（错误聚合）；二是误判每个数据点的诊断价值（Beach 与 Peterson 的误觉假说）；三是人们有理由怀疑信息来源并不完全可靠（Corner、Harris 与 Hahn 的观点）；四是人们从顺心消息中学习的速度快于从逆心消息中学习的速度（Lefebvre 及其同事，2017）。

更为重大的理论修正，则关乎“更新幅度总是过小”这一论断。Dale Griffin 与 Amos Tversky（1992）指出，相比于证据的权重（样本有多大），人们更看重证据的强度（样本看起来有多极端）。其结果就是，当大样本包含温和信号时（正如 Edwards 的实验设置），人们反应不足；而当小样本包含引人注目的信号时，人们反而反应过度。Daniel Benjamin（2019）在对实验文献的综述中系统梳理了这一模式：保守偏差与忽视基础概率其实是同一种校准偏差的一体两面，具体表现为哪一种取决于面临的证据类型。Ned Augenblick 与 Matthew Rabin（2021）基于“改变信念的贝叶斯主义者平均而言必然变得更加确信”这一事实，构建了一种统计检验方法，能够在同一组数据中同时识别出信念变动过度与不足，并将其应用于个体、算法和市场的信念分析。另外两项研究进一步丰富了这一图景。Jörg Oechssler、Andreas Roider 与 Patrick Schmitz（2009）发现，信念更新中的保守倾向会随认知能力的提高而减弱，但在高分人群中依然相当明显；Martin Hilbert（2012）则提出了一种机制解释，即从记忆中提取证据时的噪声会将主观估计平滑推向中间值，从而在没有任何刻意谨慎的情况下自然产生保守偏差。

关键里程碑： Phillips 与 Edwards 1966（书包范式）；Edwards 1968（命名及“两到五次观察”的估算）；Griffin 与 Tversky 1992（强度与权重；反应不足与反应过度）；Barberis、Shleifer 与 Vishny 1998（资产价格中的保守性）；Oechssler、Roider 与 Schmitz 2009（认知能力可减弱但无法消除该偏差）；Hilbert 2012（信息噪声假说）；Lefebvre 等人 2017（从好消息中学习快于从坏消息中学习）；Benjamin 2019（综合述评）；Augenblick 与 Rabin 2021（能检测双向误差的检验方法）。

2.2. 主要研究者

2.3. 里程碑研究

书包与扑克筹码实验（Edwards, 1968; Phillips & Edwards, 1966）

这一简洁的范式成为了决策科学中的“果蝇”。其设计初衷是剥离情境、情感和先验偏见，从而对概率推理的原始过程进行独立研究。

实验流程： 研究人员向受试者展示两个装有扑克筹码的袋子。

• A袋：700个红筹码，300个蓝筹码（70%红色）
• B袋：300个红筹码，700个蓝筹码（30%红色）

通过抛掷一枚均匀硬币随机选定一个袋子（确立50/50的先验概率）。实验人员有放回地随机抽取筹码，并报出颜色。受试者据此估计所选袋子为A袋的概率。

贝叶斯计算： 在观察到8个红筹码和4个蓝筹码（净多出4个红筹码）之后，似然比计算得出约为 29.6:1。一个理性的贝叶斯主体应该有97%的把握确信该袋子中红色占多数。

人类实验结果： 受试者估算的概率始终在0.70至0.80左右，而不是数学上正确的0.97。Edwards 对这种差距给出了具体数字，指出在人类心智中通常需要“两到五次观察才能达到一次观察的作用”。

变体与稳健性检验：

• 样本量效应： 受试者在第一项数据上的保守倾向最低，随着数据的积累变得越来越保守；这提示信息处理能力会随着信息量的增加而退化。
• 反应模式测试： 要求给出赔率而非概率降低了保守性，但未能将其消除。
• 平稳性控制： 即使实验人员明确保证袋子中的物品构成不会改变，这种偏差依然存在。

重复验证记录： 书包实验的结果本身经受住了考验，但其普适性却并非如此。Griffin 与 Tversky（1992）指出，面对类似于 Edwards 实验中的十二次抽取样本时人们反应不足，但当样本量小且高度倾斜时，人们反而会反应过度，因为他们判断的依据是证据看起来有多强，而非证据的数量有多少。Benjamin（2019）的综述将保守偏差与忽视基础概率视为这同一模式的两个极端。Augenblick 与 Rabin（2021）提供了一种可检测任一误差方向的检验方法；因此如实的总结是，人们的更新存在校准失常，误差的正负符号取决于所面临的证据。Oechssler、Roider 与 Schmitz（2009）将一项带有激励机制的概率更新任务与三道题的认知反思测试相结合，发现得分较高者的保守倾向较弱，但该偏差在他们当中依然相当明显。

盈余公告后漂移研究（Ball & Brown, 1968；以及后续重复研究）

这项金融研究表明，在涉及数十亿美元的真实市场中，保守偏差同样在起作用。

研究发现： 当公司公布超出预期的盈利时，股票价格不会立即跳升至正确的新价值。股价最初只做出部分反应，随后在长达60多天的时间里继续顺着这一意外方向漂移。

实践启示： 投资者锚定在先前的估值上，更新幅度不充分，从而打开了市场低效的窗口。利用这种漂移的交易策略能够稳定获得异常回报。实际上，它们正是从集体的认知惯性中获利。

乐观强化学习（Lefebvre, Lebreton, Meyniel, Bourgeois-Gironde & Palminteri, 2017）

实验设计： 参与者在一项简单的工具性学习任务中反复在各个选项之间做出选择，并观察结果。研究人员拟合了允许对正向预测误差（好于预期）和负向预测误差（差于预期）设置独立学习率的学习模型，并对参与者进行了功能性磁共振成像（fMRI）扫描。

