主持人 尼古拉·安根: 大家好,我是挪威南方财富基金首席执行官尼古拉·安根。今天非常荣幸能与大卫·斯皮格尔哈尔特爵士对话。坦率地说,他不仅是世界上最优秀的统计学家之一,也是我见过的最佳风险沟通者。他撰写了大量优秀著作,尤其擅长将统计学这个对大多数人来说有些晦涩的领域,变得通俗易懂。非常感谢您的参与。

您从事风险研究多年,从人类心理学中,您学到的最重要的一课是什么?

大卫·斯皮格尔哈尔特: 首先,我必须声明我不是心理学家,而是一名统计学家,但我尽力向合作过的心理学家学习,观察人们如何应对风险与不确定性。我认为,“不确定性”是一个比“风险”更广泛的概念,它涵盖了所有与未来、甚至当前和过去未知事件相关的一切。事物通常有正反两面,因此可以视作风险。

我的体会是,人们必须与不确定性共存。当你直接问人们时,他们会说“哦,我不喜欢不确定性”,但有些人实际上是喜欢的,他们比其他人更勇敢。当我们追问一些具体问题时,这一点就更明显了。比如:“你想提前知道圣诞礼物是什么吗?”“你想提前知道一场已经录好比赛的结果吗?”或者“你会直接跳到电视剧的最后一集,看看结局吗?”我甚至问过:“如果我可以告诉你,你想知道自己将在何时死亡吗?”几乎所有人都回答“不”。

虽然有些人极度厌恶不确定性,但大多数人已经意识到,生活离不开不确定性。想象一下,一个没有任何不确定性和风险的生活,那将是多么可怕。当然,确实存在一些非常谨慎的人,他们希望一切都能按计划进行,掌控所有意外情况,但这显然是不可能的。

当我与观众交流时,我首先提到的就是,我们不仅要面对已知的不确定性,更要面对那些“未知的未知”——我们甚至无法列举出所有可能发生的事情。我们必须应对这片未知的迷雾,这正是人类生活的一部分。

主持人: 我很想了解人们的个人应对策略,这与“大五人格”有何关联?比如,内向的人是否更少冒险?

大卫·斯皮格尔哈尔特: 我没有亲自研究过这一点,但肯定有学者研究过风险偏好和风险规避。他们发现,并不存在一个单一的“风险”性格特征,这可能就是为什么它不属于大五人格。

例如,我认识一些在身体上看似鲁莽的人,他们对待自己的身体很大胆,但在金钱上却极其谨慎。另一些人可能在社交上非常大胆,勇于承担换工作、换朋友、进入新环境的风险,但对自己的身体健康却非常小心。所以,不存在一个可以衡量所有人的单一风险量表,它是一个多维度的概念。

主持人: 为什么人们如此害怕未知?

大卫·斯皮格尔哈尔特: 如果我是进化生物学家,我可能会说,我们天生对已知风险更熟悉,而对未知感到恐惧。这一点几千年前就已为人所知,比如所谓的“埃尔斯伯格悖论”——如果你无法明确风险的大小,人们会更不愿意接触它。在学术上,这被称为“对风险不确定性的厌恶”。

我认为这种态度是完全合理的。因为如果你不了解各种可能性以及它们发生的大致概率,一种更深层的谨慎态度就会出现,人们会开始真正规避风险,以防范重大损失。这种情况在我们生活的方方面面都能看到。

主持人: 什么样的习惯能帮助我们更理性地解读风险?

