scout-mindset-bias-check

侦察心态与偏差检查

目录

• 交互菜单
• 快速参考
• 资源文件

核心原则： 准确描绘现实，而非捍卫某个立场。预测需要诚实面对事实——偏差会系统性地扭曲概率，情感依恋会模糊判断，而动机性推理会导致过度自信。

---

交互菜单

你想做什么？

核心工作流

1. 进行反转测试 - 检查你是否会接受指向相反方向的证据

• 检测动机性推理
• 验证证据标准
• 揭露特殊辩护

2. 检查范围敏感性 - 确保概率随输入按比例变化

• 线性比例测试
• 参考点校准
• 量级评估

3. 测试现状偏差 - 挑战“维持现状”的假设

• 熵原理
• 变化与稳定的能量
• 默认状态反转

4. 审核置信区间 - 验证置信区间的宽度

• 意外测试
• 历史校准
• 过度自信检查

5. 进行全面偏差审核 - 全面扫描偏差

• 所有主要认知偏差
• 系统性检查清单
• 按优先级排序的纠正措施

6. 了解此框架 - 深入了解方法论

• 阅读 侦察者与士兵心态
• 阅读 认知偏差目录
• 阅读 去偏差技巧

7. 退出 - 返回主预测工作流

---

1. 进行反转测试

检查你是否会接受指向相反方向的证据。

Reversal Test Progress:
- [ ] Step 1: State your current conclusion
- [ ] Step 2: Identify supporting evidence
- [ ] Step 3: Reverse the evidence
- [ ] Step 4: Ask "Would I still accept it?"
- [ ] Step 5: Adjust for double standards

步骤 1：陈述你当前的结论

你在预测什么？

• 预测：[事件]
• 概率：[X]%
• 方向：[高/低置信度]

步骤 2：找出支持证据

列出支持你结论的证据。

**示例：**候选人 A 将获胜（75%）

1. 民调显示 A 领先 5%
2. A 的竞选资金更多
3. 专家评论员看好 A
4. A 的辩论评分更高

步骤 3：反转证据

设想相同的证据指向相反的方向。

**反转后：**如果民调显示 B 领先、B 的资金更多、专家看好 B，而且 B 的评分更高，会怎样？

步骤 4：问自己“我还会接受吗？”

关键问题：

如果存在这些反转后的证据，我会将其视为有效证据并改变预测吗？

三种可能的回答：

A）会——我会接受反转后的证据 ✓ 未检测到偏差，继续当前推理

B）不会——我会否定反转后的证据 ⚠ **警告：**动机性推理——当证据支持你时你会接受，而当同等证据不支持你时你会否定（特殊辩护）

C）不确定——我需要再想想 ⚠ **警告：**不对称的证据标准表明你是在为结论找理由，而非进行推理

步骤 5：调整双重标准

如果你的回答是 B 或 C：

**问自己：**为什么我在一个方向上否定这种证据，却在另一个方向上接受它？这是有客观理由，还是我的偏好在作祟？

常见的合理化说法：

• “这个来源有偏见”（只在它持不同意见时这么说）
• “样本量太小”（只针对不利的民调）
• “这是异常数据”（只针对你不喜欢的数据）
• “要结合背景看”（选择性地援引）

纠正方法：

• **选项 1：**完全否定这项证据（如果反转后你不会信任它，现在也别信任它）
• **选项 2：**在两个方向上都接受它（无论方向如何都信任证据）
• **选项 3：**给予适当权重（它或许在两个方向上都只是弱证据）

**概率调整：**如果你发现了双重标准，将概率向 50% 调整 10–15%

**下一步：**返回菜单

---

2. 检查范围敏感性

确保你的概率随量级适当变化。

Scope Sensitivity Progress:
- [ ] Step 1: Identify the variable scale
- [ ] Step 2: Test linear scaling
- [ ] Step 3: Check reference point calibration
- [ ] Step 4: Validate magnitude assessment
- [ ] Step 5: Adjust for scope insensitivity

步骤 1：识别变量的尺度

哪个维度具有量级？

• 人数（100 vs 10,000 vs 1,000,000）
• 金额（$1K vs $100K vs $10M）
• 时长（1 个月 vs 1 年 vs 10 年）

