进阶书系-分类思维：不确定情境中合理决策的科学与艺术（德国马克斯·普朗克人类发展研究所研究成果，如何在时间紧迫、信息有限_［希］康斯坦丁诺斯·V.卡齐科普洛斯［土］奥祖尔希姆谢克［德］马库斯·巴克曼［德］格尔德·吉仁泽_9787519297282

万米高空正在飞行的飞机遇到突发情况，驾驶员如何快速制订几种应对方案并进行选择？

多人车祸现场救护人员如何将受伤人员进行等级分类从而能使救护工作最优化？

医护人员如何根据有限的线索判断患者是否心脏病发作而将其安排进重症室？

现实生活中，我们无法在掌握全部信息后进行从容的分析与决策，总是在时间有限甚至紧迫、信息有限甚至匮乏的情形下做出抉择，各种启发式和惯性思维决定了我们的大多数判断和决策。那么，这些基于启发式和惯性思维的分类和决策是否科学？四位德国马克斯·普朗克人类发展研究所成员给出了肯定的回答。

作者从认知心理学角度对分类思维进行了探讨，将心理学研究中的分类规则扩展到充满不确定性的现实决策中，阐释了简单、快捷、清晰的快速节俭分类法和快速节俭树构建法，并展示它们在医疗、司法、军事、金融监管等领域的应用。

本书对于在突发事件中需要快速做出合理应对的公共管理者、企业管理人员具有极强指导作用，对于希望提高自己生活和工作中的选择能力的一般读者也有很大启发意义。

引言：为什么研究现实情境中的分类

对确定性的需求是人类的天性，然而，这也是人类智慧的缺点。如果你要在某个未知天气的日子带孩子们野餐，他们会让你就那天究竟是天气晴朗还是下雨给出武断的答案，当你不能确定时，他们会对你感到失望。

伯特兰·罗素

想要将某个人归入某一类别（朋友或敌人；值得信任或不值得信任）是人类与生俱来的天性，这种渴求为智力发展提供了基础。如果我们不去构成类别，我们就只能注意到个例，而触及不到任何总体性的思考。然而，我们是如何进行分类的呢？以及我们应该如何进行分类呢？

心理学家倾向于关注那些明确的环境，在那样的环境中，待被分类的所有实体，其所有特征（包括概率）都是确定的。为了实现实验控制的目标，典型的实验室实验需要人们将一些人造物体（如颜色、大小各不相同的圆形和三角形）进行分类，即根据精确已知、数目固定的几个维度进行分类。

与此相反，本书离开了实验室的确定性，而着眼于现实中根本的不确定性。与典型的心理实验不同，现实情境指的是现实世界的环境，在这样的环境中，未来是不可知的，而且不确定性不能有意义地简化为概率。这种不确定性并不必然适用于所有现实世界的环境，例如赌场里的玩家是可以计算出获胜概率的。然而，在大多数其他情况下，不确定性普遍存在，无论是选择应该投资的金融产品还是选择最合适的结婚对象。现代贝叶斯决策理论之父吉米萨维奇（Jimmie Savage）认为，即使是计划野餐这样的事情也不在他的理论范围内，因为人们无法提前知道所有可能发生的事件。我们可能首先就无法获得与事件相关的信息，甚至这些信息每天都在变化。这提出了一个问题，即现实情境中的分类是否能够在实际上基于科学，对此我们的回答是肯定的。本书介绍了一些精确的、正式的分类模型，在应用心理学其他一些有趣且有用的研究中，我们通常看不到这些分类模型的身影。正如我们将看到的，这些正规的模型与从业者们的专业知识很好地结合在了一起。

机器学习的研究人员也研究分类问题。为应对实验室实验之外的复杂情况，他们已经开发出了神经网络和随机森林等工具。这些工具能够应对复杂性和不确定性，不过它们通常并不透明。例如，当基于这些工具搭建的系统用于资金问题或应用于法庭时，贷款申请人和被告人通常弄不明白，为什么他们会被归类为不可信的那类人，有的贷款申请被拒，有的不准予以保释。在大多数情况下，此类系统不仅对银行、法官不透明，对创造它们的工程师来说，也是不透明的。

本书致力于提高不确定性环境中的透明度，为读者提供了易于理解、记忆、教授和执行的工具。这些工具让相关从业者可以在手边没有花哨的机器学习程序时（例如身处事故现场或自杀式袭击现场）做出快速而准确的决策。本书还认为机器学习应首先构建透明的算法，而不是事后再去试图解释不透明的算法。

认知心理学和机器学习之间存在着另一个深刻的区别。心理学主要是描述性的，它回答人们实际上是如何进行分类的问题，而机器学习是规范性的，它回答的是人们应该如何进行分类的问题。本书整合了是和应该这两个方面，我们关注一些启发式，这些启发式通常既具有描述性又具有规范性，也就是说，它们描述了有经验的相关从业者实际都做了什么事情，同时还对相关从业者可以如何改进工作实践提出了建议。

我们在本书中呈现的分类工具属于有限理性的范畴，有限理性这个术语是由赫伯特·西蒙（Herbert Simon）在20世纪50年代创造，他是人工智能的创始人之一，也是认知革命的先驱之一。有限理性的现代研究在西蒙的传统中就是快速节俭启发式程序，我们呈现的这些分类工具正是基于此程序。快速节俭启发式是对认知心理学和机器学习中现有模型的有益补充，使人们可以在不确定性环境中进行快速、透明和准确的分类。

本书为认知心理学和机器学习的相遇提供了一个接触点，展示了如何将心理学的分类研究扩展到不确定的现实世界中，还展示了如何从最初的认知原则（人类计数和排序的能力）中推导出简单、准确的分类规则。此外，本书有助于实现可解释化的机器学习。快速节俭的分类规则很容易理解和应用。

在本书中，我们提出了两个关键论点：

简单规则在现实情境中表现良好。在国际象棋、围棋或人脸识别等稳定的情况下，如果有大量数据可用，复杂算法的表现优于快速节俭启发式。相比之下，在现实情境中，未来是不确定的，而且未来可能以一种不可预测的方式不同于过去，无论可用数据规模是大是小，简单的启发式都可以胜过复杂的方法，我们称此为不稳定世界原则。

透明度是一个关键值。我们的生活越来越受到算法的影响，这些算法根据公民的信誉、健康状况以及社会和政治态度对其进行分类，其底层逻辑通常是不透明的，无论这是算法固有的不透明属性还是出于保护商业秘密的宗旨。而另一方面，快速节俭启发式从设计上就是透明的。在健康、财富和司法等敏感领域，理解算法的能力对于身处参与性民主制度的公民来说是必不可少的。不同于机器学习部分的共识，即假设最准确的算法一定既是本质上复杂的又是不可解释的，我们表明，透明的算法通常与黑匣子模型一样准确，我们称此为透明满足准确原则。

在本书中，我们证实了这两个论点可以一同发挥作用。我们并不是在使用难以理解的复杂算法与使用几乎不准确的简单算法之间做选择。在现实情境中，简单、透明并不是准确的对立面。

你还可能感兴趣

我要评论