品料理

 

真相製造

1. 2016@比利時
   實體與線上的Ghetto
   
1. 在社交網站上釣魚
1. 極端化的社交舒適圈
2. 移民後代看不到未來的希望
1. "我也是查理" 對穆斯林青年而言意味"你不是查理,你是恐怖分子"
3. 極端化的兩個關鍵
1. 對自身或是環境的失望和不認同
2. 人格特質中的積極性
1. 對於正義, 榮譽感的追求.
4. 給予自我認同和建立自信, 能避免過度極端化
1. 也可以說是創造能參與社會的環境
5. 這不僅是對穆斯林青年有效果, 針對白人至上主義份子等其他的極端團體, 也能利用一樣的手法.
   
   
2. 2017@法國
   拿回我們的國家和媒體吧
1. 數位出版科技的普及, 讓建立不實內容變得更簡單
   網路, 則讓發布不實內容變得更簡單
   社群媒體讓散布不實內容變得更簡單
2. 最能對抗不實敘事的, 恐怕不只是真假的證明, 而是告訴選民這是"誰幹的"
1. 將大眾的注意力引導至謠言的製造者, 傳遞者和來源
3. 與宗教, 科學不同, 資訊只要相較之下的真實
4. 嚴格來說, 原始資訊並不存在, 資訊永遠是有觀點的.
   
   
3. 2109@印尼
   當民主成為online game
1. 統計報告裡點出, 花越多時間, 越多金錢在網路上的人, 越容易分享假消息,
1. 即使有些人能夠分辨不實資訊, 他們依然會分享
2. 先看出那條消息的來源是誰, 他是不是詮釋了資訊, 加了個人意見.
3. 政府透過強力要求網路平台管控不實言論, 很容易傷害言論自由
1. , 如果真的是為了保護民眾, 應該培養消費者對政治宣傳和不實資訊的免疫力.
4. 政府建立的打假機制如果透明性不足, 打假工具可能成為政府審核言論自由的工具.
1. 政府自身為賽局的一部分, 造成核實上的不利
2. 如果政府是謠言的受害者, 他們就會很有效率
3. 如果謠言攻擊的是在野陣營, 他們就消極被動
   
   
4. 2019@德國
   統一三十年, 德國能否再次讓高牆倒下
1. AFD, Alternative fur Deutschland, 德國另類選擇黨
2. 權力和關注會改變一個人, 極端政黨為了爭取選民注意, 豪不吝嗇地展現自己的彈性.
1. 避開困難的議題, 好比貨幣制度, 經濟之類的
2. 聚焦在簡單, 容易帶入負面情緒共鳴的議題, 在德國這類話題是移民
3. 非黑即白簡單的口號.
3. 社群媒體的設計, 除了讓使用者更極端化, 更關鍵的是人為的操縱
1. 廣告投放者在傳遞訊息時, 能夠過數據進行個人化的精準投放和心理側寫, 對不同背景的使用者打造文宣
1. 個人化的政治宣傳
4. 人們對於全球化下浮現的複雜問題, 都已失去耐性, 中間溫和派的政治主張, 這幾年來沒有滿足人們的期待, 人們越來越需要一個簡單的答案
5. 情緒極化, emotionally polarized
1. 大部分人在真的接觸到對方之前已有成見, 聽到他者和自己的政治立場不同, 情感上會先直覺地否定對方.
2. 社群媒體上的同溫層傳來的資訊, 不論真假的強化, 支撐了自己的偏見.
   
   
5. 2020@中國
   官民一體, 網路牆國, 向全球灑下宣傳天網
1. 審查, 轉移焦點, 謊言
2. 宣傳與審查是一個硬幣的兩面, 在中國, 這製造了長久以來的矛盾, 
1. 官方負責公布法令, 指導方針
2. 民間企業投入資源, 技術以及人類進行審查
3. 企業為了自保, 就會增加審查力道
4. 網路審查最終影響全球對疫情的判斷
3. 網路管理:震攝, 強攻與審查
1. 透過公權力上門, 讓人自我恐懼, 自我審查,
4. 內容農場替中國官方與大眾口味對接, 可讓議題被一般人理解, 同時也是金流的橋樑, 讓預算流進行銷公司或是個人口袋
5. 官方力量造就的同溫層, 大規模的社群輿論控制.
   
