# Podcast 摘要: Episode 361: Alex Edmans - Finding "The Truth" in Economics, Finance, and Life - Rational Reminder

# Objectives
分析在資訊爆炸且充滿偏誤的時代中，如何辨別真相、對抗認知偏誤，並透過系統性方法（如「錯誤推論階梯」）來評估資訊的可靠性。

# 關鍵要點
- 了解資訊誤導的根源與類型
- 辨識並對抗認知偏誤
- 運用「錯誤推論階梯」(Ladder of Misinference) 分析資訊
- 採取行動尋求真相並鼓勵批判性思維

## 了解資訊誤導的根源與類型
- 資訊誤導不只是公然的謊言，也可能是「接近真相但具誤導性」的內容，例如引用過時或未完成的研究版本。
- 即使是來自看似可靠的來源（如英國下議院的政府報告），也可能因偏見而被誤用或忽略反駁。
- 資訊過載使得辨別真相變得日益困難。

## 辨識並對抗認知偏誤
- **確認偏誤 (Confirmation Bias)**：
  - 人們傾向於無批判地接受支持自己觀點的資訊，因為這會釋放多巴胺，帶來愉悅感；而與自身觀點相悖的資訊則會觸發杏仁核，產生戰鬥或逃跑反應。
  - **對抗方法**：
    - 承認自己有此偏誤，如同戒癮的第一步。
    - 主動尋找並閱讀與自己觀點相左的資訊（例如不同政治立場的報紙）。
    - 在會議中鼓勵異議，給予分享不同意見的空間。
    - 提問自己：「我是否希望這件事是真的？」若答案為是，則需特別謹慎審查。
    - 確認偏誤的影響非常嚴重，甚至導致冤假錯案，因為調查人員會將所有證據解釋為與嫌疑人一致。
- **偏誤搜尋 (Biased Search)**：
  - 不僅是解釋資訊時帶有偏見，搜尋資訊時也可能帶有偏見，只尋找支持自己觀點的內容，導致身處「同溫層」。
  - 生成式AI（如ChatGPT）也可能因演算法設計而提供使用者傾向於相信的資訊，加劇偏誤搜尋問題。
  - **對抗方法**：領導者需明確表示歡迎挑戰和不同觀點，並在收到挑戰時表達感謝。
- **非黑即白思維 (Black and White Thinking)**：
  - 即使沒有預設觀點，人們也傾向於將事物視為「總是好」或「總是壞」的二元對立，忽略細微差別和灰色地帶。
  - 例子：Atkins飲食法（將碳水化合物一概視為壞）、馬拉松跑者因過度補水導致水中毒、過度授權或過度回饋可能產生負面效果。
  - 標籤化思維：將同一標籤下的所有事物視為相同（如「永續」就都是好的，「膽固醇」就都是壞的）。

## 運用「錯誤推論階梯」(Ladder of Misinference) 分析資訊
Alex Edmans 將資訊誤導歸納為四個層次，幫助讀者系統性地辨別真相：
- **1. 陳述不等於事實 (A statement is not fact)**：
  - 許多被廣泛引用的陳述可能被錯誤歸因，或即使出自權威人士之口，也缺乏實證支持。
  - 例子：
    - 「一萬小時定律」：Malcolm Gladwell的《異數》(Outliers) 一書中聲稱成功需要一萬小時練習，但其引用的研究僅限於小提琴演奏者，且未客觀測量練習時數和成功，僅基於回憶和主觀評估。
    - 「睡眠的重要性」：Matthew Walker的《為什麼要睡覺》(Why We Sleep) 一書中，透過選擇性引用數據（甚至刪除圖表中的數據點）來支持「睡越多越好」的觀點，但原始研究顯示不同結果。
  - **驗證方法**：主動搜尋反證或批評，查閱原始資料（即使只是看圖表）。
- **2. 事實不等於數據 (A fact is not data)**：
  - 單一事實或軼事（即使100%真實）可能是「特例」，不代表整體趨勢。
  - 例子：Simon Sinek的《從為什麼開始》(Start with Why) 一書中，引用Apple、Wikipedia、萊特兄弟等成功案例來支持「有Why就能成功」，但忽略了大量「有Why卻失敗」或「無Why卻成功」的案例。
  - **驗證方法**：尋求大規模、系統性的數據，類似於隨機對照試驗 (Randomized Control Trial, RCT)，包含成功和失敗、有干預和無干預的完整樣本。
- **3. 數據不等於證據 (Data is not evidence)**：
  - 數據可能顯示強烈相關性，但相關性不等於因果關係。
  - 例子：有目的聲明的公司傾向於成功，但這可能是成功導致有目的聲明，或第三方因素（如優秀CEO）同時導致兩者。
  - **數據挖掘 (Data Mining)**：研究者可能透過測試多種衡量指標（如永續性、財務績效）和時間範圍，只報告那些產生預期結果的組合，導致虛假相關性。
  - 例子：某投資者想基於「多元性」建立基金，研究發現24種衡量方式中有22種呈現負相關，但該投資者仍基於其他公司「選擇性」報告的少數正相關數據（且衡量指標不自然）推出基金，導致基金表現不佳。
  - **驗證方法**：
    - 質疑衡量輸入和輸出的方式是否最合理（例如，基金績效應看總股東報酬，而非銷售報酬）。
    - 檢查研究是否進行「穩健性檢定」(robustness check)，即使用不同衡量方式仍能得到相同結果。
    - 尋求「科學共識」，即多項研究的綜合發現。
- **4. 證據不等於證明 (Evidence is not proof)**：
  - 即使有因果關係的證據，也可能僅限於特定情境，不具普遍性。
  - 例子：Angela Duckworth的「堅毅」(Grit) 研究，發現堅毅在西點軍校學員（已非常健康）中比體能更能預測「野獸營」的存活率，但這不代表對一般人而言堅毅比體能更重要，因為樣本存在「限制範圍」(restriction of range)。
  - 許多研究是在「WEIRD」（西方、受教育、工業化、富裕、民主）人群中進行，其結果不一定能推廣到其他文化或情境。
  - **驗證方法**：基於邏輯判斷研究情境是否與自身關心的情境足夠相似。

## 採取行動尋求真相並鼓勵批判性思維
- **個人層面**：
  - 隨時對任何證據保持辨別力，運用「錯誤推論階梯」的簡單問題清單進行自我審查。
  - 積極尋求不同觀點，並明確表示自己樂於接受挑戰。
  - 若身處領導或權威地位，更應鼓勵異議，並在收到異議時表達感謝，即使最終決定不變，也要讓對方知道其意見被重視，以避免「自我審查」。
- **社會層面**：
  - 在教育中從小培養批判性思維，教導孩子思考「替代解釋」，如同教導他們不接受陌生人的糖果。
  - 鼓勵文明對話，尊重不同意見，避免「取消文化」和「同溫層」效應，促進更理性和開放的社會對話。

# 結論
在資訊爆炸且充滿偏誤的時代，尋求真相需要系統性的批判性思維。個人應主動辨識並對抗確認偏誤、偏誤搜尋及非黑即白思維，並運用「錯誤推論階梯」框架，從陳述、事實、數據到證據，逐層審視資訊的準確性、代表性、因果關係及普遍性。在實踐中，應積極尋求多元觀點，鼓勵異議，並在教育中從小培養批判性思維，以促進更理性和開放的社會對話。

原文連結: https://rationalreminder.ca/podcast/361