大卫·斯皮格尔哈尔特: 首先,我不太喜欢用“理性”这个词。在我的书中,我几乎从不使用它。理论上,我们可以理性地分析和分解风险,但在现实生活中,我认为这很荒谬。我教了几十年决策理论,知道应该如何正确应用它,但实际上根本做不到。

因为决策理论要求你列出所有可能性、所有选项,并评估每种结果的概率及其对你的重要性,然后根据经济学原理最大化预期收益。这在现实中行不通,第一步就失败了——你甚至无法列出所有可能发生的事,更不用说量化所有因素了。 所以我认为没有人能做到真正的“理性”。

不过,我们可以尝试以一种“合理”的方式来应对。首先,要尽可能发挥想象力,敞开心扉,努力构想可能的未来,包括一些极端情景。这需要多元化的信息输入。我自己毫无想象力,所以如果我为社会做重要决策,我希望顾问团队能有真正的多元化背景。

我最喜欢的例子是巴拉克·奥巴马。当他决定是否派遣海豹突击队去阿伯塔巴德抓捕本·拉登时,他有一个非常多元化且互不沟通的顾问团队。有些人扮演“红队”,非常悲观,认为本·拉登在那里的可能性只有30%-40%;另一些人则非常积极,认为可能性高达80%-90%。他必须整合所有这些信息,承担最终责任。

因此,第一步是承认没有唯一的正确答案,必须有多元化的意见。其次,要结合分析方法。我热爱数学和统计,喜欢深入剖析不确定性,分析数据,构建模型。这很棒,但还不够。它从不告诉你该怎么做,你还需要判断力。最终,决策是分析与直觉的结合。

主持人: 您最初从事医学统计,这是如何开始的?

大卫·斯皮格尔哈尔特: 这很自然,只是因为当时有一份好工作。1978年,我大学毕业后在美国教了一年书,然后回国。当时正值医学人工智能的热潮,被称为“计算机辅助诊断和预后”。我们构建统计模型,对胃部不适的患者进行计算机访谈等。这些想法在当时非常现代,尽管技术很糟糕。

整个80年代,我都在研究人工智能中的不确定性问题。我们当时以为已经解决了它,但事实证明我们错得离谱。这至今仍是一个重大课题。如今的机器学习技术远超想象,令人惊叹,但它们在处理不确定性方面仍然存在困难。

主持人: 您在医疗领域见过哪些最离奇的数据?

大卫·斯皮格尔哈尔特: 我参与过英国四项重大的医疗丑闻调查,这也是我逐渐获得公众关注的原因。其中一个案例是,某个心脏手术中心有三十多名婴儿死亡,远超预期数量。

第二个当然是哈罗德·希普曼(Harold Shipman)事件,他是一名连环杀手,在二十年间谋杀了至少二百五十名,甚至可能多达四百名患者。他被抓获后,我们被请来分析,是否有可能更早发现他。结论是:完全可以。如果当时有人在查看数据,他本应在几年后就被发现,因为他的诊所里有大量的超额死亡。但当时没有人查看数据。

现在情况有所改善,但进展缓慢。我们为希普曼案开发的方法,将工业质量控制的理念应用于医疗结果,后来被用于英国儿科重症监护的监测系统,以实现早期问题检测。

主持人: 您现在是公共领域的统计学家。为什么人们需要掌握这个领域的知识?人们常犯的重大错误是什么?

大卫·斯皮格尔哈尔特: 我们只需看看美国等地方的情况,当高层讨论不基于证据和数据,只基于个人言论时,会发生什么。比如特朗普,他的一些言论和行为,无论是关于疫苗(疫苗安全有效,其实是有误导性的)还是设置关税,似乎都缺乏严谨的证据支持,这让我这个统计迷深感困扰。

我不想告诉别人该做什么,也不想规定什么是正确的政策。我只想说:请尊重我们已有的证据。这不仅是政客的问题,社交媒体上也充斥着阴谋论和对优质证据的有意或无意的曲解。人们喜欢数据,认为它们是冰冷客观的事实,但事实并非如此。数据常常被误读、夸大和片面引用(cherry-picked)。算法会放大这些看起来惊人但实际上错误的断言,一旦传播开来,就很难纠正。

因此,我作为英国统计局的委员,一直努力在官方统计数据的传播中,提前预判人们可能产生的误解,并主动说明“这些数据意味着什么,但不意味着什么”,以此来引导公众的理解。

主持人: 我们从新冠疫情中学到的最重要的一课是什么?