研究发现： 人们将好于预期的结果纳入自身估计的速率，高于将差于预期的结果纳入的速率。这种乐观不对称性的个体差异，与大脑奖赏回路中更强的预测误差信号相对应。

相关性： 这一任务虽比 Edwards 的中性书包实验更接近乐观偏见，但它表明更新幅度的大小可能取决于消息是否令人欣喜。当证据与我们既已做出的选择相悖时，反应不足的程度会更深，早期的选择也随之根深蒂固。

2.4. 神经学基础

现代神经科学提出了“含噪贝叶斯推断”模型，在神经层面上解释保守偏差。

核心机制： 神经计算具有固有的噪声，生物神经元的放电不像数字电路那样精确。如果大脑执行“完全”贝叶斯更新，这种噪声就会被放大，导致信念无规律地大幅摆动。

适应性反应： 大脑采用了一种保守的更新策略，把传入的感官信息当作不如其实际那么精确的信息来处理。这防止了内部模型在面对神经静电干扰时出现剧烈跳跃。

涉及的脑区： 前额叶皮层（执行功能、信念维持）、前扣带回皮层（冲突监测、错误检测）和基底神经节（动作选择、习惯形成）似乎在维持这种稳定性与准确性的权衡中协同发挥作用。

预测编码： Karl Friston 的自由能原理给出了类似解释。大脑持续生成自上而下的预测（先验），并将其与自下而上的输入进行对比。一个强有力且确信的预测会压过单一的矛盾信号，因此先验吸收了大部分意外，信念因而仅发生微小变动。

最终结果： 大脑为了稳定性牺牲了准确性。这是一种保持系统稳健的高级元认知策略，但在行为层面则表现为保守偏差：我们天生就会抵制信念的快速转变。

3. 进化起源

保守偏差很可能是作为我们祖先心智中的一种稳定机制演化而来的。不妨设想相反的情况：如果一个心智随着每一条新信息都充分更新其信念，它就会危险地反复无常。

认知惯性的生存优势：

• 抵御噪音： 我们的祖先生活在充满模糊信号的环境中，树叶沙沙作响可能是风，也可能是捕食者。如果心智对每一个信号都反应过度，将会把大量能量浪费在虚假警报上。

• 保护来之不易的知识： 关于哪些植物可食用、哪里有水源以及哪些领地危险的信念是通过代价高昂的经验积累起来的。快速更新可能会因为误导性的一次性观察而抹除这些知识。

• 防范欺骗： 我们祖先所掌握的大量知识来自他人，而其中有些人可能弄错甚至说谎。如果一个人的心智在听到每一句证言后都去重构其世界图景，就极易遭受操纵。

• 社会稳定性： 对盟友和敌人信念的快速改变将使社会合作变得不可能。我们在评估他人时的一些“粘性”使得稳定的关系和联盟成为可能。

• 节约能量： 大脑仅占人体约2%的体重，却消耗了大约20%的能量。不断从零开始重新计算每个信念在代谢上代价高昂。保守偏差因而成了一种认知捷径。

生存权衡： 这种偏差在以下条件下具有适应价值，即（1）大多数信号充满噪声，（2）环境变化缓慢，以及（3）犯错的代价并非灾难性。然而当发生相变，也就是客观现实突然发生剧烈变化而我们依然锚定在旧现实时，它就会转变成不良适应。

