這是一本精彩的好書。值得細細咀嚼。
我最喜歡這本書的一句金言：
there is judgement, there is noise - and more of it than you think.蠻驚訝直白的話。
「85歲以上老人家施打AZ疫苗後往生的人不少，到底是不是因為疫苗介入後因果關係，專家們之解讀莫衷一是？」到底該如何判斷(Judge)，有不同聲音沒有共識，是一種雜訊（Noise）就本書作者們的看法這就是Noise of Perfessional Judgement.。Cov-19疫情打亂了全世界的次序，在這本新出版的書中也被多次引用，當我看完這本書後心有戚戚焉，多了理性思考，這就是閱讀的益處。
著名的韓劇 "機智醫生生活"第二季第一集有個橋段是一位產婦懐孕不到十八周,極可能流產,危險病情下,同一天二位醫生診斷不同,醫療真的很難。這本書有提到類似困惑之事。
聯合報鳴人堂曾經報導一篇文章,篇名:"因病而犯罪的人:鐵路剌警案定讞,一位精神科醫生的省思" 。非常符合這本書强調在醫療診斷上且用在審判案件上,特別是精神科醫學更容易有雜訊(Noise).
作者們說，這社會上充斥很多不合理的情況，像是不同法官們 對同一個案件卻有截然不同的判決、即便是同一位官面對同一個個案不同時間點會隨著心情或某因素介入也前後不同調。不同醫師對同一個病人的診斷有很大的差異、求職者當面對不同面試官對於是否錄取標準彼此間意見迥然大同。公司主管們對同一個員工的績效考核有不同的結果，為什麼嗎? 因為我們是「人類」，不是機器。因為，只要有判斷，就會有「雜訊」
*******************************************
書名 Noise, A Flaw in Human Judgement
作者 Daniel Kahneman, Olivier Sibony, Cass R. Sunstein
出版商及日期 William Collins 2021
＊丹尼爾．康納曼 Daniel Kahneman：
《快思慢想》的作者、2002年諾貝爾經濟學獎得主，普林斯頓大學尤金．希金斯心理學講座教授，被譽為「行為經濟學之父」。
＊奧利維．席波尼 Olivier Sibony：
巴黎高等商學院策略與商業政策教授。著有《不當決策》（You’re About to Make a Terrible Mistake!）。
＊凱斯．桑思汀 Cass R. Sunstein：
哈佛大學法學院教授。《原力思辨》（The World According to Star Wars）和《推出你的影響力》（Nudge，與理查．塞勒合著）等書作者。
*******************************************
這本書閱後，個人覺得可以分成三個部份討論：
第一部份說明什麼是雜訊？什麼是偏誤？。介紹雜訊的組成因素，如何衡量它，它是如何產生的，以及不斷地說明詳細雜訊與偏誤對社會上各行各業的影響。（第一章到第十七章）
第二部份就是針對即然社會上必然產生那麼多雜訊，作者提出一些減少雜訊的方法，對討論各式方法的思辨。（第十八章到第二十五章）
第三部份則是在討論減少雜訊有沒有其他副作用？需要考量的因素有哪些？（第二十六章到第二十八章，回顧及結論、結語）
首先說明什麼是判斷呢 (Judgement) ？
作者認為是人性上對於某事某物的衡量，不一定是數字別，也不一定是計算，可能是蒐集洛種情報整後的概念想法。而雜訊(Noise)與偏誤(Bias)又是什麼呢？作者用「每隊有五個隊員參加射擊打靶」行為解釋，有四種結果(A/B/C/D)：
CASE A: 五位隊員全部命中靶心，在真實世界上是不存在完美境界。
CASE B: 五位隊員全部命中某一個區塊，表面上以為很精準命中，但事實上是有嚴重的偏誤。
CASE C: 五位隊員射點全部發散在各點位，雖沒有一致性，不過這五點彼此距離均衡 它很明顯存在雜訊，確沒有偏誤。
CASE D: 五位隊員射點全部發散集中在某一區塊，雖沒有一致性，它很明顯存在雜訊且偏誤也很嚴重。
到底CASE A到CASE D四種組合中，哪一種最嚴重呢？ 在真實世界中大家都不知道真相為何（就是不知靶心在哪？） CASE B 其實是最嚴重的情形，因為自信滿滿，以為沒有偏誤，其實離真實很遠。同理，CASE D 也很糟糕，而CASE C 會令大家驚覺到有很大的雜訊，會找解決方案。至於CASE A是不存在於真實社會的。