大卫·斯皮格尔哈尔特: 数据的重要性。对统计学家来说,那真是一个黄金时代。我当时夜以继日地分析和沟通数据。媒体和公众也表现出极大的兴趣,他们真正想要的是对数据进行不偏不倚的解读。我发现,只是单纯地解释数据,而不发表“应该怎么做”的意见,反而让我非常受欢迎。

主持人: 您在书中谈到危机沟通的五项原则。能分享一下吗?

大卫·斯皮格尔哈尔特: 这些原则源自英国食品标准局前负责人约翰·克雷布斯,他在处理疯牛病等一系列危机后总结出来的。

  1. 清楚说明我们已知的内容。
  2. 立即承认未知和不确定的部分。
  3. 说明我们正在采取哪些措施来学习和发现更多信息(例如,正在收集数据、进行实验)。
  4. 告诉人们在等待期间可以做什么(例如,提供临时的建议和指导,让他们获得自我效能感)。
  5. 最后也是最重要的一点:承诺我们会随着新发现的出现而更新建议。 这强调了当前观点的“临时性”。

这种方法极具可信度,因为它真实。然而,让政客做到这一点几乎是不可能的。

主持人: 为什么对政客来说这么难?

大卫·斯皮格尔哈尔特: 他们认为必须表现出绝对的自信,否则没人会相信他们。但我们的研究,包括一些随机试验,有力地表明这完全是谬论。当你处于权威地位,并承认一定的不确定性时,反而会更受信任,尤其是那些最初持怀疑态度的人。因为你终于承认了他们所担忧的问题。常见的政治沟通方式,那种“强行灌输信息”的做法,实际上正在削弱他们试图接触的最不信任群体的信任。

主持人: 我们从新冠疫情中没有学到什么?

大卫·斯皮格尔哈尔特: 我们没有学到足够的灵活性。例如,大约在疫情开始一个月后,科学界就已经知道洗手和消毒物体表面并非防疫重点,通风和新鲜空气才是关键。但官方的宣传在长达一年的时间里都没有改变。我们需要学会敏捷,通过承认不确定性来带领民众,并在必要时改变方向。

一个正面的例子是,当阿斯利康疫苗被发现可能引发年轻人严重的血栓时,英国的副首席医疗官乔纳森·范·坦姆向公众详细解释了证据的变化,展示了数据图表,说明了为什么政策需要根据年龄进行调整。他尊重观众的智力,坦诚地沟通,公众也因此接受了政策的“调整”,而不是指责其为“U型转弯”。这表明,由懂行的科学家直接进行沟通,效果会非常好。

主持人: 在一个被数据淹没的世界里,如何区分信号与噪声?

大卫·斯皮格尔哈尔特: 这就是统计学家一生的工作。传统的统计学方法,比如回归分析,通过理解变异的来源来区分哪些是可预测的“信号”,哪些是不可避免的“噪声”。

这与许多机器学习的“黑箱”方法不同。黑箱模型可以直接输入数据并输出预测,但人们往往难以解释其得出结论的原因。而传统的统计方法虽然可能更基础,但能让你更清晰地解释哪些因素是重要的,从而生成更易理解的结论。

主持人: 在您看来,您自己的核心理念和希望留下的“遗产”是什么?

大卫·斯皮格尔哈尔特: 我想应该是关于“可信证据的传播”。我做过很多技术性工作,也因此获得了很多引用,这很棒。但最终,我真正痴迷的是建立一种可信的证据沟通方式。这种沟通不是告诉人们该怎么做,而是为他们提供可靠的信息基础。如果我们不这样做,就只能依赖丹尼尔·卡尼曼所说的“快思考”,即依赖直觉和情绪来处理一切,那将是一场灾难。

主持人: 对于年轻人,从统计学的视角,您有什么人生建议?

