Availability Heuristic

可得性捷思

Q: 查基準率（base rate）的快速方法是什麼？

三層遞進：(1) 直接 Google「[事件] 比例 統計」或英文「base rate of [event]」，(2) 找該領域的標準數據來源（勞動部、衛福部、Statista 等），(3) 沒有現成數據時，問「我認識 100 個類似的人，其中真的這樣的有幾個？」——用自己的樣本估，會比依賴鮮明案例準。

把「容易想到的」誤以為「常發生的」——記憶的鮮明度蓋過了實際機率。

這個偏誤在做什麼

Tversky 與 Kahneman 1973 年提出：人估計事件機率時，依賴的是「我能想起多少例子」，而不是真的去算。鮮明的、最近的、近距離的案例，在記憶中比例失真，於是成為錯誤判斷的基礎。空難新聞讓人怕坐飛機，但車禍機率遠高；一兩個朋友創業成功，會讓人高估創業成功率。媒體與社群放大了這個效應——演算法選給你看的不是「具代表性的事」，是「能讓你停下來的事」。

日常的樣子

看完三集以「年輕人辭職環遊世界」為主題的 podcast，覺得「現在大家都在這樣做」——但你忽略了那是極少數人才做的事。

你正在踩進它的訊號

·你的判斷依據主要是最近看到的新聞或朋友故事。
·你說得出 3 個鮮明案例，但說不出基準率（多少 % 的人這樣）。
·你會說「最近大家都…」、「身邊好多人…」
·當你查資料時，你查的是案例故事而不是統計數字。

對抗它的具體動作

1主動找基準率：實際有多少 % 的人/案例是這樣？
2把「我想到的例子」當作 anchor，刻意找反例校正。
3提醒自己：媒體選的是異常事件，不是代表性事件。
4對重要決定，下定論前查 3 份資料來源、其中至少 1 份是統計數據。

用這些框架對抗它

心理・行為

認知偏誤自檢

任何重要決策前的預飛檢查——在你確認決定之前，用五個高頻偏誤掃描一遍

心理・行為

基準率參照

需要預測結果的決策——從創業成功率到投資報酬，先問「這類事情通常怎麼發展」

心理・行為

內外部視角切換

計畫與預測——尤其是你對自己的項目、目標或能力過度樂觀的時候

容易與這個混淆的偏誤

Confirmation Bias

確認偏誤

只看見支持你已有想法的證據——不是不誠實，是注意力本身在過濾。

Narrative Fallacy

敘事謬誤

把複雜事件套進簡單故事——讓「為什麼」感覺合理，但通常是後見之明。

Social Proof

社會證明

別人都這樣做，於是覺得這樣做是對的——把「常見」誤算成「正確」。

並列對比

可得性捷思 vs 確認偏誤 →

常見問題

可得性捷思跟確認偏誤有什麼差別？

可得性捷思是「在估算機率時，依賴想得到的例子而非真實統計」。確認偏誤是「在收到資訊後，選擇性記住支持自己看法的部分」。前者是判斷頻率的捷徑，後者是篩選資訊的過濾器——常常同時運作，但機制不同。

為什麼演算法推薦會放大這個偏誤？

演算法選擇曝光內容的標準不是「具代表性」，而是「能讓你停下來」——通常等於「情緒強烈、極端、異常」。看多了異常事件，你的大腦把它當作常態樣本，於是高估它的頻率。短影音平台特別容易誘發，因為單位時間餵的「鮮明案例」密度極高。

查基準率（base rate）的快速方法是什麼？

三層遞進：(1) 直接 Google「[事件] 比例統計」或英文「base rate of [event]」，(2) 找該領域的標準數據來源（勞動部、衛福部、Statista 等），(3) 沒有現成數據時，問「我認識 100 個類似的人，其中真的這樣的有幾個？」——用自己的樣本估，會比依賴鮮明案例準。