次加和效应

速览

1. 快速摘要

当我们笼统地思考风险或可能性时，往往会低估它们。但当同样的可能性被拆解成具体、生动的场景时，我们对各个场景的估计加起来，会超过对整体的估计。说到底，细节孕育信念：描述越具体，我们就越觉得某件事可能发生，即便逻辑上不应如此。这就是为什么“死于自然原因”看起来比“死于癌症、心脏病和其他自然原因”加在一起的可能性更低。

用大白话说

次加和效应是我们猜测可能性时的一种糊涂。一件事用笼统的话来说，就显得不太可能。同一件事被拆成一个个具体的小部分，就显得更有可能，可事情本身一点也没变。

想象一下，明天你们班要去春游。妈妈问你：“你会不会忘带什么东西？”你说：“不会，基本不会。”接着她一样一样地问。签好字的家长同意书会忘吗？说不定。午饭呢？以前还真忘过。水壶、外套、手机充电器呢？每一样都好像有那么一点可能。把它们放在一起看，“基本不会”一下子就显得估得太少了。你一开始的猜测，只算上了碰巧冒进脑子里的那几样东西。

教你一个简单的办法。在说“不会有事的”之前，先写一张小清单，列出几件具体可能出错的事。然后看看你一开始的猜测还说不说得通。这张清单能帮你看清全貌。

2. 背后的科学

2.1. 发现与历史

次加和效应最早由认知心理学家 Amos Tversky 和 Derek Koehler 于 1994 年记录下来，见于提出支持理论的那篇论文。更早的研究已经暗示过概率可加性会被违背，但 Tversky 和 Koehler 率先在一个完整的理论框架内解释了这种违背为什么会如此系统地出现。

这一发现源于 Tversky 自 1970 年代起与 Daniel Kahneman 开创的“不确定条件下的判断”这一更大的研究计划。他们在启发法与偏差方面的工作已经表明，人类的概率判断会以可预测的方式偏离规范模型。支持理论是顺理成章的延伸：它把这样一个洞见形式化，即主观概率依附的不是事件本身，而是对这些事件的描述。

研究的关键里程碑：

• 1994 年： Tversky 和 Koehler 发表《支持理论：主观概率的非外延表征》，奠定了理论基础
• 1995 年： Redelmeier、Koehler 及其同事将研究结果拓展到医学诊断领域，展示了它对现实临床的意义
• 1998 年： Fox 和 Tversky 将支持理论与前景理论相结合，展示了该效应在体育博彩和金融市场中的表现
• 2007 年： Bearden、Wallsten 和 Fox 把随机误差的随机模型与支持理论作为次加和性的两种解释进行对比
• 2008 年： Thomas 及其同事提出 HyGene 模型，基于记忆检索给出了一种机制性解释
• 2010 年代至今： 应用于情报分析、保险和地缘政治风险评估

2.2. 主要研究者

2.3. 里程碑式研究

“非自然死因”研究（Tversky & Koehler, 1994）

这项实验至今仍是次加和效应最权威的演示。研究采用被试间设计，让参与者估计美国的死亡由各种原因造成的概率。

实验方法：

• 打包条件： 受试者估计随机选取的一例死亡属于“自然原因”的概率
• 拆解条件： 另一批受试者分别估计具体自然死因的概率：“癌症”“心脏病发作”和“其他自然原因”

核心发现：

• “自然原因”（打包）的平均估计值：58%
• 单独估计值之和：癌症（18%）+ 心脏病发作（22%）+ 其他（33%）= 73%
• 类别被拆解后，概率膨胀了 15 个百分点

这表明，“自然原因”这个概念在心理上并没有装下其所含各种疾病的全部分量。拆解让具体威胁更加凸显，并抬高了人们感知到的可能性。

NBA 季后赛研究（Fox & Tversky, 1998）

为了检验领域专长能否减轻次加和效应，这项研究考察了职业篮球的预测。

实验方法：

• 参与者（球迷和分析师）判断各支球队赢得 NBA 总冠军的概率
• 在不同层级之间比较判断：单支球队、赛区和联盟

核心发现：

• 8 支球队概率之和的中位数：>2.0（是逻辑上限 1.0 的两倍）
• 4 个赛区之和：约 1.5
• 2 个联盟之和：约 1.0
• 划分越细（拆解越多），总概率单调上升

这表明，专长并不能让人对次加和效应免疫。

医学诊断研究（Redelmeier 等人，1995）

实验方法：

• 向医生呈现一名腹痛患者的临床情景
• 一组医生拿到的清单包括“胃肠炎”“异位妊娠”和“以上皆非”
• 第二组医生拿到的清单把“以上皆非”拆解成了具体的备选诊断（阑尾炎、肾结石等）