4. 这种偏差如何表现

4.1. 在日常生活中

• 关系评估： 即使在朋友和伴侣多次表现出不可靠的行为之后，我们对他们的最初好感仍会维持得比证据所支持的更久。

• 第一印象： 对人的初步判断具有惊人的粘性。与我们第一印象相矛盾的新信息会被打折扣。

• 新闻消费： 当我们遇到挑战我们世界观的新闻时，我们吸收了标题，但未能成比例地更新我们对问题的理解。

• 个人预测： 在得知自己的估算出错后，我们会进行调整，但调整幅度小于该误差在理性上所要求的幅度。

• 自我形象： 一个人如果在十四岁时认定自己“不擅长数学”，即便成年后通过了多门数学课程，仍会这样形容自己。

• 习惯改变： 即使有明确的证据表明某种行为（节食、锻炼计划、时间管理系统）不起作用，我们也很慢才会完全放弃它。

4.2. 在职场中

• 绩效评估： 经理对员工形成早期印象后，随后的证据很难将其推翻。头一个月的磕磕绊绊可能会给员工带来多年的阴影。

• 项目评估： 当一个项目显示出明显的失败迹象时，团队通常会承认存在问题，但并未充分调整他们的完工估算和成功概率。

• 战略转型： 组织认识到市场状况已经改变，但采取的是渐进式的调整，而不是相应的战略转移。

• 招聘决策： 面试印象非常难以根据背景调查或工作样本得到更新。

• 会议共识： 一旦一个团队似乎倾向于某个决定，随后的矛盾信息就无法成比例地改变集体的立场。

4.3. 在商业和营销中

• 品牌忠诚度持久性： 尽管有证据表明有更好的替代品，消费者仍保持品牌偏好。公司利用这一点，力争成为“第一个”确立市场地位的品牌。

• 定价锚： 初始价格确立了期望，即使有新的定价信息，这种期望依然存在，最初的数字起到了引力中心的作用。

• 产品分类： 一旦消费者在心理上对某个产品进行分类，关于其功能的新信息就很难改变这种分类。

• “亏本引流”策略： 零售商指望消费者的保守更新，打折商品建立的良好印象在出现常规价格时不会被完全修正。

• 订阅模式： 公司利用我们的保守性，使得取消订阅需要主动更新我们的现状。

4.4. 在政治和媒体中

• 党派持久性： 选民承认有关他们首选候选人的负面信息，但支持水平的调整远低于这些信息所对应的程度。

• 政策立场： 公民根据新数据更新他们对政策的看法，但不充分，这就解释了为什么尽管有新证据，政策辩论似乎常常停滞不前。

• 媒体叙事： 一旦一种政治叙事站稳脚跟，随后的矛盾报道就很难成比例地改变公众的理解。

• 选举预测： 显示变化的民意调查被吸收了，但调整得不够，导致在选举之夜出现意外。

• 丑闻处理： 最初的丑闻报道建立了先验，随后的证据（开脱的或定罪的）都未能让它完全更新。

4.5. 在医疗保健中

• 诊断势头： 一旦患者被确诊，这个标签就成了沉重的先验。随后提出替代诊断的证据很难推翻最初的评估。

• 治疗坚持： 医生继续治疗方案的时间长于新出现的证据所支持的时间，对有效性评估的更新太慢。

• 风险沟通： 被告知健康风险升高的患者会调整他们的行为，但低于该风险水平在理性上所要求的应对程度。

• 症状解释： 患者和医生都会通过现有诊断的视角来解释新症状，而不充分考虑替代方案。

• “塞麦尔维斯反射”： 医疗专业人员抵制与既定实践相矛盾的新证据。洗手、消毒法和无数其他创新都面临过这种保守性。

4.6. 在金融和投资中

• 盈余公告后漂移（PEAD）： 这是其标志性表现：股票价格会在盈利意外的方向上漂移数月，因为投资者更新估值的速度过于缓慢。

• 分析师预估： 专业分析师承认新信息，但价格目标的调整不充分，产生了可预测的修正模式。

• 投资组合再平衡： 投资者对有关资产类别的新信息做出反应，但调整配置的幅度小于最优投资组合理论的建议。

• 风险评估： 在市场波动事件之后，风险认知会有所调整，但回到基线的速度快于历史规律所支持的速度。

• 动量交易： 保守的更新产生了动量效应，由于市场处理信息缓慢，朝着某一方向走势的价格会继续保持该趋势。

5. 真实案例研究

案例研究1：赎罪日战争情报失败（1973）

• 背景： 以色列军事情报局（AMAN）在“概念”（HaKonseptzia）下运作，即认为埃及在拥有能够抵消以色列空军力量的远程轰炸机之前不会主动发动战争。战争的先验概率实际上被设定为零。

• 事发经过： 九月下旬至1973年10月初，情报搜集工作其实非常出色。AMAN 收到了多个具有高度诊断价值的信号，包括埃及军队在苏伊士运河沿岸大规模集结、大型军事演习转为入侵阵型，以及在袭击发生前数日苏联家属突然从埃及和叙利亚撤离。

• 偏差如何起作用： 撤离苏联随行家属本是预示战争爆发的极高似然比信号。然而 AMAN 领导层却以极端保守的方式解读所有数据，将其纳入既有的“概念”框架，认为演习只是例行的年度演练，撤离则源于与莫斯科的政治分歧。由于“不会爆发战争”这一先验被赋予了过大权重，新证据无法跨过下达动员令的决策阈值。

• 后果： 埃及和叙利亚在赎罪日发动了毁灭性的突然袭击。以色列遭受重大伤亡，并面临生死存亡的威胁。这场战争导致了以色列情报理论的根本重组。

• 经验教训： 制度化的先验可能成为认知陷阱。高置信度评估需要有机制来确保传入的证据获得成比例的权重。攻击普遍假设的“红队”是必不可少的。

案例研究2：10月7日袭击（2023）

• 背景： 赎罪日战争五十年后，以色列安全部门在一个新的“威慑概念”下运作，认为哈马斯已被威慑、不会发动重大袭击，主要关注经济治理，并且没有能力实施复杂的多点突破行动。

• 发生了什么： 情报报告显示，哈马斯部队在模拟的以色列定居点练习突击，系统地破坏边境监控摄像头，并保持异常的通信静默。

• 偏差如何起作用： 这些具有高度诊断价值的信号被当作“空想式”训练或虚张声势而不予理会。锚点是一种根深蒂固的信念：哈马斯已经从生存威胁转变为可管控的治理问题。修正如此根本的信念，认知成本太高：分析师只是增量式而非成比例地更新了风险评估。

• 后果： 哈马斯发动了以色列历史上伤亡最惨重的袭击。其失败模式与1973年惊人地相似：强烈的信号被根深蒂固的先验所滤除。

• 经验教训： 即使是有记录的历史失败，也不能使机构免疫于相同的偏差。“概念”的内容改变了，但对它的保守依附重演了。人员轮换和制度化的假设挑战可能是必要的。

历史例子：塞麦尔维斯悲剧（1847）

在维也纳总医院产科病房工作的 Ignaz Semmelweis 发现，由医生和医学生负责的第一诊所因产褥热损失了约10%的产妇，而由助产士负责的第二诊所产妇死亡率低于4%。医生直接从尸检走上产床接生，助产士则不会。1847年5月，他强制推行用漂白粉洗手，第一诊所的死亡率从四月的18.3%降至六月的2.2%。这些数据具有巨大的似然比，理应立即颠覆医疗实践。