大卫·斯皮格尔哈尔特: 我们必须直面不确定性,因为我们永远不知道未来会发生什么。在我看来,无论是对企业还是对个人,最重要的品质是“韧性”(Resilience)。韧性是我们在面对深层不确定性——那些我们甚至无法预料的事件时,所需要的核心能力。它能让我们应对、学习,并从任何可能发生的事情中获益,无论是好是坏。

所以我对年轻人的建议是:走出去冒险,但不要鲁莽。要防范那些真正重大的风险,但要敢于尝试。正是在承担风险和应对不确定的过程中,你才能培养出韧性。

主持人: 大卫,这次播客比我预期的还要精彩。非常感谢您为社会所做的一切,感谢您提升了统计学的知识普及,并作为一位如此优秀的沟通者。

大卫·斯皮格尔哈尔特: 非常感谢。这次谈话的很多内容也超出了我的舒适区,所以我自己也承担了一些风险。非常感谢你。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/news/922212.shtml
繁体地址,请注明出处:http://hk.pswp.cn/news/922212.shtml
英文地址,请注明出处:http://en.pswp.cn/news/922212.shtml

如若内容造成侵权/违法违规/事实不符,请联系英文站点网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

在使用git的很多操作是保持工作区干净

这是一条铁律下面是错误操作:自己明明写完了代码,想要提交。此时你的工作区长这样你的提交顺序是:git pull -> git commit -> git push但是现实往往不这样,万一拉下来的代码和你当前工作区的代码有冲突,你必须要…

通过语法推导树快速求短语,简单短语和句柄

第一步:写出规范推导(最右)序列 规范推导就是最右推导。我们的目标是从起始符号 E 出发,通过每步替换最右边的非终结符,最终得到句型 R(Pi)。 文法 G[E]: E :: RP | PP :: (E) | iR :: RP | RP* | P | P* 推导过程&…

智能学习辅助系统-部门管理开发

文章目录准备工作工程搭建增删改查查询部门删除部门新增部门修改部门查询回显修改数据日志技术准备工作 需求:部门管理的查询、新增、修改、删除 使用REST风格的URL: GET : 查询POST :新增PUT : 修改DELETE &#x…

【图解】idea中快速查找maven冲突

现象 今天启动项目时,总是以下报错,并退出SLF4J: Class path contains multiple SLF4J bindings. SLF4J: Found binding in [jar:file:/F:/.m2/repository/org/apache/logging/log4j/log4j-slf4j-impl/2.13.3/log4j-slf4j-impl-2.13.3.jar!/org/slf4j/im…

LightGBM、XGBoost和CatBoost自定义损失函数和评估指标

LightGBM、XGBoost和CatBoost自定义损失函数和评估指标函数(缩放误差)数学原理损失函数定义梯度计算评估指标LightGBM实现自定义损失函数自定义评估指标使用方式XGBoost实现自定义损失函数自定义评估指标使用方式CatBoost实现自定义损失函数自定义评估指…

2025-09-08升级问题记录: 升级SDK从Android11到Android12

将 Android 工程的 targetSdkVersion 从 30 (Android 11)升级到 31(Android 12)需要关注一些重要的行为变更和适配点。 主要适配要点: 适配类别关键变更点适配紧迫性简要说明组件导出属性声明了 Intent Filter 的组件…

利用OpenCV实现模板与多个对象匹配

代码实现:import cv2 import numpy as npimg_rgb cv2.imread(mobanpipei.jpg) img_gray cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY) template cv2.imread(jianto.jpg, flags0) h, w template.shape[:2]# 读取图像# # 顺时针旋转 90 度(k1&#xff0…

OS28.【Linux】自制简单的Shell的修bug记录

目录 1.问题代码 2.排查 前期检查 查找是谁修改了environ[0] 使用gdb下断点 查看后续的影响 分析出问题的split_commandline函数 3.反思 4.正确代码 5.结论 6.除此之外...... ★提示: 此bug非常隐蔽,不仔细分析很难查出问题,非常锻炼调试能力! 1.问题代码 #includ…