核心发现：

• 备选项被拆解后，分配给“残余”类别的概率显著下降
• 拆解后各备选项的概率之和远超打包的残余类别
• 医生系统性地低估未明确列入鉴别诊断的疾病的可能性

搜救研究（Hill, 2012）

实验方法：

• 32 名有经验的搜救规划人员为关于一名虚构走失者可能位置的各个假设分配概率，其中包括走失者位于指定搜索区域之外这一残余假设
• 一部分人先把残余假设拆解成走失者可能离开搜索区域的五种情景；另一部分人则拆解焦点假设

核心发现：

• 拆解后，人们感知到的走失者位于搜索区域之外的概率显著上升
• 揭示了一种危险的行动偏差：不拆解残余假设，会让人过度相信走失者就在搜索网格之内

2.4. 神经学基础

次加和效应源于人类记忆和注意系统的基本特性：

记忆检索瓶颈： Thomas 等人（2008）提出的 HyGene（假设生成）模型认为，在评估一个整体假设时，决策者必须把相关范例从长时记忆提取到工作记忆中。由于容量有限（工作记忆只能容纳 4±1 个信息组块），他们无法提取所有可能的子假设。拆解通过把提取过程“外包”出去，绕过了这一瓶颈。

涉及的大脑区域：

• 前额叶皮层： 执行功能和工作记忆的局限，制约着假设的生成
• 海马体： 记忆提取过程，决定哪些范例能被调取
• 杏仁核： 情绪显著性加工，使生动、具体的场景比抽象类别更受放大

认知机制：

• 可得性启发法： 容易想到的事件被判断为更可能发生
• 随机噪声： 把内在感受映射为数值概率时的随机误差（Bearden 等人，2007）
• 回归判断： 罕见事件的估计值向上回归，常见事件的估计值向下回归，都趋向均值（Fiedler）

3. 演化起源

次加和效应很可能是作为一种适应性反应演化而来的，以应对不确定环境中的生存需求。

生存优势： 我们的祖先面对的是眼前具体的威胁（某只捕食者、某个食物来源），而不是抽象的类别。大脑演化得对具体、生动的信息高度敏感，因为这类信息通常意味着可以采取行动的威胁或机会。笼统的“危险”感，不如认出“那块石头后面的那头狮子”有用。

是特性，而非缺陷： 从演化角度看，给具体、详细的场景更高的权重可能曾经是适应性的：

• 具体的威胁需要具体的应对： 认清捕食者特定的捕猎方式，才能有针对性地防御
• 生动的场景好记： 故事和具体例子比抽象统计更能把生存知识代代相传
• 对具体事物保持警惕可以防止麻痹： 高估几种具体的危险，好过低估一个笼统的威胁类别

大脑的能量节约机制： 对所有可能事件维持完整的概率分布，计算量大到无法承受。大脑用“打包”表征作为高效的概括，只有当语境或明确的描述让具体场景凸显出来时，才把它们拆开。这是在准确性和节省认知资源之间做出的一种节能取舍。

在现代环境中的适应不良： 在祖先面对即时身体威胁的环境中，次加和效应是适应性的；但在需要准确评估风险的现代环境中，它就成了问题：当“整体”相对于明确描述的各部分之和被系统性低估时，保险定价、医学诊断、情报分析和战略规划都会受损。

4. 这种偏差如何表现

4.1. 在日常生活中

• 出行风险评估： 人们认为“度假时出岔子的风险”低于“航班延误、行李丢失、生病、被盗和天气问题”这些风险加在一起
• 健康担忧： 对“生病”的模糊担心，引起的焦虑比想到具体疾病时少
• 居家安全： “房屋受损的风险”显得比逐项列出火灾、水淹、入室盗窃和电路故障时小
• 感情担忧： “我的婚姻可能会出问题”感觉不如列出具体的潜在问题时那么可能
• 育儿： 父母可能会低估笼统的“孩子面临的风险”，直到具体场景（噎住、溺水、被拐）被一一列举出来

4.2. 在职场中

• 项目风险评估： 项目经理对“项目失败风险”的估计，低于具体失败模式（预算超支、范围蔓延、关键人员流失、技术故障）之和
• 招聘决策： “这名候选人干不好的风险”显得比逐项列出时小：绩效问题、文化契合问题、留任风险、技能缺口
• 战略规划： 企业笼统考虑竞争威胁时，会比拆解成具体竞争对手行动时更低估这些威胁
• 合规： “法律风险”显得比逐项列出监管违规、合同纠纷、劳动诉讼和知识产权侵权时小