相反，医学界表现出了教科书般的保守偏差。内科医生们坚信“产褥热”是由瘴气、体液失衡或纯粹的宿命所致，这一既有先验信念被证明牢不可破。医生们承认数据，却拒绝成比例地更新信念。Semmelweis 遭到嘲讽与排挤，最终被送进精神病院并死在那里。

这一教训表明：保守偏差既是一种认知现象，也是一种社会现象。当先验信念受到专业身份、同行共识和制度地位的强化时，这一锚点就变得几乎无法撼动。直到数十年后细菌学说带来革命，Semmelweis 所提供的证据才真正发挥出“一次观察的作用”。

6. 这种偏差的代价

6.1. 个人代价

• 关系破坏： 缓慢的更新意味着我们在有害的关系中滞留得比证据所支持的更久，或者我们未能意识到关系何时有所改善。

• 职业停滞： 对工作满意度、技能相关性或市场机会更新不充分会使人留在次优的职位上。

• 财务损失： 更新过慢的个人投资者白白错过本可获得的收益，或者在超过理性止损点后继续持有亏损头寸。

• 错失机会： 对环境变化反应迟钝，意味着在我们尚未完全领会其意义之前，机遇就已流逝。

• 健康延误： 未能根据身体出现的健康症状成比例地调整健康评估，会导致就医和治疗的延误。

6.2. 职业代价

• 战略盲点： 对市场变化、竞争威胁或技术颠覆更新过慢的组织发现自己被淘汰。

• 项目失败： 团队承认了警告信号，但未按比例调整计划，导致可预测的失败。

• 人才配置不当： 对员工绩效更新缓慢意味着错误的人留在了错误的岗位上。

• 声誉持久性： 事实证明，早期的声誉受损往往几乎无法挽回，哪怕随后的表现十分优异。

• 抗拒创新： 新的解决方案要与被保守维持的现有方法抗衡，困难重重。

6.3. 社会代价

• 情报失败： 正如赎罪日战争和10月7日袭击的案例所示，国家安全领域的保守偏差可能会造成数千人丧生。这种模式的渊源比这两起事件更为久远。1962年9月，美国中央情报局 Sherman Kent 主持的国家估计委员会（SNIE 85-3-62）判定苏联在古巴部署核导弹“与我们目前估计的苏联政策不相符”，理由是苏联从未在境外驻扎此类武器。有关车队和苏联人员的报告一直被解读为防御性力量扩充，直到10月14日的 U-2 侦察机航拍照片显示出导弹阵地。

• 市场低效： PEAD 及相关现象代表了由集体缓慢更新导致的数十亿美元资金错配。

• 政策滞后： 社会对明确记录的问题（气候变化、大流行病准备、基础设施衰退）的反应缺乏足够的紧迫性。

• 科学进步延迟： 由于老牌科学家在面临反证时更新得太慢，范式转变面临几十年的阻力。

6.4. 统计影响

• 在金融市场中： 经风险调整后，利用 PEAD 的交易策略每年可产生3-8%的稳定超额回报，这正是衡量集体保守性代价的一个标尺。

• 在心理学实验中： Edwards 发现，人类心智通常需要2-5次观察才能完成“一次观察的作用”，导致信息处理效率损失达50-80%。这一数字适用于包含温和信号的大样本；面对小样本和倾斜样本时，误差则朝相反方向发展（Griffin & Tversky, 1992）。

• 认知能力维度： 在 Oechssler、Roider 与 Schmitz（2009）的研究中，在三道题的认知反思测试中得分较高的受试者在更新时保守倾向较弱，但该偏差并未完全消失。

• 在医疗诊断中： 医学研究提示，诊断势头导致10-15%的初始误诊在面临矛盾证据时仍未得到纠正。

7. 隐藏的益处

保守偏差不只是一个缺陷。它的某些作用相当重要，完全消除它会是一个错误。

保守倾向具有适应性价值的情境：

• 在噪声多的环境中保持稳定： 通过抑制我们对每条新信息的反应，保守倾向防止我们被随机噪声抛来抛去。在信号确实不可靠的环境中，这具有适应性。

• 防止受骗上当： 一个完全遵循贝叶斯规则的心智极易遭受欺骗。对极端证据持怀疑态度的保守习惯，能在一定程度上抵御骗子与政治宣传者的蛊惑。Corner、Harris 与 Hahn（2010）指出，如果参与者认为实验人员仅具有部分可靠性，那么他们在书包实验中的“保守”估计值其实与贝叶斯主体的推断相当接近。

• 认知效率： 每来一个新数据就把一切重新计算一遍，在计算上代价高昂。保守倾向使人可以“求满意”，即进行一种“够好就行”的更新，从而节省心理资源。

• 社会稳定： 如果人们对每一条社会信息进行充分更新，关系和制度将陷入混乱。在社会判断中保持一些惯性，能让合作得以运转。

• 预防精神病： 研究表明，精神分裂症中“急于下结论”的偏差可能代表了相反的极端。保守倾向可能是防止病态信念不稳定的一种缓冲。

权衡： 目标不是消除这种保守倾向，而是校准它。对于不可靠的信息，我们希望保持适当的保守；而对于高诊断性证据，我们希望保持适当的反应。

8. 自我评估：你有这种偏差吗？

8.1. 警告信号清单

• 即使证据清楚地指向一个方向，我还是经常发现自己说“我们等等看”。
• 尽管有矛盾的行为，我仍然经常维持对人的第一印象。
• 即使新信息变化很大，我也倾向于仅对预测和估计做小幅度调整。
• 考虑到现有的证据，我常常对那些“本不该令人惊讶”的结果感到惊讶。
• 我发现自己常常将新信息套入我现有的信念，而不是更新我的信念。
• 在问题上，我经常是我所在群体中最晚改变主意的人之一。
• 我有时会承认证据，但补充说“但那只是一个数据点”。
• 我对未来的预测倾向于看起来像对现状的轻微修改。
• 尽管有警告信号，我留在某些情况（工作、关系、投资）里的时间还是比我应该的要长。
• 曾有人评价我“固执”或“难以做出改变”。