   
6. NOW@台灣
   平行世界間的資訊攻防戰
1. 內容農場以流量為導向的經營策略, 以觀看數為分潤依據的寫手文化, 導致內容的走向刻意去迎合觀看者, 強化同溫層而極化團體.
1. 放下自身專業進行業配的傳統媒體, 模糊了廣告與新聞報導的界線, 讓閱聽者的辨識能力下降
2. 透過社群分享的內容, 閱聽者在會以分享者和自身的關係好壞, 去判斷這則訊息的真實度
2. 訊息不一定涉及真假, 但那些意圖操控, 運用假帳號及提高聲量的做法, 影響更為劇烈
3. 2018年以來, 為了壓制不實資訊和抵抗境外勢力, 政府公部門在網路上的聲量逐年上升, 另一方面, 民主的運作和公民的討論空間卻受到威脅
1. 政府的"二二二原則"
1. 兩張圖, 配上20個大字, 少於兩百個字的說明
4. 社群時代產生新類型的政治幕僚, 他們以聲量為一切的依歸, 將現實和數據結合, 根據社交平台上的風向和輿論熱度, 來決定貼文的形式, 頻率, 政治議程
1. 政治人物也依據聲量和風向, 來決定自己該對那些議題進行回應
5. 以上原因導致公部門在溝通時, 重視情緒操作而勝過政策說明
6. 一旦有執政者不同的意見, 即使有科學根據和事實支撐, 也會遭受到聲量部隊的輾壓式攻擊.
7. 人喜歡激烈的批判, 喜歡一錘定音的東西， 他喜歡你看完後,從此不用再想這個問題, 我有這個答案, 從此我就抱著這個答案到死我都不要改變, 最輕鬆.

雜訊

1. 尋找雜訊
1. 犯罪量刑與雜訊
1. 實驗和統計都顯示, 不同法官對相同案件的判決有很大的落差
1. 甚至與星期幾或是當天氣溫有關係
2. 一個解決方式是採用量刑基準, 數字化罪刑嚴重度, 再以數字為基準, 限縮最高最低刑罰的區間, 但這限制了法官的自由裁量權
   
   
2. 系統雜訊
1. 系統雜訊遠比想像的大
1. 受過同樣訓練的保險業人員, 對於相同案件的理賠金的判斷相差極大
1. 系統雜訊帶來了保險業的損失
2. 系統雜訊會戳破意見一致的錯覺
3. 簡言之, 只要有判斷, 就會帶來雜訊, 而且程度超乎想像
   
   
3. 單一決策
1. 單一決策意味無法重複重現的決策環境
2. 也可以將單一決策視作\只發生一次的重複決策
1. 換言之, 一樣有雜訊, 有偏誤
   
   
2. 你的頭腦同時也是一把尺
1. 什麼是判斷
1. 判斷:由人的頭腦做為儀器的一種測量
1. 和意見與品味不同, 多數情況, 判斷問題應該具備有限的分歧
2. 預測型判斷的好壞評估:
1. 如果存在結果, 可以直接比較
2. 或著比較判斷的過程
3. 評估型判斷取決於判斷者的價值觀和偏好.
1. 好比從多個求職者中取一
   
   
2. 誤差的測量
1. 以MSE(Mean Square Error)來說, 減少偏誤或是雜訊對準確性影響相同
1. 減少預測性判斷中的雜訊是有用的
2. 在做判斷時, 準確性應該是唯一目標
1. 必須把價值觀和事實分開
   
2. 採用外部觀點
   
   
3. 雜訊分析
1. 水準雜訊是不同判定者呈現不同判定的變異程度
1. 不同判定者的平均判定的變異
2. 不同教師的平均給分.
2. 型態雜訊是單一判定者對不同案例的變異程度 
   
3. 場合雜訊, 可以包含在型態雜訊, 是來自某一判定者自身的雜訊
1. 同一判斷者對同個案例, 在不同時間做而產生的變異
4. 我們期待完美的判定世界, 但現實充滿雜訊
   