4.3. 在商业与营销中

企业如何利用这种偏差：

• 保险销售： 代理人把保障范围拆解成具体场景（火灾、洪水、盗窃、责任），以提高感知价值和支付意愿
• 安防系统： 营销强调具体的入室盗窃场景，而不是笼统的“保护”
• 药品广告： 药品广告列出能缓解的具体症状，而不是笼统的“健康”
• 延保服务： 零售商逐一列出具体故障模式（屏幕碎裂、电池故障、进水），以提高感知风险

消费者行为模式：

• 消费者为拆解后的风险保障支付的钱，多于为综合性“全险”保单支付的钱
• 具体的产品缺陷警示比笼统的“质量问题”更让人担心
• 提到具体情景的详细退货政策显得更全面

4.4. 在政治与媒体中

• 制造恐慌： 政客把模糊的威胁拆解成生动的场景，以提高人们感知到的危险
• 媒体报道： 详细的犯罪报道使人们感知到的犯罪普遍程度超出统计现实
• 竞选宣传： 具体的政策失败场景比笼统的警告更有说服力
• 两极分化： 双方都把对方政策的后果拆解成吓人的具体细节
• 政策支持： 当笼统的问题被拆解为影响具体、可识别的群体时，人们对采取行动的支持会上升

4.5. 在医疗保健中

诊断层面的影响：

• 医生低估未明确列入鉴别诊断的诊断的概率
• “残余”或“其他”类别得到的概率权重不足
• 罕见病一直被“打包”在兜底类别里，从而被系统性漏诊

医患沟通：

• 拿到拆解后风险清单的患者，感知到的总体风险更高
• 在知情同意谈话中逐一列举具体并发症，会增加焦虑
• 治疗依从性受风险呈现方式（打包还是拆解）的影响

治疗规划：

• 笼统的“可能出现副作用”警示，不如逐项列出的清单有冲击力
• 拆解后的症状描述会影响诊断分诊决策

4.6. 在金融与投资中

• 风险评估： 投资者对“市场风险”的估计，低于具体风险因素（利率、地缘政治事件、业绩意外、监管变化）之和
• 投资组合构建： 笼统的“分散化”被看得不如针对具体命名的事件类型的保障有价值
• 保险定价： 当捆绑保障在消费者眼中的价值低于各项具体保障之和时，次加和效应就会给定价带来难题
• 庄家优势： 体育博彩市场表现出次加和性（即“超额赔率”）：所有结果的隐含概率之和超过 1.0，保证了庄家盈利

5. 真实案例研究

案例研究 1：9/11 情报失误

• 背景： 2001 年 9 月之前，美国情报机构评估了恐怖主义威胁，包括与航空有关的袭击。
• 经过： 当时关于“航空威胁”的主流思维模型是为索要赎金而劫机或炸毁航班。“劫持飞机当作导弹撞向建筑物”这一具体假设，一直被打包在更大的类别里。
• 偏差的作用： 由于自杀式飞行员袭击从未在威胁评估中被明确拆解出来，这一假设得到的支持和资源微乎其微。“凤凰城备忘录”（FBI 关于可疑航校学员的备忘录）没有一个拆解出来的假设可以支持。
• 后果： 9/11 委员会将其定性为“想象力的失败”。这是一次拆解的失败。本该促使人们行动的证据没有被认出来，因为它所支持的假设从来没有被明确提出过。
• 教训： 情报机构必须系统地把威胁类别拆解成具体场景。结构化分析技术现在要求明确考虑其他袭击方式。

案例研究 2：O.J. 辛普森案的辩护策略

• 背景： 检方提出了一个“打包”的有罪叙事：动机 + 机会 + DNA 证据 = 有罪。
• 经过： 辩方系统地把“合理怀疑”拆解成具体、生动的场景：警方无能、警方腐败（Mark Fuhrman）、贩毒集团仇杀、DNA 污染。
• 偏差的作用： 尽管辩方的每个场景单独看概率可能都很低，但这些拆解出来的替代解释所得到的支持之和，压倒了检方打包的叙事。辩方实际上把次加和效应变成了武器。
• 后果： 无罪释放。研究证实，当“其他嫌疑人”被拆解为具体个人时，模拟陪审员给出的有罪概率更低。
• 教训： 法律策略可以有意利用认知偏差。检方必须预料到辩方会拆解，并用自己详细的叙事结构来反击。

