Noise读后感100字
《Noise》是一本由Daniel Kahneman / Olivier Sibony著作，William Collins出版的Hardcover图书，本书定价：GBP 25.00，页数：464，特精心收集的读后感，希望对大家能有帮助。
《Noise》读后感(一)：读书所得
1. noise和bias是两种人的错误，但noise比bias更容易被忽视 2. MSE = noise^2 + bias^2 3. Noise^2 = level noise^2 (由于个体特性的群体内之间人的noise) + pattern noise^2 (人自己的特性而形成的有pattern的noise) 4. Occasion noise 不知道为啥的noise，比如投篮进不进，判断时即使相同条件不判断一次事情也会不一样，自己跟自己的预测也老不一样 5. 群体预测的平均值往往更接近真实值，群体判断好过专家个人判断 6. 降低自己estimate的noise的办法： 做两次预测取平均值，且在第二次预测中努力想自己哪里会错并做出调整 7. 小型group当中，最先popuplar或者最先不popular的item会被先行定性，而大型group往往不会，即使有misleading message也会回归到”truth”一些 8. group polarization: 小组讨论可能会极端化初始意见，因为group member同意with one another，相互增强信心 （Archegos的问题）
《Noise》读后感(二)：【读书半杯茶】之95 《噪音》人类判断力的一个缺陷
一个小偷偷了58块钱，另一个小偷偷了35块钱，前者被判服刑15年，后者被判服刑30天。
相似的病症，医生们在早上会比在下午多给病人＂请专科医生进一步研究＂的建议。他们还会明显给下午看病的人比上午看病的人多开止痛药。
同一篇作文，不同的阅卷老师给大不相同的分数。电视上政治家和时事评论员对未来政治走向的判断不比一般老百姓平均的意见更准。
等等，等等。
这种生活里人们在判断中产生的误差屡见不鲜，但对这种误差的研究却是近几十年的事。丹尼-卡那曼（Daniel Kahneman)和阿莫斯-特沃斯基(Amos Tversky)， 是这门学科的创史人。特沃斯基已经去世，卡那曼于2002年获得诺贝尔经济学奖，他的《思考，快与慢》一书着重介绍了＂偏见＂（bias)对人的判断力的影响。在这本新书中，他与其他的两位作者介绍了＂噪音＂（noise)的影响。
不错，人的判断与实际情况之间的差别，来自两个方面，偏见与噪音。偏见是系统的偏差，一但你有了某种偏见，它对判断的影响总是朝一定的方向。噪音则是无绪的偏差，忽左忽右，没有方向。但二者都会影响我们判断的准确性，噪音的负面影响往往并不比偏见小。
前面提到的判刑的例子来自美国司法部门70年代的一个研究。其中离谱的例子还有不少。比如一种罪行平均约判7年刑，但具体到每个案子，偏差有3年多，也就是说差不多的犯罪，有人获行4年，有人10年。在美国保险业的一个相似的研究中，同样的申报案子，有的经纪人报价9500美元，有的报价16700美元。
也许你会说，噪音这种偏差是不是平均下来就没那么严重了：比如犯某种罪的人平均判7年，罪有应得；或者保险公司报价＂正负相抵＂平均下来是合理的呢？这个说法细想想就有问题了？服刑太短或太长是司法公平的两次失败；保险费太低公司可能就垮了，太高客户就跑了……正负并不相抵。所以研究一下噪音很重要。
系统噪音来自两个方面，等级噪音（level noise)和模式噪音（pattern noise)。有的法官就是严厉，有的地区的法官就是比别的地方的厉害，比如美国南方各州的法官判案子量刑要比别的地区的法官来得猛，这是等级噪音的例子。有的法官对某种罪行严厉，对另一种宽容，这是模式噪音。法官们刚吃了饭的时候量刑会比饿肚子的时候宽松，如果量刑那天是犯人的生日，量刑往往会轻一些，这些不是系统噪音，而是短暂噪音。所以有人嘲笑说在一个完美的世界里，被告人面对的是公平，在我们的世界里，他们面对的是噪音。
