Cognitive Biases Academy
ZH
登录
主菜单
所有偏差
课程
关于
ZH
(Chinese (Simplified))
登录
→
Cognitive Biases Academy
关闭菜单
所有偏差
课程
关于
ZH (Chinese (Simplified))
登录
首页
我们该记住什么?
38 分类下的偏差
我们该记住什么?
决定我们保留哪些记忆、简化或修改哪些记忆,以及悄悄丢弃哪些记忆(往往未察觉到变化)的认知偏差。
探索偏差
深入了解
所有偏差
记忆的储存方式取决于我们当时如何经历它
加工水平效应
我们对在深层、更有意义的水平上处理过的信息,比对浅层处理的信息记得更好。
测试效应
当我们通过测试主动检索信息时,比单纯重新学习能更好地记住它。
心不在焉
由于在编码或检索期间缺乏注意力,我们未能记住信息。
轮候效应
轮到自己之前那段时间发生的事,我们往往记不住,因为焦虑或忙着准备。
谷歌效应(数字健忘症)
我们不太可能记住那些可以轻易在网上查到的信息。
舌尖现象
我们感到自己知道某事,却暂时无法从记忆中提取出来。
蔡加尼克效应
我们对未完成或被打断的任务的记忆比对已完成任务的记忆更好。
能力错觉(流畅性错觉)
我们在学习时误把材料带来的熟悉感或顺畅感,当作自己以后能将其记住的程度。
我们把事件和清单浓缩为其关键要素
刺激后缀效应
在列表的末尾添加一个项目会减少对前面项目的回忆,尤其是在听觉记忆中。
系列位置效应
我们对列表开头和结尾的项目记忆最好,对中间的项目记忆最差。
部分列表提示效应
被展示部分列表项目作为线索会损害对剩余项目的回忆。
近因效应
我们对列表中最后呈现的项目的记忆最好。
首因效应
我们对列表中最先呈现的项目的记忆好于中间的项目。
提取诱发遗忘(记忆抑制)
回忆某些记忆,会让相关但未被练习的记忆日后更难提取。
模态效应
当听觉呈现而非视觉呈现时,我们能更好地记住列表的最后几项。
持续时间忽视
我们根据体验的峰值强度和结束时的感觉来评价体验,忽略其持续时间。
列表长度效应
列表越长,我们从中回忆出的项目比例就越小。
错误信息效应
在事件发生后接触到误导性信息,会导致我们对事件的记忆变得不够准确。
削平与锐化
在复述事件时,我们会简化(削平)某些细节,同时强调(锐化)另一些细节。
峰终定律
我们根据在体验中最强烈的时刻和结束时的感受来评价体验,而不是整体体验。
我们舍弃具体细节,归纳出笼统概念
情感褪色偏差
与负面记忆相关的情感比正面记忆相关的情感消退得更快。
偏见(群际偏差)
我们基于个体所属的特定群体而对他们持有先入为主的看法。
隐性偏见(内隐刻板印象)
我们会自动把社会群体与某些特质和态度联系起来,这些联想可能在我们毫无察觉时影响判断。
事后我们会修改并强化某些记忆
间隔效应
当学习被分散到一段时间内而不是集中在一起时,我们能更好地学习和记住信息。
暗示感受性
我们的记忆可能会受到他人(特别是权威人物)的暗示影响而被改变。
虚假记忆
我们记住了从未发生过的事件,或者我们对其记忆与其实际发生的过程大相径庭。
潜隐记忆
我们错误地认为某个记忆是一个新的、独创的想法,忘记了那是从别人那里学来的。
记忆错误归因(来源监控错误)
我们记得内容没错,却记不清它从何而来,把读到的、听到的、想象的和亲身经历的混为一谈。
相比复杂含糊的选项,我们更偏好看起来简单的选项和完整的信息
信息偏见
即使信息不能影响我们的决定或行动,我们仍倾向于寻求这些信息。
押韵即真理效应
我们认为押韵的陈述比不押韵的陈述更真实和准确。
帕金森琐碎定律(自行车棚效应)
我们对琐碎问题给予不成比例的重视,同时忽略了更重要但复杂的问题。
德尔摩效应
我们更有可能在自己已经胜任的领域设定目标,而不是在需要改进的领域。
合取谬误
我们认为两个事件的结合比单独其中一个事件更有可能发生。
奥卡姆剃刀
我们偏爱更简单的解释,它往往是对的,但有时也会让我们否定那个更复杂却真实的解释。
少即是多效应
当单独评判时,我们偏好一个小而完整的选项而非大而不完整的选项(但放在一起评判时则不然)。
席克定律
做出决定的时间随着选择的数量和复杂性的增加而呈对数增加(在用户体验设计中很关键)。
信念偏误
我们根据论点的结论听起来是否真实来评判它,而不是根据其逻辑是否真正成立。
选择过载
超过一定限度后,选项越多反而会让选择变得越困难,并降低我们的满意度,不过这只发生在特定条件下。
选择语言
AF
(Afrikaans)
AR
(العربية)
AZ
(azərbaycanca)
BG
(български)
BN
(বাংলা)
CS
(čeština)
DA
(dansk)
DE
(Deutsch)
EL
(Ελληνικά)
EN
(English)
ES
(español)
ET
(eesti)
FA
(فارسی)
FI
(suomi)
FIL
(Filipino)
FR
(français)
GU
(ગુજરાતી)
HE
(עברית)
HI
(हिन्दी)
HR
(hrvatski)
HU
(magyar)
HY
(Հայերեն)
ID
(Bahasa Indonesia)
IT
(italiano)
JA
(日本語)
KA
(ქართული)
KK
(қазақ тілі)
KM
(ភាសាខ្មែរ)
KN
(ಕನ್ನಡ)
KO
(한국어)
KU
(کوردی)
LO
(ລາວ)
LT
(lietuvių)
LV
(latviešu)
ML
(മലയാളം)
MN
(монгол)
MR
(मराठी)
MS
(Bahasa Melayu)
MY
(မြန်မာဘာသာ)
NB
(Bokmål)
NL
(Nederlands)
NN
(nynorsk)
PA
(ਪੰਜਾਬੀ)
PL
(polski)
PS
(پښتو)
PT
(português)
RO
(română)
RU
(русский)
SI
(සිංහල)
SK
(slovenčina)
SL
(slovenščina)
SR
(Српски)
SV
(svenska)
SW
(Kiswahili)
TA
(தமிழ்)
TE
(తెలుగు)
TG
(тоҷикӣ)
TH
(ไทย)
TL
(Tagalog)
TR
(Türkçe)
UK
(українська)
UR
(اردو)
UZ
(Ўзбек)
VI
(Tiếng Việt)
YUE
(廣州話)
ZH
(简体中文)
取消