历史实例：挑战者号航天飞机灾难

NASA 管理层把“发射风险”看作一个整体的、可控的东西。二十四次成功的任务造成了一种打包的安全印象。Morton Thiokol 公司的工程师知道那个具体的失效模式（低温下 O 型圈受侵蚀），但它没能被成功拆解并送进高层决策。

在最终的“发射/不发射”表决中，具体的因果链（低温 → O 型圈变硬 → 燃气窜漏 → 爆炸）没有被当作一个独立的假设。未知失效模式这一“残余”类别被低估了。

事故后的分析揭示了悬殊的概率差距：

• 管理层估计的失效概率：十万分之一
• 一线工程师的估计：百分之一

这一千倍的差距说明，拆解技术细节与只看打包的“整体”，会得出根本不同的风险评估。如果 O 型圈这一具体失效模式在决策过程中被明确拆解出来并加以权衡，这场灾难也许可以避免。

6. 这种偏差的代价

6.1. 个人代价

• 准备不足： 人们以打包形式考虑人生风险时会低估其总和，导致保险、储蓄或应急计划不足
• 忽视健康： 笼统的“健康隐患”被置之不理，而具体的症状会促使人们采取行动
• 错过威胁： 感情问题、财务风险和人身安全威胁在被拆解之前一直被低估
• 决策质量差： 人生决策（职业、感情、居住地）建立在被低估的风险总和之上

6.2. 职业代价

• 项目失败： 总体风险被低估，导致应急储备不足
• 职业受挫： 没有拆解“可能出什么错”的专业人士，会被可预见的问题打个措手不及
• 诊断错误： 医生漏掉不在鉴别诊断清单上的诊断
• 情报失误： 分析师忽视没有被明确列为假设的威胁
• 财务损失： 投资者对自己没能拆解的风险对冲不足

6.3. 社会代价

• 政策失灵： 笼统的风险类别得不到足够重视，直到具体的灾难发生
• 基础设施脆弱： “系统故障”风险相对于逐项列出的失效模式被低估
• 公共卫生： 当风险被打包进笼统的“疾病暴发”类别时，大流行防范就会不足
• 国家安全： 威胁假设一直处于打包状态时，就会出现情报失误

6.4. 统计影响

研究结果对次加和效应做了量化：

• 15 个百分点： 拆解条件相比打包条件的平均概率膨胀（Tversky & Koehler, 1994）
• >200%： 各支 NBA 球队的概率之和（本应为 100%）（Fox & Tversky, 1998）
• 1,000 倍： NASA 管理层与工程师对失效概率估计的差距（罗杰斯委员会）
• 庄家的超额赔率通常在 10-30% 之间，利用次加和效应保证盈利

7. 隐藏的益处

并非所有偏差都纯属负面，有些也有用处

• 认知效率： 打包表征为眼前的挑战节省心理资源；把一切都拆开，计算量会大到无法承受
• 行动导向： 在时间紧迫的情况下，笼统的类别能让人更快做出决定
• 焦虑管理： 打包的风险在心理上比完整列举的威胁更容易应对
• 沟通效率： 谈“失败的风险”比谈每一种具体失效模式容易
• 适应性警惕： 当拆解真的发生时（通过显著性或明确描述），它会恰当地提高对真实威胁的关注

权衡： 当快速、近似的判断已经够用、不准确的代价又低时，这种偏差对我们有好处。在需要准确评估概率的高风险领域，例如医学、情报、工程和金融，它就成了问题。

为什么消除它并不可取： 完全消除它，需要为所有可能事件维持详尽的概率分布。这在认知上做不到，对大多数日常决策来说实际上也没有必要。

8. 自我评估：你是否存在这种偏差？

8.1. 预警信号清单

• 你估计项目时间或预算时，常常笼统地考虑“事情一般要花多少时间或钱”，而不是逐项列出具体任务
• 你会对那些“事后看来很明显”的负面结果感到意外
• 当有人列出具体的失败场景时，你的风险估计会大幅上升
• 在被迫列出来之前，你会低估有多少事情可能出错
• 你不理会笼统的警告（“小心点”），却会对具体的警告（“注意桥上结冰”）做出反应
• 你的计划很少包含针对具体失效模式的应急措施
• 比起“生病”，你更担心有名称的具体疾病
• 你觉得详细的灾难场景比关于总体风险的统计数据可怕得多
• 你因为没有逐项列出具体开支而低估成本
• 你常常被“兜底”类别（“其他开支”“杂项风险”）里的问题打个措手不及