评分：

• 勾选 0-2 项：敏感度低
• 勾选 3-5 项：敏感度中等
• 勾选 6-8 项：敏感度高
• 勾选 9-10 项：敏感度非常高

8.2. 自我反思问题

1. 回想一次你对某个结果感到惊讶的经历。事后看来，是否有什么证据是你承认了但未给予足够权重的？

2. 回想一个你在过去五年中改变了的重大信念。从“第一次出现相互矛盾的证据”到“实际修正信念”花了多长时间？

3. 当你收到负面反馈时，你是进行成比例的调整还是只做最少的调整？

4. 当证据强烈地与你公开声明或承诺的事情相矛盾时，你会如何回应？

5. 有人曾指责你更新迟缓或墨守成规吗？你对这一反馈本身作何回应？

8.3. 快速诊断场景

情景： 你基于扎实的基本面投资了一只股票。该公司发布的季度财报大幅不及预期，实际收益比分析师预期低了40%。新闻报道还指出其核心业务存在结构性问题。

你会如何应对？

• A) “这可能只是暂时的波动。我会持有并等待情况恢复正常。” → 高敏感度
• B) “这令人担忧，但我会将我的仓位减少10-15%并密切监控。” → 中等敏感度
• C) “这极大改变了我的评估。我需要根据这个新信息从根本上重新计算我的头寸，这可能意味着大幅减仓。” → 低敏感度

9. 识别他人的这种偏差

9.1. 行为指标

• 言语中的明显迹象： 在处理新信息时，大量使用限定词、弱化词以及“是的，但是”等结构。
• 决策模式： 即使证据需要做出重大改变，也只对立场进行小幅度的增量调整。
• 表达惊讶： 对明显有预兆的结果频繁感到意外，当他们应该能预见时，却说“我没预料到会这样”。
• 证据处理： 承认信息，但立即将其放在现有的框架内去理解。
• 行动延迟： 当可行动的数据已经具备时，仍然表现出“等待更多数据”的模式。

9.2. 对话中的危险信号

人们在受到这种偏差影响时会说的话：

• “让我们不要对一个数据点反应过度。”
• “我明白你的观点，但我仍然认为……”
• “这可能只是一个异常情况。”
• “等我看到更多证据才会相信。”
• “这并没有真正改变大局。”

他们提出的论点类型：

• 强调过往证据的一致性，而不是新证据的诊断能力。
• 将重大的新信息与日常的确认性信息同等对待。

他们避免提出的问题：

• “需要什么才能让我改变想法？”
• “我对这个新证据的权重与其真实的诊断价值成比例吗？”

9.3. 情境触发因素

• 高投入： 当某人公开承诺了某项立场时，自我投入会放大保守倾向。
• 专家身份： 领域专家往往表现出更强的保守倾向，因为他们的专业知识植根于先验框架。
• 群体共识： 当群体持有某种立场时，个人在偏离这种立场时会更加保守。
• 时间压力： 矛盾的是，压力可能会增加保守倾向，因为人们会退缩到先前的信念中。
• 复杂性： 复杂的信息会触发更保守的处理方式，认知负荷鼓励了锚定。
• 模糊性： 当新证据可以有多种解释时，保守倾向就会增加。
• 压力与疲劳： 当进行费力的重新评估所需的心理资源不足时，人们往往会退缩回自己原已相信的事物。

10. 认知去偏策略

10.1. 即时技术

• “2-5倍”修正法则： 牢记 Edwards 的研究发现，人类心智通常需要2-5次观察才能达到一次观察的作用。当你发觉自己在做调整时，刻意将最初的调整幅度乘以2到3倍。

• 贝叶斯检验： 在确定你更新后的信念之前，明确计算贝叶斯定理的建议值。即使是粗略的计算通常也能揭示你的直觉偏离了多少。

• “全新眼光”检验： 不妨自问“如果一个毫无先验信念的人仅仅看到这一新证据，会得出什么结论？”，以此作为反向拉力对抗自身的保守倾向。

• 明确陈述似然比： 在更新信念之前明确自问“如果我当前的信念是错的，相对于它是对的情况，这项证据出现的概率大多少倍？”，以此迫使自己正视证据的诊断效力。

• 反转测试： 如果你持有相反的信念并收到相同的证据，你会以同样的幅度更新吗？如果不是，你表现出的保守是具有不对称性的。

• 信源分离法： 撇开信息的传递者来评判证据本身。试想如果完全相同的数据来自一个你原本就信任的来源，你是否会做出同样幅度的更新？

10.2. 长期策略

• 校准追踪： 记录预测和信心水平。定期回顾以发现更新不足的模式。

• 预先承诺更新规则： 在获取信息之前，预先确立具体的调整规则，例如“如果检测结果呈阳性，我将把估计值至少上调X”。

• 系统性信念复盘： 定期安排对重要信念的复盘，问问自己：“自上次审视此事以来我又掌握了哪些新证据？我是否做到了成比例的更新？”