   
4. 場合雜訊
1. 判斷就像是罰球, 無論我們多想精準重現, 兩次罰球總是會有不同
2. 人的判斷取決於心情, 取決於天氣, 不是永遠不變
3. 人和上週的自己的相似程度大於和他人的相似程度,
1. 普遍而言, 可以預期場合雜訊不會是雜訊的最大來源
   
   
3. 群體如何擴大雜訊
1. 在會議裏面, 前面幾個發言者的意見往往會決定了群體的最終走向
1. 資訊瀑布, informaitonal cascade
1. 當個體對自身持有的資訊不具備足夠信心, 因而決定跟隨之前發表者的意見, 最終造成公開的資訊庫不具參考價值
2. 這降低了集體智慧的價值
2. 群體極化, group polarization
1. 經過討論之後, 群體最後的決定往往比個人的傾向更加極端
   
   
2. 判斷與模型
1. 人們認為做判斷時, 展現出思考的複雜性, 並增加細緻的考量會增加準確性, 效度錯覺(illusion of validity)
2. 這種複雜性往往會弄巧成拙, 不會提高簡單模型的準確性
3. 判斷的雜項的影響很大, 因此沒有判斷的簡單模型, 有時候會比人類更準確.
   
4. 簡單來說, 人會因為自己用了複雜的規則和觀察進行判斷, 而對自己的判斷有著過高的信心.
   
   
3. 無雜訊的規則
1. 如果有足夠的數據, 機器學習的表現會比人好, 也會比簡單模型好
2. 考慮到雜訊的情況, 甚至簡單的規則和演算法也會比人類判斷有優勢
3. 相等權重模型在數據不夠的情況下表現不錯
1. 相等權重:所有項目都給予同樣比重的線性總和
4. 不同意模型時, 要明白是討厭預測結果, 還是真的有特例沒被考慮清楚.
   
   
4. 客觀的無知
1. 不確定性和訊息的不完整讓完美的預測變成不可能
2. 凡是預測, 就會有無知, 而且無知也許比我們想像的更多
3. 如果一個人相信自己的直覺是基於內在訊號, 而非其真正知道的任何事情, 他其實否認了自己會有客觀的無知
   
   
5. 常態之谷
1. 關於人類事務的相關係數常常落在在0.2 (和諧率0.56) 左右
2. 相關性不代表因果關係, 但因果關係可以帶出相關性
3. 大多數正常事件不在我們預料之中, 也不會令人驚訝, 所謂的常態之谷
1. 可以解釋出因果, 並不意味著可以透過這因果進行預測
4. 兩種思維模型
1. 統計思維, 關注全體, 聚焦在統計數字
2. 因果思維, 創造出人物和物件互相影響的事件.
5. 後者我們比較習慣使用, 但前者預測能力比較好
   
   
4. 雜訊的產生
1. 捷思法,偏誤與雜訊
1. 捷思法, heuristics
1. 用比較簡單的問題替代了應該要回答的問題, 
1. 把相似度與可能性互換的思考法
2. 把難易程度和頻率互換的思考法
3. 我相信某個觀點嗎? -> 我信任提出觀點的人嗎?
4. 我對整體生活滿意嗎? ->我現在心情好嗎?
   
   
2. 結論偏誤
1. 未審先判
1. 判定者有特定喜好, 因而選擇性的收集證據並做解讀, 創造符合期待的判斷
2. 情感捷思法:和我們喜歡的公開人物沾邊的東西都喜歡
3. 錨定效應
   
   
3. 過度追求連貫性
1. 為了保持觀點一致, 而讓證據的順序影響了判斷, 
2. 前面幾個證據迅速的形成印象,  之後因為堅守這印象而產生偏誤
   
   
2. 配對
1. matching, 將主觀印象在量表上找到一個數值的行為
1. 好比評鑑的1-5顆星
2. 這邊探討的是強度量表, 任兩者之間存在高低關係
2. 人類在強度量表上的區辨能力有限, 同樣的形容詞對不同人有不同的意義
3. 人在給予分數的時候很難保持一致性
1. 但是對於兩兩相比沒有問題, 建議採用先排序後評分
   
   
3. 量表
1. 有時雜訊的來源, 是人們對於量表的理解不同
2. 書中例子, 受測者針對固定案件的懲罰金額
1. 分別統計了三個面向, 懲罰意向, 憤怒程度, 裁決金額
2. 其中前兩者使用了0~6的量表, 金額則是受測者自行輸入
3. 結果中, 裁決金額有最高的雜訊, 
1. 但如果將金額的部分從數字大小改成排序先後, 藉此消除水準變異,  剩餘雜訊則和懲罰意向靠近
3. 這意味著定錨效應一定程度上可以消除雜訊, 排序往往比直接給予量級準確.
   