Debian 系统上安装与配置 MediaMTX

🎯 在 Debian 系统上安装与配置 MediaMTX(原 rtsp-simple-server):打造轻量级流媒体服务器 作者:远在太平洋 环境:Debian 10/11/12 | Ubuntu 可参考 关键词:MediaMTX、rtsp-simple-server、RTSP…

分布式专题——10.4 ShardingSphere-Proxy服务端分库分表

1 为什么要有服务端分库分表? ShardingSphere-Proxy 是 ShardingSphere 提供的服务端分库分表工具,定位是“透明化的数据库代理”。 它模拟 MySQL 或 PostgreSQL 的数据库服务,应用程序(Application)只需像访问单个数据…

Mysql相关的面试题1

什么是聚集索引(聚簇索引)?什么是二级索引(非聚簇索引)? 聚集索引就是叶子节点关联行数据的索引,二级索引就是叶子节点关联主键的索引,聚集索引必须有且仅有一个,二级索引…

电涌保护器:为现代生活筑起一道隐形防雷网

何为电涌保护器?电涌保护器(Surge Protective Device,简称SPD)主要用于控制信号系统,保护电气电子设备信号线路免受雷电电磁脉冲、感应过电压、操作过电压的影响,广泛应用于工控、消防、安防监控、交通、电…

【uniapp微信小程序】扫普通链接二维码打开小程序

需求:用户A保存自己的邀请码海报,用户B扫描该普通连接二维码,打开微信小程序,并且携带用户A的邀请码信息,用户B登录时,跟用户A关联,成为用户A的下级。 tips:保存海报到手机相册可以参…

LeetCode 378 - 有序矩阵中第 K 小的元素

文章目录摘要描述题解答案题解代码分析代码解析示例测试及结果输出结果时间复杂度空间复杂度总结摘要 在开发中,我们经常遇到需要处理大规模有序数据的场景,比如数据库分页、排行榜查询、或者处理排序过的矩阵。LeetCode 第 378 题“有序矩阵中第 K 小的…

【Lua】Windows 下编写 C 扩展模块:VS 编译与 Lua 调用全流程

▒ 目录 ▒🛫 导读需求环境1️⃣ 核心原理:Windows下Lua与C的交互逻辑2️⃣ Windows下编写步骤:以mymath模块为例2.1 步骤1:准备Windows开发环境方式1:官网下载Lua源码并编译(可控性高)方式2&am…

Python快速入门专业版(二十九):函数返回值:多返回值、None与函数嵌套调用

目录引一、多返回值:一次返回多个结果的优雅方式1. 多返回值的本质:隐式封装为元组示例1:返回多个值的函数及接收方式2. 多返回值的接收技巧技巧1:用下划线_忽略不需要的返回值技巧2:用*接收剩余值(Python …

python使用pip安装的包与卸载

1:基本卸载命令 # 卸载单个包 pip uninstall package_name# 示例:卸载requests包 pip uninstall requests2:卸载多个包 # 一次性卸载多个包 pip uninstall package1 package2 package3# 示例 pip uninstall requests numpy pandas3&#xff1…

超级流水线和标量流水线的原理

一、什么是流水线?要理解这两个概念,首先要明白流水线(Pipelining) 的基本思想。想象一个汽车装配工厂:* 没有流水线:一个工人负责组装一整辆汽车,装完一辆再装下一辆。效率很低。* 有了流水线&…

【Ansible】管理复杂的Play和Playbook知识点

1.什么是主机模式?答:主机模式是Ansible中用于从Inventory中筛选目标主机的规则,通过灵活的模式定义可精准定位需要执行任务的主机。2.主机模式的作用答:筛选目标:从主机清单中选择一个或多个主机/组,作为P…

FastGPT源码解析 Agent 智能体应用创建流程和代码分析

FastGPT对话智能体创建流程和代码分析 平台作为agent平台,平台所有功能都是围绕Agent创建和使用为核心的。平台整合各种基础能力,如大模型、知识库、工作流、插件等模块,通过可视化,在界面上创建智能体,使用全部基础能…