正常化偏见normalcy bias --- 词语学习
来源:互联网 发布:围棋做题软件 编辑:程序博客网 时间:2024/04/29 13:50
证实性偏见(也翻译作证实偏差):过于关注支持自己决策的信息
当我们在主观上支持某种观点的时候,我们往往倾向于寻找那些能够支持我们原来的观点的信息,而对于那些可能推翻我们原来的观点的信息往往忽视掉。
证实偏见(Confirmation Bias):人们普遍偏好能够验证假设的信息,而不是那些否定假设的信息。
证实偏见是普遍存在的。比如,我们讨厌某个国家(包括我们自己的国家),那么,我们就会下意识的关注这个国家的负面消息,用以证明这个国家确实不招人喜欢,而且越来越讨厌;在工作中,如果我们赞同某个方案(特别是那些自己提出的方案),也会举出众多理由,数据的、图片的、事实的、分析的,来不断支持该方案,使其越来越正确。对某个人,对某部电影,对某个产品,甚至对某个种族,我们都容易陷入证实偏见的思维。
当然,“证实”并不是错误的,或者不必要的。关键是,证实只是事物面貌的一部分。如果只有证实,就难以存在全面的思考,很容易得出错误的结论。而如果从“证伪”的角度看现象,从反面去思考,去质疑,结论会更加可靠,也会更接近真实。
除了发现“确实如此”,也别忘了问问“否则怎样”。
人有亡斧者,意其邻之子。视其行步,窃斧也;颜色,窃斧也;言语,窃斧也;动作态度,无为而不窃斧也。 俄而掘其谷而得其斧,他日复见其邻人之子,动作态度无似窃斧者。
——战国·郑·列御寇《列子·说符》
【译文】从前有个人,丢了一把斧子。他怀疑是邻居家的儿子偷去了,便观察那人,那人走路的样子,像是偷斧子的;看那人的脸色表情,也像是偷斧子的;听他的言谈话语,更像是偷斧子的,那人的一言一行,一举一动,无一不像偷斧子的。 不久后,丢斧子的人在上山的时候发现了他的斧子,第二天又见到邻居家的儿子,就觉得他言行举止没有一处像是偷斧子的人了。
不能全凭经验
- 正常化偏见normalcy bias --- 词语学习
- 偏见方差的权衡(Bias Variance Tradeoff)
- 偏见
- 24个基本指标精粹讲解(20)--BIAS
- bias
- 【机器学习】bias and variance
- [文献阅读之]Unbiased Look at Dataset Bias(2011CVPR)关于数据集偏见的讨论
- 学习笔记——Bias-variance
- 机器学习:方差Variance与偏差Bias
- 【机器学习笔记】权衡 bias 和 variance
- 人工智能学习了人类语言后为何有了种族偏见?
- 机器学习和数据挖掘(8):偏见方差权衡
- 幸存者偏见
- 机器学习算法中的偏差-方差权衡(Bias-Variance Tradeoff)
- bias and variance在机器学习中的应用
- 机器学习中的偏差(bias)和方差(variance)
- 【机器学习(李宏毅)】 三、Bias and Variance
- 机器学习笔记十六:错误来源Bias和Variance
- android多线程编程(Thread,Handle,AsycTask)
- assert()函数用法总结
- Zookeeper安装以及配置说明(三)
- 工单状态的几个TABLE
- 更新jar包之后授权报错null
- 正常化偏见normalcy bias --- 词语学习
- mssql 系统信息
- Ubuntu 14.04安装配置CUDA
- 转义字符/
- 算法——大事化小,小事化了的分治法
- 托福考试前你需要知道哪些事情
- Rxjava中的线程控制 —— Scheduler (一)
- 教你如何读懂线性回归lm的结果summary(判断显著性)
- Unity2D常用组件