• 建立更新宽容度： 练习在低风险问题上进行快速、重大的信念更改，以建立对认知灵活性的适应。

10.3. 环境设计

• 信息呈现： 设计强调新信息诊断能力的仪表板和报告，而不仅仅是信息本身。

• 魔鬼代言人： 制度化地设立特定角色，他们的工作是专门为“应当更新”的一方论证，而不仅仅是中立地评估证据。

• 预测市场： 利用市场来汇总信念，它们往往比个人更新得更有效。

• 轮换政策： 通过岗位轮换机制，让新鲜眼光定期审查已确立的信念。

• 更新警报： 创建在积累的证据越过阈值时发出警告的触发机制，迫使做出明确的更新决定。

10.4. 何时寻求外部输入

• 高风险决策： 当后果严重时，外部校准变得必不可少。
• 专家领域： 你的专业知识可能让你在更新时变得更加保守，而不是更不保守。
• 长期持有的信念： 持有多年的信念有更多的时间积累锚定权重。
• 公开承诺： 当你已经公开表明立场时，请他人从外部评估新证据。
• 模式识别： 如果你在这个领域多次感到惊讶，那么你的更新很可能校准失常。

11. 实用练习

练习1：概率估算日志

• 目标： 培养对你的更新模式的意识。
• 所需时间： 每天5分钟，每周30分钟回顾。
• 所需材料： 日志本或电子表格。
• 难度级别： 初级。
• 说明：
  1. 每天确定一个你持有的信念或预测（例如：“项目将按时完成”、“股票将会上涨”）。
  2. 给它分配一个概率（0-100%）。
  3. 记下你收到的任何与该信念相关的新证据。
  4. 记录你收到该证据后更新的概率。
  5. 一周结束时进行回顾：你更新了多少？计算一个贝叶斯主义者会更新多少。注意其中的差距。
• 反思问题：
  • 你的更新幅度是否始终小于证据所支持的幅度？
  • 哪些类型的证据引发了最严重的更新不足？
  • 随着积累更多证据，你的更新变得更小了吗？
• 频率： 每日记录，每周回顾。

练习2：扑克筹码模拟

• 目标： 通过经典范式直接体验偏差。
• 所需时间： 30分钟。
• 所需材料： 两个袋子、带颜色的物品（弹珠、珠子或实际筹码）、纸。
• 难度级别： 中级。
• 说明：
  1. 准备两个袋子：一个有70%红色物品，另一个有30%红色物品。
  2. 让其他人秘密选择一个袋子。
  3. 每次抽出一件物品，记录颜色。
  4. 在每次抽取后，写下你估计这是红色居多袋子的概率。
  5. 抽取12次后，计算贝叶斯后验概率。
  6. 将你的估计值与数学答案进行比较。
• 反思问题：
  • 你与贝叶斯后验的差距有多大？
  • 随着抽取的次数累加，你的更新是否变小了？
  • 看到你的直觉偏离如此之远感觉如何？
• 频率： 每月练习。

练习3：历史案例分析

• 目标： 识别现实失败中的保守偏差模式。
• 所需时间： 45分钟。
• 所需材料： 案例研究材料（关于情报失败、金融危机、医疗错误的文章）。
• 难度级别： 高级。
• 说明：
  1. 选择一个有记载的由于错过信号导致的失败案例（赎罪日战争、珍珠港事件、2008年金融危机）。
  2. 列出决策者持有的先验信念。
  3. 识别在失败发生前可用的证据。
  4. 估计该证据的似然比。
  5. 追踪决策者实际如何更新（或未能更新）。
  6. 找出放大了保守偏差的结构性因素。
• 反思问题：
  • 什么“概念”成为了锚？
  • 什么时候应该发生更新？
  • 哪些制度变革可能有帮助？
• 频率： 季度深度探讨。

每日实践

“更新乘数”检查

每天晚上，找出你白天更新过的一个信念。问问自己：“我有没有至少乘以2？”如果没有，就有意识地把更新后的信念再推远一些：证据是支持性的就往上调，证据是否定性的就往下调，再乘上一个额外的系数。

• 建议时长：5分钟
• 最佳时间：晚上
• 如何跟踪进度：记录更新和乘数调整的周日志

每周挑战

信念审计

每周一次，选择一个长期坚持的信念，对其进行严格的更新分析：

1. 你何时形成此信念？
2. 从那时起积累了什么证据？
3. 该证据的总似然比是多少？
4. 你现在的信念应该是什么，而实际又是什么？
5. 进行修正性的更新。

• 4周后的预期结果：在审计过的领域，信念的校准程度明显提高；对修正信念更加坦然。
• 日志反思提示：
  • 哪些信念事实证明最难更新？
  • 在面临更新不足时，会产生什么样的情绪反应？
  • 刻意更新如何影响了你的决策质量？

12. 针对特定受众

致领导者和管理者

• 为更新创造心理安全感： 那些害怕表现得不一致的团队会表现出被放大的保守倾向。自己要树立信念修正的榜样。

• 制度化红队： 指定小团队，其明确角色是反驳流行的评估，并计算成比例的更新会是什么样子。

• 要求更新的合理化理由： 不要只是问“你相信什么？”要问“你根据这个新信息更新了多少，为什么？”

