mcpField
G
grad-dual-process

grad-dual-process

github.com/asgard-ai-platform生产力24335 次安装21 周前更新
代码仓库

关于 grad-dual-process

面向研究者与实践者的双过程理论决策分析技能,可分类决策情境、识别启发式风险,并提出调整决策环境的方法。

主要功能

  1. 01分类决策环境
  2. 02梳理启发式与偏差风险
  3. 03提出减少偏差的干预
  4. 04判断直觉何时可能有用

适用场景

  1. 01审视时间压力下的决策
  2. 02审计流程中的启发式风险
  3. 03设计清单或选择环境

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/asgard-ai-platform/skills --skill grad-dual-process

安装后在 Claude Code 中输入/grad-dual-process确认已加载。

附带文件examples/sample_scenario.md

详细介绍

双重加工理论

概述

双重加工理论(Kahneman,2011;Stanovich 和 West,2000)区分了两种认知加工模式:系统 1(快速、自动、由启发式驱动)和系统 2(缓慢、审慎、基于规则)。大多数判断默认采用系统 1,这种模式效率高,但启发式失效时容易产生系统性偏差。

适用场景

  • 解释利益相关者为何会在时间紧迫或情况复杂时犯下可预测的判断错误
  • 设计决策环境(助推、检查清单),弥补系统 1 的默认倾向
  • 审查现有流程,找出启发式捷径可能带来风险的环节
  • 评估直觉判断何时可靠、何时会产生误导

不适用场景

  • 决策已由结构完善的算法流程规范时(偏差已从流程中消除)
  • 以此为借口否定所有直觉判断——在效度高的环境中,专家直觉可能是准确的
  • 问题源于动机而非认知时(人们知道正确答案,却选择了其他做法)

假设

IRON LAW: System 1 operates by DEFAULT — System 2 engagement
requires cognitive effort and is easily depleted. Under time
pressure, cognitive load, or ego depletion, System 1 dominates
and heuristic biases amplify.

关键假设:

  1. 系统 1 和系统 2 是对加工模式的比喻,并非彼此独立的脑系统
  2. 启发式通常具有适应性——偏差会在特定边界条件下出现
  3. 系统 2 可以覆盖系统 1,但只有在收到提示且认知资源充足时才能做到

方法论

步骤 1 — 确定判断或决策情境

描述决策情况:时间压力、复杂度、熟悉程度、利害关系、情绪投入。

步骤 2 — 判断加工模式
特征系统 1系统 2
速度快速、自动缓慢、费力
意识状态无意识有意识
容量高(并行)低(串行)
依据启发式、联想规则、逻辑
错误类型系统性偏差计算错误
触发因素默认、熟悉新颖性、冲突检测
步骤 3 — 梳理相关启发式和偏差

常见的系统 1 启发式及其失效模式:

  • 可得性:根据回忆的容易程度判断频率——容易受到显著性和近期性的影响
  • 代表性:根据相似性判断概率——忽略基准率
  • 锚定:以初始值为基础,通过调整进行估算——调整不足
  • 情感:根据情绪反应判断风险/收益——忽视统计证据
步骤 4 — 设计干预措施
  • 减少偏差:放慢决策速度,要求明确说明理由,使用事前验尸分析
  • 助推:重构选择架构,使系统 1 的默认倾向与期望结果保持一致
  • 利用优势:在效度高、反馈快速的领域发挥系统 1 的优势(模式识别)

输出格式

## Dual-Process Analysis: [Context]

### Decision Environment
- Time pressure: [High/Medium/Low]
- Complexity: [High/Medium/Low]
- Emotional involvement: [High/Medium/Low]
- Dominant processing: [System 1 / System 2 / Mixed]

### Heuristic-Bias Map
| Heuristic | Bias Triggered | Evidence | Risk Level |
|-----------|---------------|----------|------------|
| [heuristic] | [bias] | [observation] | [High/Med/Low] |

### Intervention Design
1. [De-biasing or nudge strategy]
2. [Process change]
3. [Environmental redesign]

注意事项

  • 系统 1/系统 2 是有用的比喻,并非真实的脑部架构——避免将这种区分实体化
  • 在反馈明确、模式规律的领域(例如国际象棋、消防),专家直觉(系统 1)非常准确
  • 减少偏差的培训难以迁移到其他场景——改变环境比培训个人更有效
  • 认知耗竭的影响仍有争议;不要假设存在简单的“意志力电池”模型
  • 系统 2 并非天然“更好”——它速度更慢、成本更高,也仍会受到动机性推理的影响
  • 人们常常混淆信心与准确性;系统 1 的高信心并不代表判断正确

参考资料

  • Kahneman,D.(2011)。思考,快与慢。Farrar, Straus and Giroux。
  • Stanovich,K. E. 和 West,R. F.(2000)。《推理中的个体差异:对理性争论的启示》。Behavioral and Brain Sciences,23(5),645-665。
  • Tversky,A. 和 Kahneman,D.(1974)。《不确定性下的判断:启发式与偏差》。Science,185(4157),1124-1131。

评论

支持 Markdown