章节 14
汤姆的专业
读进去
汤姆实验最反直觉的地方，不是人们忽视了基础比率，而是受过统计训练的人，在看到一个具体的人时，会主动放弃自己学过的概率规则。那段性格描述写得越像计算机科学专业的学生，人们就越确信汤姆读的是计算机科学，哪怕这个专业在全校只占极小的比例。问题不在于他们不会算，而在于系统1抢先给出了一个连贯、生动的印象，系统2懒得去核查。
这里的关键是：基础比率不是被“忘记”了，而是被“替换”了。当没有个人信息时，人们能正确使用基础比率；一旦出现一个具体的、像某个类别的描述，相似性判断就接管了。更微妙的是，只要提醒人们“像统计学家一样思考”，或者让他们产生认知警觉，错误率就会下降。这说明系统2并非没有能力修正，而是默认状态下太容易接受系统1的直觉。
打开原图 ↗画出来
文字里常被压缩成同一个问题的是两个问题：汤姆“像不像”某类专业的学生，和汤姆“有多大可能”是某类专业的学生。前者是相似性，后者是概率，但直觉会把它们当成一回事。把关系放进图里后，可以看到基础比率、个人描述、相似性判断和最终概率判断之间的层级关系：基础比率是背景，个人描述是触发条件，相似性判断是替代路径，最终判断则是系统1和系统2博弈的结果。这个结构解释了为什么统计训练不能自动防止错误，因为训练改变的是系统2的能力，却没有改变系统1的默认反应。
再想一遍
招聘面试里，一个候选人讲了一段精彩的故障排查经历，面试官很容易觉得他“像”一个优秀的工程师，然后忽略了这个岗位的候选人池里，真正具备这种能力的人本来就很少。或者反过来，一个简历平平的候选人，因为聊得来，就被高估了。不是面试官不专业，而是具体的故事比抽象的比例更有说服力。有经验的面试官会刻意问行为问题，用结构化评分来对抗这种替代。
带回生活
相似性判断不是没用，它在信息不足时能提供快速启发。但它的适用边界很窄：只有当个案信息确实与类别归属高度相关时，依赖相似性才合理。一旦个案信息只是“看起来像”，而基础比率来自可靠的统计数据，忽视基础比率就是系统性错误。