人的判断噪音怎么来的呢？这种判断上的偏差往往来自对自己的过度自信。比如今天欧洲杯决赛，不少朋友给出自己的比分预测，足球比赛这种事件没有固定结果，但我的朋友们对自己的预测全都信心满满，各种比分都有，可惜没一个人说最后靠点球大赛定胜负（意大利点球大赛得了冠军）。噢，对了，如果有朋友看见了这一段，别生气，这个现象很普遍，还有个学名叫objective ignorance （主体无知）。
别人的意见往往也影响我们的判断。同一个产品，如果第一个给评分是好评，会影响下一个，产生链式反应，5个月后平均得分比如果第一个给的是差评的高出25%。同一个意见，如果每个人单独判断是＂好＂，让几个持相同观点的人聊一下，往往就变成了＂极好＂。
有时我们也会自己影响自己，比如移民法官判案，如果前两个案子是接收庇护申请，那这第三个案子被批准的机会少近20%，你说冤不冤？对了，这叫赌徒的误区（gambler’s fallacy ）。有时我们会忘记事务的一些普遍现象，比如说谁谁谁将来一定出类拔萃，诺贝尔奖得主的孩子一定聪明，等等，却忘了大多数人不会出类拔萃，诺贝尔奖得主的孩子们也许聪明但比父母还要聪明，也是一半一半，忘了事务的基本数（base rate neglect )。我们常常瞎联系，先拿主意再找论据而且再想越觉得自己对；我们会被一些偶然的东西左右，比如刚看见一个大数字，再去判断一个毫不相关的东西，往往会往大里想。如果有人跟我们说起另一个人，他的用词顺序关系不小，虽然说的是同一个人，比如用＂智慧，有韧性，狡猾，没原则＂形容他，如果换成了＂没原则，狡猾，有韧性，智慧＂，是不是吓死人？找工作肯定不要。这些认知上的偏差会让我们产生判断上的噪音。
我们自己还会变主意，比如天气，我们的心情，都会影响我们的判断。所以作者说，我们并不总是同一个自己。
有没有消除噪音的方法？很多。
如果我们知道自己的判断上的偏向，我们可以系统地调整，这既可以在下判断之前，也可以在下判断之后。比如我们可以多听听不同的意见，让与自己意见不同的人影响从而缩小自己的系统噪音。我们可以收集不同的观点，然后再综合大家的意见，这个一定会有帮助。我们不要急着下结论，或者先拿个主意，然后停一下，睡一觉，再拿个主意，往往会注意到以前没发现的情况，想到以前没想到的地方，再把两个意见统筹思考，得出的新结论往往更优。
再系统些，我们可以与同事、朋友们各自先独立地做出判断，再把意见拿出来，讨论一下，再独自修改一下，然而再综合一下，也往往会有改进。注意这个方法中一定要各自独立判断，然后再综合，不能几个人一窝蜂似的。
作者还进一步建议，我们可以用一个模型取代自己的判断过程，比如根据经验设立一个简单的数学模型，把几相关的数据列出来，一是一 ，二是二，最后的结果根据这个模型定，这样可以消除不少噪音的影响。这样的模型简单一点就行，否则太复杂了我们就会有机会＂微调＂，也就可能把噪音调进去了。
判断中噪音小的人往往有这些特征。他们往往是聪明人，智力水平高，往往是一方面的专家，这个好像是应该的。但更重要的是，他们有好奇心，善于学习，多方听取不同意见，凡事不急于下结论，深思熟虑。这种人往往不但对自己熟悉的问题有好的判断，对不熟悉的问题也可以做出出色的判断。他们遇事有一个共同的特点，就是会把一个复杂、看上去没有头绪的问题分开成一个个小问题，然后从这些小问题下手，有章有法地解决问题，而且特别关注基数（base rate）。比如你问某两个国家之间在某断时间会不会有边界冲突，这个看上去很复杂的问题一般人要不是瞎猜，要不就找过去的例子，要不就找个简单的问题替代这个问题然后下个结论。判断中噪音小的人会把这个问题瓜分成小问题，看看边界冲突发生前的情况、条件是什么，在这些情况下边界冲突发生的一般机会是多大，等等，他们的这种对时事的判断比前面说到的政治评论家要准确的多。这些人被称为“超级预言家”。