评分标准：

• 勾选 0-2 项：易感性低
• 勾选 3-5 项：易感性中等
• 勾选 6-8 项：易感性高
• 勾选 9-10 项：易感性很高

8.2. 自我反思问题

1. 有没有哪件“不该发生”的事，回头看时，只要你当初列出具体风险，就完全可以预料？
2. 当你强迫自己逐项列出具体场景，而不是用笼统的类别思考时，你的风险估计会怎样变化？
3. 在哪些领域，你依赖兜底类别（“其他”“杂项”“其余一切”）而不去拆解它们？
4. 你的项目估算或计划有多少时候考虑了具体的失效模式，而不是笼统的“缓冲时间”？
5. 别人是否指出过一些被你忽视的风险，只因为它们不在你明确列出的清单上？

8.3. 快速诊断情景

情景： 你正在筹备明年夏天一场大型户外婚礼。你估计“天气或后勤出问题”的概率大约是 15%。

随后，婚礼策划师请你分别估计以下各项的概率：(a) 仪式期间下雨，(b) 高温严重到需要换场地，(c) 供应商没有到场，(d) 宾客交通出问题，(e) 其他后勤问题。

你会如何作答？

• A) “单独看都不太可能。也许每项 5%，加起来大约 25%……等等，这比我最初的 15% 还高。” → 易感性高（典型的次加和效应）
• B) “我想想……下雨 10%，高温 8%，供应商 5%，交通 7%，其他 10%。这就 40% 了！我最初的估计低太多了。” → 易感性中等（在提示下你发现了问题）
• C) “我应该系统地拆解。我用结构化的方法，确保总体估计与各部分一致。” → 易感性低（你意识到需要结构化评估）

9. 在他人身上识别这种偏差

9.1. 行为指标

• 随口否定风险： 没有具体分析就说“不会有事的”
• 对失败感到意外： 对那些一拆解就能预见的结果表示震惊
• 依赖兜底类别： 计划里大量使用“其他”“杂项”或“等等”
• 抗拒逐项列出： 被要求拆分整体估计时感到不自在
• 细节越多越焦虑： 具体场景被一一列出时明显担心起来

9.2. 对话中的危险信号

受这种偏差影响时，人们常说的话：

• “这种事发生的几率能有多大？”（针对他们没有考虑过的具体事件）
• “我没想到还有这种具体情况”
• “总体风险很低”（没有拆解各个组成部分）
• “主要风险我们都考虑到了”（没有审视残余类别）
• “这太具体了，不值得担心”

他们常提出的论点：

• 凭整体直觉而不是分项分析就否定总体风险
• 不加审视就把“其他”类别当作可以忽略

他们回避提出的问题：

• “具体有哪些事情可能出错？”
• “我们的‘其余一切’类别里有什么？”
• “我们明确考虑过其他假设吗？”

9.3. 情境触发因素

• 时间压力： 匆忙时，人们依赖打包的整体估计
• 认知负荷： 多项任务同时压来，会降低拆解的能力
• 自信/专长： 矛盾的是，专家可能会凭经验把假设打包
• 复杂性： 高度复杂的领域容易引发打包式简化
• 情绪利害： 高度焦虑的情境会让人依赖笼统的类别来获得心理安慰

10. 认知去偏策略

10.1. 即时技巧

• 强制拆解： 在估计概率之前，明确列出至少 5-10 个具体场景
• 检查残余项： 问自己“我的‘其他’类别里有什么？”，然后把它拆开
• 事前验尸分析： 设想失败已经发生，倒推找出具体原因
• 魔鬼代言人： 指定一个人来列举其他假设
• 概率审计： 拆解之后，检查你的各项估计加起来是否构成一个一致的总和

10.2. 长期策略

• 制定清单： 针对特定领域建立失效模式清单，以便系统地考虑
• 练习结构化分析： 学习竞争性假设分析法（ACH）等技术
• 研究基础概率： 了解你所在领域中事件的实际频率，用来校准直觉
• 采用情景规划： 把明确地生成情景变成一种常规做法
• 培养认知谦逊： 认识到你打包的估计存在系统性偏差

10.3. 环境设计

• 把拆解制度化： 在组织流程中要求逐项的风险评估
• 使用模板： 设计必须列举具体场景的表单
• 决策审查委员会： 设立专门质疑打包估计的委员会
• 信息系统： 设计呈现分项风险数据的数据库和报告
• 激励机制： 奖励识别具体风险的行为，而不只是笼统的警惕