步骤 2：测试线性缩放

线性测试： 将输入加倍，检查影响是否也加倍。

示例：创业公司融资

• 如果融资 $1M：___%
• 如果融资 $10M：___%
• 如果融资 $100M：___%

范围敏感性检查： 概率是否合理地随规模变化？如果变化很小 → 范围不敏感

步骤 3：检查参考点校准

锚定测试： 你是否先采用了一个数字（基准率、他人的预测、整数），却没有充分调整？

解决方法：

• 不参考他人，从头估算概率
• 然后比较并协调差异
• 不要只“折中”——要思考估算结果为何不同

步骤 4：验证量级评估

“1 vs 10 vs 100”测试： 对你的预测，将尺度改变 10 倍。

示例：项目时间线

• 1 个月：P(success) = ___%
• 10 个月：P(success) = ___%
• 100 个月：P(success) = ___%

预期： 概率应显著变化。如果这三项估算的差异都在 10 个百分点以内 → 范围不敏感

步骤 5：调整范围不敏感

问题： 你的情绪系统响应的是类别，而非量级。

解决方法：

方法 1：对数缩放——用对数尺度建立直觉

方法 2：按规模划分参考类别——不要使用“创业公司”作为参考类别。使用“融资 $1M 的创业公司”（成功率 10%）与“融资 $100M 的创业公司”（成功率 60%）

方法 3：显式校准——使用公式：P(success) = base_rate + k × log(amount)

下一步： 返回菜单

---

3. 测试现状偏差

质疑“没有变化”是默认情况这一假设。

Status Quo Bias Progress:
- [ ] Step 1: Identify status quo prediction
- [ ] Step 2: Calculate energy to maintain status quo
- [ ] Step 3: Invert the default
- [ ] Step 4: Apply entropy principle
- [ ] Step 5: Adjust probabilities

步骤 1：识别现状预测

你是否在预测“没有变化”？ 例如：“这一趋势将持续下去”“市场份额将保持不变”“政策不会改变”

由于变化让人觉得有风险，现状预测的概率往往会被高估。

步骤 2：计算维持现状所需的能量

熵原理： 如果没有主动输入能量，系统会趋于混乱。

问题：“要让事情保持不变，需要付出什么努力？”

示例：

• 市场份额： 维持市场份额需要跟上竞争对手的创新 → 所需能量：高 → 维持现状很难
• 政策： 维持政策需要没有任何变更提案 → 所需能量：低 → 更容易维持现状

步骤 3：反转默认设定

思维练习：

• 通常的表述：“X 会改变吗？”（默认＝不会）
• 反转后的表述：“X 会保持不变吗？”（默认＝不会）

偏差检查： 如果 P(change) + P(same) ≠ 100%，你就存在现状偏差。

步骤 4：应用熵原理

热力学第二定律（应用于预测）：

请思考：

1. 这个系统是开放的还是封闭的？
2. 是否有能量输入来维持或改善系统？
3. 这些能量是否足够？

步骤 5：调整概率

如果你发现了现状偏差：

对于需要大量能量的“没有变化”预测：

• 将 P(status quo) 降低 10-20%
• 相应地提高 P(change)

对于惯性确实有利的预测： 无需调整

经验法则： 如果维持现状需要主动付出努力，那么衰退发生的可能性会比你想象的更高。

下一步： 返回菜单

---

4. 审核置信区间

验证你的 CI 宽度是否反映了真实的不确定性。

Confidence Interval Audit Progress:
- [ ] Step 1: State current CI
- [ ] Step 2: Run surprise test
- [ ] Step 3: Check historical calibration
- [ ] Step 4: Compare to reference class variance
- [ ] Step 5: Adjust CI width

步骤 1：说明当前 CI

当前置信区间：

• 点估计：___%
• 下界：___%
• 上界：___%
• 宽度：___ 个百分点
• 置信水平：___（通常为 80% 或 90%）

步骤 2：运行惊讶测试

惊讶测试：“如果真实值落在我的置信区间之外，我会感到非常震惊吗？”

校准：

• 80% CI → 应有 20% 的时候感到震惊
• 90% CI → 应有 10% 的时候感到震惊

**测试：**设想结果刚好低于下限，或刚好高于上限。

三种可能的回答：

• A）“是的，我会非常惊讶” - ✓ CI 校准得当
• B）“不会，没那么惊讶” - ⚠ CI 太窄（过度自信）→ 扩大区间
• C）“如果结果落在区间内，我会惊讶不已” - ⚠ CI 太宽 → 缩小区间