人的判断中的噪音有没有好处？你猜作者怎么回答这个问题？（提醒，再读一下上面一段。）
当然有。噪音有时是创新的苗头，允许决测中有噪音，有时会给不同意见多一些机会，太死板的模型也会杀死创造力（这个听起来像是＂水至清则无鱼＂。）
权衡一下噪音带来的坏影响与消除噪音的代价，当然有好处。可是不能用这个理由就放弃判断中力争消除噪音的努力。比如能给＂规则＂的时候不给规则只给＂指导意见＂，就会给让别人创造出产生噪音的机会。如果＂规则＂太死，可以多想改进的方法，而不是立马给废了。（如果你不同意，可以再读一下前面两段。如果你同意，恭喜你，你离超级预言家又近了好几步。）
70年代美国司法部门的关于量刑中噪音的研究带来了以后的改革，司法部制定了一系列量刑的指导方案，使法官们定罪中因噪音产生的偏差大为减少。美国医生Virginia Apgar创造了一个一页纸的对新生儿是否需要特别护理的打分表，减少了妇产医生们在医疗判断中因噪音产生的失误，造福人类。
我们平时的工作、生活没有法官、医生们那么要紧，可消除判断、决策中噪音的坏影响，人人都用得上。
世界上没有不能读的书，但有不能不读的书。
卡那曼先生的这本书，像他以前的《思想，快与慢》就是不能不读的书。
高嵩 July 11 2021
《Noise》读后感(三)：撇去鸡肉（例子）的鸡骨架（结论）是这个样子的
判断（judgment），不同于思考（thinking），是一种以人类头脑（mind）为工具的测量手段（measurement）。而判断会出现错误（error），一类错误是偏见（bias），是一种有规律（patterned）的系统性的偏移，这是Kahneman的前序大作thinking fast and slow里的主题；另一类错误是噪点（noise），是那种随机的、无迹可循（randam scattered）的误判。作者认为，要想提高决策质量（这里更多指得应该是决策的准确性），既有必要减少偏见，也有必要减少噪点；而现在对于噪点的关注和讨论太少了，此书致力于改变此现状。
[研究意义]首先，有判断就有噪点；噪点的存在十分普遍。其次，噪点降低了决策的准确性（增加了错误），所以有必要消除。
[定义]错误和噪点的分类系统及公式
• 错误分为偏见和系统噪点 error into bias and system noise,
• 系统噪点分为层级噪点（多人判同例）和模式噪点（一人判多例） system noise into level noise and pattern noise,
• 模式噪点分为稳定模式噪点和偶然噪点 pattern noise into stable pattern noise and occasion noise.
层级噪点指的是多位不同裁决者对同一事物的判断存在的差异 Level noise is variability in the average level of judgments by different judges.
模式噪点指的是同一位裁决者在面对不同类型事物时作出判断所存在的差异 Pattern noise is variability in judges’ responses to particular cases.
偶然噪点是指在不同场合/背景下，同一裁决者面对同一事物作出判断所存在的差异 Occasion noise is the variability in judgments of the same case by the same person or group on different occasions.