10.4. 何时寻求外部帮助

• 高风险决策： 重大投资、医疗决定、战略选择
• 陌生领域： 你缺乏具体失效模式经验的领域
• 当“其他”很大时： 如果你的残余类别看起来不小，就请专家帮忙拆解
• 出乎意料之后： 如果某个结果让你意外，请别人帮你找出你漏掉了什么
• 做一致性检查时： 请别人核实你的概率估计加起来是否合理

11. 实践练习

练习 1：事前验尸式拆解

• 目标： 培养在失败发生之前识别具体失效模式的能力
• 所需时间： 20-30 分钟
• 所需材料： 纸、计时器、一项已在计划中的决策或项目
• 难度： 初级
• 步骤：
  1. 选择一项你正在计划的决策、项目或活动
  2. 在纸的顶端写下：“今天是[未来某个日期]。这件事彻底失败了。为什么？”
  3. 设定 10 分钟计时，列出你能想到的每一个具体失败原因
  4. 把这些原因归成几类
  5. 对每一类，估计其中至少有一项发生的概率
  6. 把估计值加起来，与你最初对“失败风险”的整体直觉相比较
• 反思问题：
  • 拆解之后，你对总体风险的估计发生了怎样的变化？
  • 你一开始忽视了哪些类别？
  • 哪些具体场景让你感到意外？
• 频率： 每次重大决策或项目之前

练习 2：残余项审计

• 目标： 训练对兜底类别的系统关注
• 所需时间： 15 分钟
• 所需材料： 一份近期的、含有“其他”类别的预算、计划或风险评估
• 难度： 中级
• 步骤：
  1. 找一份你用过兜底类别（杂项开支、其他风险等）的文件
  2. 列出至少 10 个可能属于该类别的具体项目
  3. 估计每个具体项目的概率或规模
  4. 把这些估计加起来，与你最初给“其他”的分配相比较
  5. 根据这番分析修订你的整体估计
• 反思问题：
  • 拆解使你的估计变化了多少倍？
  • 你习惯塞进“其他”里的东西有什么规律？
  • 今后你会怎样处理残余类别？
• 频率： 每周审查一个“其他”类别

练习 3：概率一致性检查

• 目标： 培养对可加性约束的意识
• 所需时间： 15 分钟
• 所需材料： 纸、计算器
• 难度： 高级
• 步骤：
  1. 选择一个领域（体育、政治、天气、个人生活）
  2. 找出一个结果互斥且穷尽的事件
  3. 分别独立估计每个结果的概率
  4. 把估计值加起来；总和应当等于 100%
  5. 如果超过 100%，重新分配，使之一致
  6. 反思你最愿意修改哪些估计
• 反思问题：
  • 你最初的估计超出 100% 多少？
  • 这说明了你的概率直觉的什么问题？
  • 强制保持一致如何改变了你的思考？
• 频率： 每周

日常练习

拆解暂停： 在做出任何重要的估计或决定之前，停下 60 秒，列出至少三个可能影响结果的具体场景。

• 建议时长：每个决定 1 分钟
• 最佳时间：全天，每当需要做决定时
• 如何追踪进展：在日志中记录最初的整体估计与拆解后评估之间的差别

每周挑战

假设清单： 每周选一个生活领域（健康、财务、职业、人际关系），列出至少 20 件可能出错的具体事情，并附上概率估计。

• 坚持 4 周后的预期结果：对总体风险的直觉更加校准；面对负面事件时较少感到意外；应急计划更稳健
• 反思日志提示：
  • 我在哪些领域长期拆解不足？
  • 我的风险感知发生了怎样的变化？
  • 不同领域之间出现了哪些共同规律？

12. 针对特定人群

致领导者与管理者

• 战略规划： 要求所有风险评估都明确列举情景
• 团队会议： 在重大举措之前，训练团队进行事前验尸分析
• 决策流程： 对复杂决策采用结构化技术（如 ACH）
• 资源分配： 质疑打包的资源类别，要求逐项列出
• 绩效评估： 评估员工预见具体挑战的能力，而不只是笼统的警惕
• 组织学习： 失败之后，开展根本原因分析，拆解出当初漏掉了什么

致家长与教育者

教孩子认识次加和效应：

• 用具体的例子：“有哪些事情可能让你上学迟到？”对比“你会不会迟到？”
• 玩需要拆解并核对总和的估算游戏
• 做家庭决策时，把结构化的思考过程说出来，给孩子做示范
• 为旅行、活动和各种计划制定家庭清单