• 警惕“概念”的形成： 当你听到诸如“我们的方法”或“我们的战略”之类的短语变得僵化时，要意识到这些将成为抗拒证据的锚点。

• 建立更新指标： 跟踪您的组织在信息抵达后对关键预测的更新速度。衡量并奖励适当的响应能力。

• 将分析与主张相分离： 让一个团队负责评估证据，另一个团队负责提出行动建议，以避免由最初力主该方案的人独自研判对其不利的数据。

致父母和教育者

• 尽早教授校准： 用简单的概率游戏向孩子们展示证据应当多大程度改变信念。

• 赞美改变想法： 明确赞扬“我改变主意是因为……”的陈述，而不是一致性。

• 树立更新榜样： 让孩子观察到你如何依据新信息修正观点，并讲述这一过程，比如“我原本以为X，但现在了解到Y，因此我认为Z”。

• 培养“什么会改变你的想法？”的习惯： 经常向孩子们询问关于他们信念的这个问题。建立提前确定更新条件的习惯。

• 历史事例： 使用适合年龄的未能更新的案例（以及后果）和成功修正信念的案例（以及收益）。

致医疗保健专业人员

• 谨防诊断势头： 一旦患者被贴上诊断标签，要主动寻找反证，自问“什么证据能够推翻这个诊断？”。

• 新眼光协议： 建立系统的节点，让新的临床医生在无法接触先前诊断的情况下审查病例。

• 基于概率的沟通： 量化你的诊断信心，并跟踪新测试应该如何在数学上更新该概率。

• 塞麦尔维斯意识： 记住，医疗界历史上的保守倾向曾导致无数人丧生。你的先验判断可能是错的。

• 维持鉴别诊断： 保持替代诊断存在的时间长于感觉舒服的时间。“不太可能”的诊断仍然有一个随着证据应当被更新的概率。

• 病历系统警报： 配置电子病历系统以自动标记与当前诊断相冲突的新检查结果，使矛盾之处直观呈现在临床医生面前。

致金融专业人士

• 系统地利用 PEAD： 设计从市场保守倾向中获利的策略，这本质上是对集体认知惯性的套利。

• 辅导客户更新观念： 帮助客户理解，当证据有力或证据充足时，他们凭直觉做出的调整为何往往过小。在那类情境下可将2-5倍修正作为启发式起点，而当客户被单一鲜活数据打动时，则需警惕相反的反应过度误差。

• 识别市场机制转换： 建立能够提示潜在“相变”的预警机制；面对这种相变，需要进行范式级别的更新，而非渐进式的微调。

• 分析师修正跟踪： 监控你自己的评估相对于贝叶斯更新是如何演变的。找出系统性的修正不足模式。

• 整合行为金融学： 将保守偏差模型（如BSV模型）纳入你对市场动态和客户行为的理解中。

13. 与其他偏差的相互作用

放大保守倾向的偏差

抵消保守倾向的偏差

常见的偏差链

根深蒂固的信念级联： 确认偏误 → 保守偏差 → 过度自信效应 → 对结果感到意外

解释说明： 首先，确认偏误过滤了证据，使相悖的信息不那么突出。然后，保守偏差确保即使是穿透过滤网的相悖证据也只能产生不足的更新。这导致了对既有信念的过度自信。最后，当现实与信念发生偏离时，决策者便会感到惊讶。这一级联反应使人们对可预测的事件产生“我没想到会这样”的反应。

诊断失误链： 保守偏差 → 锚定效应 → 过早闭合 → 诊断失误

解释说明： 临床医生固守最初的诊断，参照该诊断来解读每一项新症状，停止寻找替代解释，从而漏诊了真实病情。设立强制复核节点并追问“什么证据能够推翻这个诊断？”，可以在链条的第二步将其切断。

打破级联： 在最早的阶段主动寻找反证予以干预，随后有意识地应用更新乘数以对抗保守偏差。

14. 文化视角

关于保守偏差的文化差异研究有限，但富有启发性。

• 普遍性： 其基本现象（信念更新不及贝叶斯规范的要求）在所有被研究的文化中均有出现。“书包”范式在西方、东方以及其他文化背景中均再现了保守偏差。

• 程度的变化： 一些研究提示，更加强调尊重传统和既定权威的文化可能表现出放大的保守倾向，而强调创新和质疑的文化可能表现出相对较弱（但依然存在）的保守倾向。

• 语境效应： 不同文化在哪些领域引发更多或更少的保守倾向上有所不同。在某些文化中，顾全面子的考虑可能会放大人们对公开表达过的信念的保守。

• 对变化的预期： Richard Nisbett 关于整体性思维与分析性思维的研究（《思维的版图》，2003）发现，东亚受试者更常预期趋势会发生反转，而西方受试者则预期趋势会延续。这可能会让整体性文化背景的人更愿意修正预测，不过该研究并未直接测定贝叶斯更新本身。

15. 迷思与误解

16. 专家洞察

“意见的改变非常有条理，并且通常与贝叶斯定理计算的数值成正比，但在变化幅度上是不充分的。” — Ward Edwards，“Conservatism in Human Information Processing”，载于 B. Kleinmuntz（编），Formal Representation of Human Judgment（Wiley，1968），pp. 17-52

“要促使受试者改变意见，通常需要两到五次观察，才抵得上一次观察的作用。” — Ward Edwards，“Conservatism in Human Information Processing”，载于 B. Kleinmuntz（编），Formal Representation of Human Judgment（Wiley，1968），pp. 17-52

“我犯了一个错误：我曾假定各组织，特别是银行等机构，出于自身利益，最有能力保护自己的股东以及股东在公司中的权益。” — 艾伦·格林斯潘，在美国众议院监督与政府改革委员会的证词（2008年10月23日）

Martin Hilbert 认为，保守偏差可能源于噪声：当心智从记忆中提取证据不完美时，即使推理本身没有任何单独的缺陷，信念的移动幅度也会小于贝叶斯定理的要求。 — 概述自 Hilbert，“Toward a Synthesis of Cognitive Biases: How Noisy Information Processing Can Bias Human Decision Making”，Psychological Bulletin（2012）

