心理所合作研究揭示人們做出日常生活預測的心理機制

　　生存取決于對未來的成功預測。在熟悉的領域，這樣的預測已經夠難了。然而，人們還要對不熟悉的領域進行預測。舉一個簡單的例子，一個辦公室白領知道在其上班的大樓內通常需要多長的時間才能等到電梯，那么，當她在另一幢不熟悉的大樓等電梯時，需要花費多少時間呢？假設她已經等了3分鐘，她是否應該選擇爬樓梯呢？考慮到類似這樣對未來的預測屢見不鮮，我們不禁要問：這樣的預測是基于什么？預測準確性有多高？為了回答這兩個問題，中國科學院行為科學重點實驗室李紓研究組與澳大利亞阿德萊德大學John Dunn教授進行了一系列迭代學習（iterate learning）實驗，探索了日常生活中人們是如何做出預測的。 

　　在實驗一中，研究者選取了中國北京市和澳大利亞阿德萊德市的兩組被試。北京被試包括來自北京三所不同大學或研究所的40名本科生或研究生（男性24名），年齡在19歲至34歲之間。阿德萊德被試包括來自阿德萊德大學的50名本科生（男性14名），年齡在18歲至32歲之間。實驗要求被試對四個知識領域進行預測：埃及法老統治時間、電影時長、蛋糕制作時間和北京公共交通長度。其中，對兩組被試而言，“法老統治時間”屬于不熟悉的領域，而“電影時長”屬于熟悉的領域。對北京被試而言，“蛋糕制作時間”屬于不熟悉的領域，而“北京公共交通長度”屬于熟悉的領域。與北京被試不同，對于阿德萊德被試而言，“蛋糕制作時間”屬于熟悉的領域，而“北京公共交通長度”屬于不熟悉的領域。預測方式采用迭代學習程序，舉例如下：如果你突然到朋友家做客，發現他們正在看電影，電影已經進行了t分鐘。你預測電影的總時長是多少（分鐘）？研究結果發現（見圖1），兩組被試在“法老統治時間”和“電影時長”這兩個領域的預測結果的分布能夠反映真實分布。對“蛋糕制作時間”的預測結果表明，阿德萊德被試準確估計了“蛋糕制作時間”，而北京被試低估了“蛋糕制作時間”，這與研究者的預期相符。但是，與研究者預期不符的是，在對“北京公共交通長度”的預測上，兩組被試的估計結果均不符合真實的量化分布（見圖1）。具體而言，阿德萊德被試高估了“北京公共交通長度”，而北京被試低估了“北京公共交通長度”（見圖1）。研究者認為，這有可能是由于阿德萊德被試基于自己熟悉的城市公共交通長度，預測“北京公共交通長度”應更長。為了驗證這個可能性，研究者進行了實驗二。 

圖1 實驗1的被試結果分布和真實量化分布 

　　在實驗二中，研究者只選取了24名在阿德萊德長期居住的被試（年齡范圍：19-40歲；男性8名），要求他們預測阿德萊德的公共交通長度。實驗二的結果支持了研究者的假設，即，阿德萊德被試確實根據本地公共交通長度對“北京公共交通長度”的估計進行了調整。但是，研究者發現，與實驗一中的北京被試一致，阿德萊德被試同樣低估了阿德萊德公共交通長度。對于這一結果，有兩種可能解釋。一種可能的解釋是，人們不能獲得熟悉領域內量化分布(distributions of quantities)的真實知識。另一種可能的解釋是，人們能夠估計其平時乘坐的公共交通長度，但是不能夠估計整個公共交通線路的長度。 

　　實驗三的目的是為了驗證阿德萊德被試能否準確較準他們日常乘坐公共交通長度。在實驗三中，研究者選取了25名在阿德萊德長期居住的被試（年齡范圍：18-47歲；男性14名），要求被試估計：想象你正乘坐阿德萊德公共汽車，一個陌生人告訴你，她上車后已經過了t站地。請問，你覺得她這一路一共會經過幾站地（不包括她上車的那站地）？結果表明，人們日常乘坐的公共交通長度明顯短于整個公共交通長度。 

　　綜上所述，三個實驗的結果表明，首先，人們能夠合理地估計許多領域的量化分布；其次，令人驚訝的是，在非常熟悉的領域，人們也可能無法合理估計其量化分布；再次，人們在預測不熟悉領域的量化分布時，可能會產生由相關熟悉領域的知識遷移所導致的偏差。 

　　回到最初的問題，熟悉性或直接經驗是如何影響預測準確性的？我們的回答是，領域熟悉性本身并不是關鍵，而相關經驗的類型才是關鍵。例如，在電影時長和蛋糕制作時間這兩個領域中，人們能夠直接談論這兩個時間。甚至在法老統治時間這個問題上，人們也可能從壽命等領域進行推論。但是，人們通常不直接討論公共交通的總長度。簡而言之，在一些領域中，領域知識是以直接可用的方式呈現的，人們可以根據這些領域知識進行預測；但是在另一些（甚至是熟悉的）領域中，領域知識是包含在活動中，而不是被明確指出的，人們的預測會出現偏差。