适合不同年龄的解释：

• 年幼的孩子：“当我们把可能发生的每件事都想一遍，就会发现比一开始想的要多。”
• 青少年：“我们的大脑会走捷径，笼统地想问题时，就会低估风险。”
• 活动：需要逐项列出的计划练习；概率游戏

致医疗专业人员

• 鉴别诊断： 始终拆解“其他”类别；明确考虑最初没有列出的诊断
• 医患沟通： 注意拆解后的风险清单会增加患者焦虑；在详尽与安抚之间取得平衡
• 医疗差错： 认识到未列出的诊断会被系统性地低估权重
• 决策支持： 使用诊断清单，迫使自己考虑更广泛的假设
• 知情同意： 合理安排谈话结构，恰当地呈现打包和拆解两种风险信息

致金融专业人士

• 风险评估： 要求客户列举具体的财务风险，而不只是“市场风险”
• 投资组合构建： 针对识别出的具体风险设计投资组合，而不是笼统地分散化
• 保险产品： 帮助客户理解，由于次加和效应，捆绑保障可能会让人觉得不那么有价值
• 客户教育： 解释拆解风险会如何改变感知，以及一致的评估为什么重要
• 尽职调查： 制定清单，迫使投资分析中的“其余一切”类别被拆解

13. 与其他偏差的相互作用

放大这种偏差的偏差

抵消这种偏差的偏差

常见偏差链

自满级联： 过度自信效应 → 次加和效应（把风险打包进“不太可能”的类别）→ 确认偏误（忽视支持被打包假设的证据）→ 对可预见的失败感到意外 → 后视偏差（“本该很明显”）

解释： 自信的时候，我们会把风险打包进笼统的类别，这些类别几乎得不到概率权重。接着，确认偏误使我们注意不到那些本可支持拆解后其他可能性的证据。失败发生了，后视偏差又让我们相信那个具体的失败原本很明显，尽管正是我们的打包表征让我们看不到它。

打断级联： 尽早强制拆解；指定魔鬼代言人来生成具体场景；要求对照所有假设评估证据，而不只是受青睐的那些。

14. 文化视角

关于支持理论的跨文化研究有限，但已经出现了几种规律：

普遍的方面：

• 次加和效应背后的记忆提取机制似乎是人类普遍的认知特性
• 基本的拆解效应在西方和亚洲样本中都得到了重复（Takemura，日本）

文化差异：

• 强调整体思维的文化，在类别如何被自然“打包”上可能表现出不同的模式
• 风险沟通规范各不相同：有些文化偏好明确列举，另一些则使用含蓄的沟通

对跨文化互动的启示：

• 风险沟通策略应考虑各文化在明确列举与含蓄表达上的规范
• 多元文化团队可能会从多样的拆解倾向中受益
• 跨国组织需要针对不同文化调整结构化分析技术的培训

15. 迷思与误解

16. 专家洞见

Tversky 和 Koehler 提出，主观概率依附于对事件的描述，因此把一个假设拆解成各个组成部分，往往会提高它的主观概率，尽管外延性原则认为不应如此。 — 概述自 Tversky & Koehler，“Support theory: A nonextensional representation of subjective probability”，Psychological Review 101(4)（1994），pp. 547-567 https://doi.org/10.1037/0033-295X.101.4.547

Rottenstreich 和 Tversky 扩展了支持理论，表明把一个类别拆解为各个部分会提高它的主观概率，而且这些判断会受到对未拆解整体描述的锚定影响。 — 概述自 Rottenstreich & Tversky，“Unpacking, repacking, and anchoring: Advances in support theory”，Psychological Review 104(2)（1997），pp. 406-415 https://doi.org/10.1037/0033-295X.104.2.406

9/11 委员会把政府在袭击发生前的核心失误归结为想象力的缺失，后来的分析者则将其解读为这样一个案例：某种具体的袭击情景从未被明确列为需要权衡的假设。 — 概述自《9/11 委员会报告》（2004），第 11 章“Foresight and Hindsight”

Peter Ayton 分析了庄家的赔率，发现它们符合支持理论的预测：为各个单独结果报出的赔率所隐含的概率之和远远大于 1，市场容忍这种模式，并从中获利。 — 概述自 Ayton，“How to be incoherent and seductive: Bookmakers' odds and support theory”，Organizational Behavior and Human Decision Processes 72(1)（1997），pp. 99-115 https://doi.org/10.1006/obhd.1997.2732