本書中最核心概念是提出雜訊的組合因素：
《首先解讀名詞》
＊Level Noise(我翻成水平雜訊)。就是不同人對一件事件的判斷結果很大差異，因為每個人的背景均不同。本書中對208個法官審判案件之判決關多少年之實證結果標準差頗大。
＊Pattern Noise(我翻成型態雜訊)。同一個人，在不同時侯判斷也會不同，跟當下心情或受那環境左右。
＊Occasion Noise(我翻成場域雜訊)。指人在某個場域影響了一個人的判斷力，例如情緒、疲勞等有關。不過場域雜訊大約是型態雜訊的十分之一，權重較小些。
人類收到資訊，有Level Noise, Pattern Noise,且處理情境有Occassion Noise，這就是人類的雜訊（Noise）
系統雜訊的平方= 水平雜訊的平方 + 型態雜訊的平方
= 水平雜訊的平方 + (穩定型態雜訊平方+場域雜訊的平方)
人類的判斷力，存在不理性，作者提出一些觀察。例如人先天習慣使用系統一（System 1）思考傾向(快思慢想這本書提及)，很快地用過去經驗及習慣做出判斷，這就產生雜訊，又例如我們人類社會化傾向下有瀑布效應（Informational cascades），考慮人情壓力下很自然順從第一人之意見為意目，一直順應下去成為一言堂，就成為雜訊或偏誤。還有人類的專家們也是雜訊之很大來源，專家們因為學有專精，傾向過於自信，而一般大眾又不敢反駁他們，往往這就是雜訊之來源。書中還有提到很多心理學論，礙於篇幅就不再多說了。
既然雜訊如此繁多，那要如何解決呢？作者在本書中建議有幾種方式來處理。
第一種方式，找有信譽被尊重卓越的專家們（Pespet-Expect），他們應該比較少雜訊，不一定是最聰明，有而訓練、經驗、有自信力，有跨領域能力去分辨良劣，更重要的是要有開放心胸接受新資訊，-接受不同異議修正自身想法。如果不知找誰？找一位有睿智、有思想．心胸寬大之人。
第二種方法，儘量使用機械化，例如統計方式，即如是最簡單的線性方程式都比直覺判斷佳。作者也提到人工智慧的演算法，基本上人工智慧計算出來之雜訊最小，非常有效。不過他很提及人工智慧在現階段不完全盛行，原因是在保護既有利益下慣性的不願意改善心態，只要人工智慧之結論不如預期就否定它，疏不知人工智慧是深度學習，會反覆再學習精進。
第三種方法，設立量度，以排序方式取代絕對分數，或者是採多輸評估，這樣就有相對比較。而且評估人需要多位以上（至少四位），最好是評估人要獨立作業，才不會彼此主觀干擾。
第四種叫總合法,集眾位專家但獨立作業以分散個人主觀判斷。
第五種叫保健策略,是一種不得為之的防禦策略,例如看不到病菌,但勤洗手就對了。
第六種是中介評估法,這方法比較複雜,先求群內對問題定義共識,再组專家團隊分頭且獨立評估並下判斷,再來是進行判斷會議決策之。可以觀之,為了有效地降噪,還是要仰賴專業人士,因有强化訓練,經驗,但又要阻隔彼此干擾情事,設防火墻。
本書提到有很多人批評為了有效減少雜訊，會導到防制成本大幅提高。他提出很多論點讓大家思辨，也許有可能提高成本，但效益會更大，成本反而降低。同時，有人提出為了降低雜訊可能有很多規定及準則出現，會損失人類的創造力，以及因為為了預期未來減少雜訊拒絕某個人之請求，可能有違反尊嚴或人權，作者也提出他的見解，是要權衡比較得失。也有人批評建立嚴格的規則雖然可以很有效地降低雜訊，但人類會變更一致性機器人，而且會轉向地下化違反規則，作者也提出規則及標準有其必要，在法規上在社會價值上有一定的必要，但有適度地彈性去因應，這是權衡之空間。
如果審酌過程採中介評估法(啟發式評估法 ) Heuristic Evaluation Approach 會不會就能改善雜訊呢?
作者在快思慢想這本書提到的系統一思考是永遠關不掉的心理直覺,再怎樣改善,永遠無法消弭直覺,所以保健策略,看似無趣但也基本。像這次Cov-19襲擊台灣,外户戴口罩再加強臉罩就是防空氣中似有似無的病毒。
另外,作者提到我們設計非常嚴格的規定(Rule)表面上可以非常有效性大幅降低雜訊甚至為零。但萬一規定是錯的呢?會產生極大的偏誤,那末來處理成本會更高? 很有意思,我覺得很有道理。您們覺得呢?
這本書太精彩了，讀後仍思索著其涵意，有空時會再讀第二遍。