17. 关键要点

1. 看得出方向却跟不上幅度： 你仍然能够看出证据指向哪一方；保守偏差所阻碍的，是你朝着该证据所支持的程度迈出足够远的距离。

2. 2-5倍的差距： 经验证据表明，在面对大样本和温和信号时，人类需要两到五份证据才能达到一份证据本该带来的更新效果。在这种情境下，你凭直觉做出的调整可能只有应有幅度的二分之一到五分之一。

3. 误差的正负取决于证据类型： 相比于证据的数量，人们更看重证据看起来有多强（Griffin & Tversky, 1992）。大样本被赋予过低权重，这构成了保守偏差；而体量小且高度倾斜的样本被赋予过高权重，则构成了相反方向的误差。Augenblick 与 Rabin 2021年的检验方法能够同时捕捉这两种误差。

4. 稳定性与准确性的权衡： 保守偏差既是一种错误，也是一种权衡。大脑为了稳定性牺牲了准确性。我们的目标是更好的校准，而非消除。

5. 制度的放大效应： 组织可能会将保守倾向固化为“概念”与教条，即便面对灾难性的证据也拒不更新。

6. 代价是真实的： 从造成数千人死亡的情报失灵，到价值数十亿美元的市场低效，再到延误病情的医疗误诊，更新不足都会带来可衡量的悲剧性代价。

7. 刻意纠偏是可能的： 自觉运用更新乘数、设立红队以及实施系统性的信念审计，能够在一定程度上抵消这一根深蒂固的偏差。

18. 进一步资源

学术论文

• Edwards, W. (1968). Conservatism in human information processing. In B. Kleinmuntz (Ed.), Formal Representation of Human Judgment. Wiley.
• Phillips, L.D. & Edwards, W. (1966). Conservatism in a simple probability inference task. Journal of Experimental Psychology, 72(3), 346-354. https://doi.org/10.1037/h0023653
• Barberis, N., Shleifer, A., & Vishny, R. (1998). A model of investor sentiment. Journal of Financial Economics, 49(3), 307-343.
• Ball, R. & Brown, P. (1968). An empirical evaluation of accounting income numbers. Journal of Accounting Research, 6(2), 159-178. https://doi.org/10.2307/2490232
• Corner, A., Harris, A.J.L., & Hahn, U. (2010). Conservatism in belief revision and participant skepticism. Proceedings of the Annual Conference of the Cognitive Science Society.
• Griffin, D., & Tversky, A. (1992). The weighing of evidence and the determinants of confidence. Cognitive Psychology, 24(3), 411-435. https://doi.org/10.1016/0010-0285(92)90013-r
• Oechssler, J., Roider, A., & Schmitz, P.W. (2009). Cognitive abilities and behavioral biases. Journal of Economic Behavior & Organization, 72(1), 147-152. https://doi.org/10.1016/j.jebo.2009.04.018
• Hilbert, M. (2012). Toward a synthesis of cognitive biases: How noisy information processing can bias human decision making. Psychological Bulletin, 138(2), 211-237. https://doi.org/10.1037/a0025940
• Augenblick, N., & Rabin, M. (2021). Belief movement, uncertainty reduction, and rational updating. Quarterly Journal of Economics, 136(2), 933-985. https://doi.org/10.1093/qje/qjaa043
• Lefebvre, G., Lebreton, M., Meyniel, F., Bourgeois-Gironde, S., & Palminteri, S. (2017). Behavioural and neural characterization of optimistic reinforcement learning. Nature Human Behaviour, 1, 0067. https://doi.org/10.1038/s41562-017-0067
• Kahneman, D., & Tversky, A. (1972). Subjective probability: A judgment of representativeness. Cognitive Psychology, 3(3), 430-454. https://doi.org/10.1016/0010-0285(72)90016-3
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131. https://doi.org/10.1126/science.185.4157.1124

书籍

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Tetlock, P.E. & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.
• Kuhn, T.S. (1962). The Structure of Scientific Revolutions. University of Chicago Press.
• Nisbett, R. E. (2003). The Geography of Thought: How Asians and Westerners Think Differently... and Why. Free Press.

书籍章节

• Edwards, W. (1982). Conservatism in human information processing. In D. Kahneman, P. Slovic, & A. Tversky (Eds.), Judgment Under Uncertainty: Heuristics and Biases (pp. 359-369). Cambridge University Press. https://doi.org/10.1017/cbo9780511809477.026
• Benjamin, D.J. (2019). Errors in probabilistic reasoning and judgment biases. In B.D. Bernheim, S. DellaVigna, & D. Laibson (Eds.), Handbook of Behavioral Economics: Applications and Foundations 1 (Vol. 2, pp. 69-186). Elsevier. https://doi.org/10.1016/bs.hesbe.2018.11.002

19. 总结卡片

20. 术语表

21. 讨论问题

供读书俱乐部、课堂或自我反思使用：

1. 想想你深信不疑的一个重大信念。需要什么样的证据才能改变你的想法？你的答案是切合实际的，还是保守偏差的体现？

2. 赎罪日战争与10月7日袭击的情报失灵相隔50年，且人们对前一次失败早有记录在案的认识。为什么机构会反复陷入同样的偏差模式？应当如何防范？

3. 保守偏差在快速变化的环境中还是在缓慢变化的环境中危害更大？为什么？

4. “理性怀疑论”观点认为，保守偏差可能是对不可靠信息的一种适应性不信任。对证据的怀疑在何时是合理的，又在何时成了无端保守的幌子？

5. 人工智能系统可以被设定为进行完全的概率更新。它们会如何与人类的保守偏差相互作用？这种不匹配可能会引发哪些问题？

最后更新：7 十一月 2026