Mandel 及其合作者表明，可以事后用一种算法改进预测：该算法调整人们的概率估计，直到它们符合概率公理，而不是指望预测者自己做到前后一致。 — 概述自 Karvetski, Olson, Mandel & Twardy，“Probabilistic coherence weighting for optimizing expert forecasts”，Decision Analysis 10(4)（2013），pp. 305-326 https://doi.org/10.1287/deca.2013.0279

17. 关键要点

1. 细节孕育信念： 我们对可能性的描述越具体，它们看起来就越可能，即便逻辑上不该如此。

2. 概率依附于描述，而非事件： 我们如何表述一个结果，会从根本上改变我们对其可能性的评估。

3. 专长无法提供保护： 医生、情报分析师和体育专家都表现出次加和效应。

4. 现实后果严重： 从挑战者号灾难到 9/11，再到司法判决，没有拆解曾经让人付出生命，也扭曲了司法。

5. 残余类别被低估： 留在“其他”或“以上皆非”里的东西，得到的概率权重不足。

6. 结构性干预有效： 清单、强制一致和聚合算法比单纯的意识更能减少次加和效应。

7. 这是一种取舍： 这种偏差在低风险情境中带来认知效率，但在需要准确评估风险的高风险领域就变得危险。

18. 延伸资源

学术论文

• Tversky, A., & Koehler, D. J. (1994). Support theory: A nonextensional representation of subjective probability. Psychological Review, 101(4), 547-567. https://doi.org/10.1037/0033-295x.101.4.547
• Fox, C. R., & Tversky, A. (1998). A belief-based account of decision under uncertainty. Management Science, 44(7), 879-895. https://doi.org/10.1287/mnsc.44.7.879
• Redelmeier, D. A., Koehler, D. J., Liberman, V., & Tversky, A. (1995). Probability judgement in medicine: Discounting unspecified possibilities. Medical Decision Making, 15(3), 227-230. https://doi.org/10.1177/0272989x9501500305
• Bearden, J. N., Wallsten, T. S., & Fox, C. R. (2007). Contrasting stochastic and support theory accounts of subadditivity. Journal of Mathematical Psychology, 51(4), 229-241. https://doi.org/10.1016/j.jmp.2007.04.001
• Hill, K. A. (2012). Cognition in the woods: Biases in probability judgments by search and rescue planners. Judgment and Decision Making, 7(4), 488-498. https://doi.org/10.1017/s1930297500002825
• Sloman, S., Rottenstreich, Y., Wisniewski, E., Hadjichristidis, C., & Fox, C. R. (2004). Typical versus atypical unpacking and superadditive probability judgment. Journal of Experimental Psychology: Learning, Memory, and Cognition, 30(3), 573-582. https://doi.org/10.1037/0278-7393.30.3.573
• Thomas, R. P., Dougherty, M. R., Sprenger, A. M., & Harbison, J. I. (2008). Diagnostic hypothesis generation and human judgment. Psychological Review, 115(1), 155-185. https://doi.org/10.1037/0033-295x.115.1.155

书籍

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Gilovich, T., Griffin, D., & Kahneman, D. (Eds.). (2002). Heuristics and Biases: The Psychology of Intuitive Judgment. Cambridge University Press. https://doi.org/10.1017/cbo9780511808098
• Heuer, R. J. (1999). Psychology of Intelligence Analysis. Center for the Study of Intelligence.

书籍章节

• Koehler, D. J. (2000). Explanation, imagination, and confidence in judgment. In D. Griffin, D. J. Koehler, & N. Harvey (Eds.), Blackwell Handbook of Judgment and Decision Making (pp. 499-519). Blackwell Publishing.

19. 总结卡片

适合打印或快速查阅的单页视觉摘要

20. 术语表

21. 讨论问题

供读书会、课堂或自我反思使用：

1. 想一个你做过的、带来了意外负面结果的重大决定。回头看，出问题的那个场景在你的评估中是不是一直处于“打包”状态？拆解可能会怎样改变你的决定？

2. 媒体和政治传播如何利用次加和效应？你能找出近期把笼统的威胁拆解成生动场景、以提高感知风险的例子吗？

3. 次加和效应在哪些方面可能是适应性的？有没有哪些情境，保持打包表征对我们有好处？

4. 高风险领域（医学、情报、工程）的专业人士，应该如何在详尽拆解的认知成本与让假设保持打包的风险之间取得平衡？

5. 想想 O.J. 辛普森案的案例研究。辩方利用拆解来制造合理怀疑，在伦理上有问题，还是正当的辩护？法律体系应当如何考虑这些认知效应？

最后更新：7 十一月 2026