步骤 3：检查历史校准情况

查看你过去的预测：

1. 收集最近 20-50 个带 CI 的预测
2. 统计实际结果落在 CI 之外的次数
3. 与理论预期进行比较

CI 级别	预期区间外比例	实际比例
80%	20%	___%
90%	10%	___%

**诊断：**实际值 > 预期值 → CI 太窄（过度自信）——这是最常见的情况

步骤 4：与参考类别的方差比较

如果你有参考类别数据：

1. 计算参考类别结果的标准差
2. 你的 CI 应大致与该方差相符

**示例：**参考类别 SD = 12%，你的 80% CI ≈ 点估计 ± 15%

如果你的 CI 窄于参考类别的方差，就说明你声称自己掌握的信息多于平均水平。请说明理由，或扩大 CI。

步骤 5：调整 CI 宽度

调整规则：

• **如果过度自信：**将当前宽度乘以 1.5× 到 2×
• **如果信心不足：**将宽度缩小到 0.5× 到 0.75×

**下一步：**返回菜单

---

5. 运行完整的偏差审查

全面检查主要认知偏差。

Full Bias Audit Progress:
- [ ] Step 1: Confirmation bias check
- [ ] Step 2: Availability bias check
- [ ] Step 3: Anchoring bias check
- [ ] Step 4: Affect heuristic check
- [ ] Step 5: Overconfidence check
- [ ] Step 6: Attribution error check
- [ ] Step 7: Prioritize and remediate

详细说明请参阅认知偏差目录。

快速审查问题：

1. 确认偏差

• 我是否寻找过反驳证据？
• 我是否同等看待了反对我立场的证据？
• 我是否主动尝试证明自己错了？

如果任一项回答“否” → 检测到确认偏差

2. 可得性偏差

• 我是否依赖近期或令人印象深刻的案例？
• 我是否使用了系统性数据，而非“脑海中浮现的内容”？
• 我是否检查过这些案例是否具有代表性？

如果任一项回答“否” → 检测到可得性偏差

3. 锚定偏差

• 我是否先独立得出了自己的估计？
• 我是否避免受到他人数字的影响？
• 我是否充分调整了最初的锚点？

如果任一项回答“否” → 检测到锚定偏差

4. 情感启发式

• 我是否对结果抱有情感上的偏好？
• 我是否将“我想要什么”和“将会发生什么”区分开来？
• 如果激励因素反转，我还会做出相同的预测吗？

如果任一项回答“否” → 检测到情感启发式

5. 过度自信

• 我是否进行了事前验尸分析？
• 我的 CI 是否足够宽（惊讶测试）？
• 我是否找出了自己可能出错的原因？

如果任一项回答“否” → 检测到过度自信

6. 基本归因错误

• 我是否恰当地将成功归因于技能或运气？
• 我是否考虑了情境因素，而不只是个人特质？
• 我是否避免了“伟人”叙事？

如果任一项回答“否” → 检测到归因错误

步骤 7：确定优先级并进行修正

针对检测到的每种偏差：

1. **严重程度：**高 / 中 / 低
2. **方向：**会推高还是压低概率？
3. **幅度：**估计影响的百分点

修正示例：

偏差	严重程度	方向	调整
确认偏差	高	上调	-15%
可得性偏差	中	上调	-10%
情感启发式	高	上调	-20%

净调整：-45% → 将概率下调 45 个百分点（例如，80% → 35%）

**下一步：**返回菜单

---

6. 了解框架

深入了解方法论。

资源文件

📄 侦察兵与士兵心态

• Julia Galef 的框架
• 动机性推理
• 智识诚实
• 身份与信念

📄 认知偏差目录

• 20 多种主要偏差
• 偏差如何影响预测
• 检测方法
• 矫正策略

📄 去偏技巧

• 系统性的去偏流程
• 预先承诺策略
• 外部问责
• 算法辅助工具

下一步： 返回菜单

---

快速参考

侦察兵准则

1. 真相胜过安慰 - 准确性胜过一厢情愿
2. 寻求证伪 - 试着证明自己错了
3. 对信念保持开放 - 概率性的，而非二元的
4. 逐步更新 - 根据证据改变想法
5. 区分愿望与预期 - 愿望 ≠ 预测
6. 检查自己的推理 - 定期进行偏差审查
7. 保持校准 - 长期追踪准确性

侦察兵心态，就是努力看清事物本来的样子，而不是你希望它们呈现的样子。

---

资源文件

📁 resources/

• scout-vs-soldier.md - 心态框架
• cognitive-bias-catalog.md - 全面的偏差参考
• debiasing-techniques.md - 矫正策略

---

准备好开始了吗？从上方的菜单中选择一个数字。