9推理与判断.ppt

一、类比推理 A对于B，相当于C对于 。 火对石棉就像水对 (a)乙烯树脂；(b)空气；(c)棉花；(d)水龙头 Sternberg（1977）利用数学模型分解出被试花在类比推理中各个过程上的时间量。他发现，在解决简单的文字类比时，大部分时间都花在对项目进行编码以及做出反应，实际用在对这些编码进行推理操作的时间只占一小部分。 类比推理的容易程度取决于问题的复杂性。复杂性依赖于许多因素，如：所要理解的独立项的复杂程度如何?推理者对此的知识掌握情况如何?找出前两项关系的容易程度如何?空白项有多少种可能以及想出它们的容易程度如何？ * 二、假设检验 Wason (1960)： 给你三个数2、4、6，并告诉你这三个一组的数字遵循某种规则。你的任务是判断该规则是什么， 你不可以问与规则直接相关的问题。你需要提供自己的三数组，对于你给出的每一组数都会给予反馈，告诉你它是否符合规则。 你应当尽力不去乱猜：只有当你自信掌握了规则的时候，才能说出来。 在所有最初的29个被试中，只有6人没有一开始做出错误的猜测而直接发现了规则。其他有13人做了一次错误的猜测，9人做了两个或两个以上的错误结论，还有一人最终也没得到结论。 * 多数犯错误的人的思考方式是：形成对规则的大体概念，然后按照这个规则去建构例子。他们没有做到的是，构造一个反例来检验这个规则。这一反例也是一个三数组，如果规则正确，就不会从主试那里得到肯定的答复。 华生称被试的这种倾向为证实倾向，因为被试似乎努力去证实自己规则的正确性，而没有试着检验他们的规则。 * 有关证实倾向的研究也反映了科学家在检验其他科学假设时所面临的境遇：与任何一组数据对应，可建构出无穷多个假设。 例如，假设在实验的某个时候，你发现下面所有的三数组都遵循规则(不管规则是什么)：2，4，6；8，10，12；20，22，24；100，102，104。 与此一致的规则有哪些呢?下面就是其中的一部分：“依次增2的三个任意偶数”；“连续的三个偶数，但最后一个不大于500；“任意三个偶数，并且中间一项是首末两项的算术平均数”；“第二项是第一项与第三项算术平均数的三个偶数，但最后一项不大于500；“任意三个递增的偶数”；“任意三个递增的数”；“任意三个数”；“任意三样东西”。这个清单揭示了对于给定的一组数据而言，只要稍动脑筋，就会很容易地产生成百上千的规则。 * 这意味着没有规则能“被证明”是正确的，就像没有科学假设能被证明是正确的一样。 最好的方法反而是尽可能多地反证出错误的规则(或者，如果你是一个科学家，尽可能多的提出可供选择的其他假设)。 * 第三节 判断 判断——人们根据已知信息对处在模糊、不清晰状态的事物或现象进行推断的过程。 判断（judgement）研究关心的是从已有知识和可获取的证据中推导出结论的加工过程。 决策（decision making）研究关心的是我们如何在众多选择中作出决定，并且这些选择可能是对个人具有重要意义的。 * 一、贝叶斯定理 在新的信息或证据呈现后，人们很可能会修正他们对事物或现象的原有估计。 信念改变常常可用概率来表述。例如，原来我们可能有90％的信心认为王某说谎，但是当王某的话被李某证实后，概率可能就会下降到60％。 18世纪的数学家托马斯·贝叶斯分析了这种概率变化并发展出一个数学公式，该公式表达了我们应该如何整合概率才能计算出新证据对先验概率的影响。而且，他还专门研究了两种信念或两种假设(如x在说谎和X没有说谎)的情景，并且展示了新数据或新信息是如何改变这两个假设的概率的。 * 假设你和你的男朋友之间长期的恋爱关系在一个可怕的夜晚结束了，并且你发誓再也不见他了。你避免到有可能遇到他的地方去，这样几个月过去了。一个要好的朋友邀请你去参加一个大的聚会。你去或者不去的决定完全依赖于你对以前男友是否会出现的估计。在考虑后，你认为你的好朋友可能不会粗心到同时邀请你们两个人。并且，根据以往的经验，你认为相遇的概率是1/20。那么这个假设就能以如下的数学方式表示： * 我们还可以描述另一个假设，即你以前的男友不会出现在聚会上的概率是19/20。它可以被描述为： * 在这种情况下，我们假定你决定参加聚会。但是，当你走到聚会的房子外时，你发现了停在车道上的黑色宝马。在很短的时间内你计算出了这辆车的主人是你以前男友的概率（这说明他在参加聚会），并且根据这一信息和以前的信息评估了主人同时邀请你们两个人的概率。在这个例子中，那辆车属于你前男友的概率是90％（另外10％归因于许多因素，包括车已卖给别人的概率、车抵押给别人或这只是一辆相似的车）。根据贝叶斯定理，现在你前男友参加这个聚会的概率可以表达为： * P（H∣E）是指有了新证据E之后假设（H）发生的概率。在上面的例子中，就是指在最初的小概率