[来源]噪点的出现有三大类源头，一是人与人之间的差异（interpersonal differences），例如性格和认知风格；二是特质上差异（idiosyncratic variations）--在衡量不同考量时；三是对同一测量工具的不同使用上[评1]。
[消除]作者把消除噪点的干预统名为“决策清洁”（decision hygience），并用洗手作为类比--不在意清洗掉了什么细菌（噪点），但只要有洗手这一步骤（决策清洁），就能增加清洁度（决策质量）。提出了六条决策清洁的原则：
以及一个六步决策评估法--mediating assessment protocol
[结论] 尽管有7条理由反对（尽可能地）消除噪点，作者们对其一一反驳，并下结论认为消除噪点有其必要性，值得一做，甚至是有相当的紧迫性的任务。
评1 其实我没有特别理解这个分类的意义，追溯来源在逻辑上是很重要的一步，只是我并没仔细研究这一部分。我更感兴趣的是是不是有必要去消除噪点，消除到什么程度是好的以及如何消除。
我大致梳理出来的内容就是这样了。整体来说，我并不是特别感冒这本书，一是因为对看似很有意思的社会心理学实验证据的可信度信心不高；二是因为没有仔细看所举的例子，所以并没有特别被说服为什么一定要消除噪点，反而是一心想要认同反驳的理由，尤其是想到系统科学（不知道联想得对不对），总觉得消除噪点带来的不可预期错误可能更多（理由2），以及理由3和7，也许噪点本身就是人性的一部分，只有机械化的还原论的思维才非要将其剥离。当然我同意认识到错误的存在除了偏见还有噪点是有意义的，但如何消除以及消除到什么程度是我没办法判断的。再就是书章节真够多的，和医学相关的只有一章，关于guideline/指南是如何有助于消除噪点的。不过本书也有个不容忽视的优点，那就是每部分开始有概述，每章结束有小结，所以很容易抓住脉络总结干货。只是我总结得大概太干了，这鸡骨架实在有些食之无味。
除了上述的主线，书中也有一些我觉得有意思值得更深入研究的章节，比如第八章关于群体决策的噪点。在观察学生小组讨论时真的很容易发现全组意见会被一两个先发言的，或者很强势的人带着走。所以指望真理越辩越明可能也是奢求，至少在不太合格的讨论者团体上实现不了。再就是作者提到的group polarization，就是不同意见的人讨论完了可能比自己原来的位置更偏激了。这点在网络论战上很常见，大概也是受confirmation bias影响，就非要证明自己更对，于是自己就越来越对了。当然我认为一个open minded的人应该在讨论后更向对方的方向移动，毕竟从其他人的角度去思考了，但要真正做到大概还是很难，固执己见比认识到自己可能是错的简单多了。
再一点就是作者认为简单的决策规则（rule）比人的判断更准确，因为它消除了噪点；如果数据足够多，用最时髦的机器学习生成的决策也会优于人的判断。但是呢，这些或简单或复杂的模型虽然确实优于人的判断，却也没有提升很大的程度，只是作者认为better就是better，甭管好多少。这我其实就不太认同，人的决策是体现自主性的，体现自身价值的，如果就好那么万分之一，我还是宁可自己决定，也愿意为自己的决策负责。
还有作者在第十二章区分了causal thinking和statistical thinking（并没有区分得很好）。对于人来说（对于个案的）因果思维是习以为常的（也是噪点的重要来源），大概是system I就能完成的，Pearl在the book of why里也是认为因果思维是区别人和机器的重要特征。而统计思维是指对于统计的、群体的认识，是一种置身事外的观点（outside view）。我们对于理解现实往往是backward-looking，即根据结果/现状去追溯前因（对现状的理解在时间和逻辑顺序上似乎都优先于预测未来），对于人类而言，很自然地就把结果的发生解释成由什么什么原因引起的，因为这种因果解释，可以让人在不可控制不可预测的世界中获得一种掌控感。也正是由于这种因果思维，让人高估了世界的可预测性和可干预性，并忽视了噪点的存在。我觉得这章的想法也不算太新，甚至写得也不是很清晰，但我觉得这中间问题值得更深入地思考和挖掘，我最近几年很感兴趣因果关系，在哲学意义上的，以及在流行病学/医学实践意义上的，但一直没有一个很好的理解，希望能继续积累早日想清楚怎么问这个问题以及可能的答案吧。