你的大腦沒有「機率」這個單位，它只有故事

問你一個問題：一個安靜、愛看書、注重細節、做事一絲不苟的人，比較可能是圖書館員，還是業務員？很多人直覺選圖書館員。但世界上業務員的數量遠遠多於圖書館員——多到即使「一絲不苟的人」在業務員裡比例較低，光是基數差距，這個人是業務員的機率還是高得多。

你的直覺沒有去算這個基數。它做的是另一件事：把這個人的描述，和「典型圖書館員」的故事比對，發現很合，就回報「很可能」。你以為你在估機率，其實你在評估故事的貼合度。

代表性捷思：用「像不像」代替「機率」

這是 Kahneman 與 Tversky 研究的「代表性捷思」。大腦面對「這有多可能」這種問題時，並不會真的去做機率運算——它沒有機率這個原生單位。它會把問題偷偷換成一個它算得動的：「這個情況，有多符合我心裡那個典型範本？」然後用「像不像」的答案，假裝成「可不可能」的答案交給你。

這就是為什麼 基礎比率 會被忽略——基礎比率是冷冰冰的數字，它不構成故事，所以大腦的故事評估器根本沒把它讀進去。一個生動的細節，會在你的判斷裡輕鬆壓過一整面牆的統計數據。

好故事為什麼反而危險

這裡有個違反直覺的轉折：一個情境「細節越多、越具體、越好講」，你的大腦越覺得它可能——但數學上，細節越多的情境，機率只會越低，不會越高。

經典的「Linda 問題」：描述一個關心社會正義的女性 Linda，然後問——她比較可能是「銀行員」，還是「銀行員且積極參與女權運動」？很多人選後者，因為後者更貼合那個故事。但「A 且 B」的機率，永遠不可能高於「A」本身。後者是前者的子集。好故事讓人選了一個數學上不可能更高的選項。

一個聽起來很有道理的情境，和一個很可能發生的情境，是兩件不同的事。你的大腦把它們當成同一件事。

這在現實裡的代價很實際：一份描繪得栩栩如生的創業計畫、一個細節豐富的投資故事、一套環環相扣的陰謀論——它們的說服力來自「好講」，不是來自「可能」。對抗它的工具是 基率預測：在被故事打動之前，先單獨問一句「這一類事情，本來的成功率是多少」。

怎麼跟一個不會算機率的大腦合作

你關不掉故事評估器——它是大腦的原廠設定。但你可以加裝幾個外掛。

一、把機率逼成數字

「很可能」「應該不會」「八成沒問題」這些詞，是故事評估器的語言，模糊到可以容納任何結果。強迫自己換成數字：「我給它七成。」數字逼你離開故事、進入估計。這也是 〈我們開始幫你算 Brier 分數〉 裡那個校準功能的底層理由——把模糊的把握感，換成可以事後對帳的數字。

二、警惕「越聽越合理」的感覺

當一個情境每多一個細節，你就覺得它更可信，這正是該踩煞車的時刻。在數學上，那個方向是反的。把「這故事好完整」這個感覺，當成一個提醒：我可能正在用貼合度冒充機率。

三、先問基數，再問特徵

回到圖書館員那題的解法：先問「這兩種人本來各有多少」（基數），再問「這個描述偏向哪邊」（特徵），最後才合起來判斷。順序很重要——先讓冷數字進場，它才不會被後來的故事擠出去。想練習這種「先基率、後特徵」的思考，可以從 機率思維 那篇開始，並把每一個重要判斷記進 決策日誌、寫上你的數字。長期下來，Pro 的校準分析 會告訴你：你的故事感和真實機率，到底差多遠。