在一座小城里有100辆出租车，其中蓝色出租车70辆，黄色出租车30辆。根据以往的记录，蓝色出租车出车祸的概率是10%，黄色出租车出车祸的概率是30%。现有一辆出租车不幸发生车祸，请问这辆车是蓝色出租车的概率是多少？
我的天，这该问警察叔叔，我怎么知道？
10%？70%？反正不会是30%。
这是丹尼尔·卡尼曼教授研究人类被试的判断与决策特征时采用的问题之一，正确的解答方法是使用贝叶斯公式，计算过程如下：
但是，我还是不理解为什么该这样计算。
那试试有向图吧，或许对你有帮助。把问题中的数据关系置于有向图：
问：现有一辆出租车不幸发生车祸，请问这辆车是蓝色出租车的概率是多少？
答： 嗯……似乎只能是7 /（7+9）。
问题是不是简单多了？
以上的方法被称为图形促进，广泛应用于贝叶斯推理、概率推理和三段论推理研究中。那么，有向图是否也能促进人类被试的因果推理？
先从经典的因果推理问题说起：
为检测某种治疗花粉过敏的药物（如：XYZ）是否有导致病人头痛的副作用，医药公司招募了30名花粉过敏患者进行实验。在服用XYZ前，30名志愿者中有10人头痛，在服用XYZ后，有20人头痛（含服用药物前头痛的10人）。请问：XYZ导致病人头痛的能力是 ？（请用0-100 的数字回答，你认为该药物导致病人头痛的能力越强，就给出越大的数字）。
这一问题与前述出租车问题的一个重要区别是没有标准答案，只有最佳解：10（新增头痛人数）/ 20（服药前不头痛人数）= 0.5。但前期研究发现很多人使用10（新增头痛人数）/ 30（患者总数）= 0.33作答，或者使用20（服药后头痛人数）/ 30（患者总数）= 0.67作答，使用最佳解作答的被试不超过40%。
那么，如何帮助尽可能多的人达成最佳解？
我们发现超过60%的被试使用最佳解作答，这一比例几乎是不使用有向图时的两倍。如果换一种提问方式，如：现有100人在服用药物前不头痛，请问这些人在服用药物后有 人头痛？使用最佳解作答的被试人数接近80%。这说明有向图可以极大地提升被试的因果推理合理性，提问方式的变化也具有一定的促进作用。
图形起到促进作用的原因可能有两个：第一是使用频率而非概率表征数据，第二是有向图将数据之间的嵌套集合关系清晰地呈现给被试，避免了数据之间的相互干扰，减轻了被试的认知负荷。如果有向图不能为被试提供嵌套集合关系，如：
只有19%的被试使用最佳解作答，比不使用有向图时的比例还更低。
或者，在出租车问题中，使用概率而非频率表征数据，如：
有向图并不能提高被试正确解答的概率。
总而言之，能提供数据间嵌套集合关系的有向图才能有效促进人类被试的推理合理性。
小编推荐心理学文章：
| “撞衫不可怕，谁丑谁尴尬”：解密撞衫后的心理 |
| 可成为女性朋友知己的十种男性性格特点 |
| 食欲与颜色之间的10个心理秘密 |
| 何以一见钟情？面孔吸引力的晕轮效应与泛化效应 |
| “撞衫不可怕，谁丑谁尴尬”：解密撞衫后的心理 |
| 成熟与不成熟男人的区别 |
- 还没有人评论，欢迎说说您的想法！