   
4. 型態
1. 人在做結論的時候, 往往會過度自信, 忽略了不利證據的解讀
2. 型態雜訊可以來自於性格的不同, 價值觀的不同給予項目不同的比重
3. 型態雜訊可能是暫時的, 又稱場合雜訊, 來自短期內的影響, 好比最近的新聞.
4. 對雜訊而言, 性格的獨特性不一定是好事
   
   
5. 雜訊的來源
1. 
   
   
2. 作者提出, 常見場合的型態雜訊往往佔系統雜訊的60%左右 
   其中穩定型態雜訊又比場合雜訊大
3. 簡言之, 對雜訊而言, 個體之間的差異大於個體內的差異
   
   
5. 提升判斷力
1. 優秀的判斷者, 卓越的判斷力
1. 榮譽專家: 有些領域中, 判斷是無法驗證的, 該領域中的專家形成基於同儕之間
1. 榮譽專家擅場建構脈絡連貫的故事
1. 把所看到的事實, 恰如其分的構成一個連貫的故事, 藉此激發信心
2. 信心捷思法讓人們相信這類專家
2. 判斷品質的關鍵:訓練有素, 聰明, 正確認知風格
1. 也可以說, 取決於既有知識, 思考能力和思考方式
3. 換言之, 在需要從不同意見中做出選擇時, 而自身對這專業一無所知時, 我們應該選擇聰明, 而且抱持開放心態的思考方式的人
   
   
2. 移除偏誤和決策保護
1. 如果已知某種偏誤將會影響決策, 那可以在事前或事後進行修正
1. 事前調整又可分推力或拉力
1. 推力, nudge, 減少偏誤的影響, 或著更進一步地, 希望讓偏誤產生較好的決策
1. 修正觀測結果, 自動加入的退休計畫
2. 拉力, boosting, 偏重讓決策者體認到自身的偏誤, 藉此克服
1. 學習統計等
2. 事後修正常常類似加入緩衝的概念
2. 一個中立的決策觀察者可以即時診斷偏誤
   
   
3. 辨識科學的資訊排序
1. 只要有判斷, 便會有雜訊, 即使是看似完全客觀的指紋辨別
2. 再給予過多資訊的情況下, 辨識人員的判斷會因此產生偏差
1. 好比知道之前的辨識結果, 或是案件調查狀況
3. 如果給出第二意見的人知道第一意見, 那第二意見就不具獨立性
   
   
4. 預測的挑選與總和
1. 取出四個獨立判斷的平均值, 就能消除約一半的雜訊
2. 保持開放心態, 像是永遠的測試版
3. 討論一個問題前, 先找找相關的基本機率是多少
4. 對優秀的團隊而言, 意見多元性很重要
   
   
5. 醫療診斷指引
1. 醫生之間的雜訊水準也很高
1. 診斷癌症, 心臟病或是判讀x光片時會出現歧見
2. 統計結果顯示, 診斷日是禮拜一或是禮拜五, 診斷時間是早上或是晚上, 都會影響判斷結果
3. 為了防止雜訊, 標準化的醫療指引提供較為機械化, 客觀的方式進行評估
   
   
6. 績效評鑑量表的制定
1. 績效評鑑中,有高達3/4 是系統雜訊
2. 導入360度評鑑和強制排序法並不一定能解決問題
3. 大量的水準雜訊來自於評鑑者對於基準值的不同想法, 適當的給予案例做定錨會有幫助.
   
   
7. 人才招募結構化
1. 在傳統面試哩, 第一印象以及追求連貫性會讓面試官過度的認為自己了解求職者.
2. 中介評估法, 先為人事選拔增添架構, 清楚知道工作職位所需的條件, 解構出各個面向, 再從各個面向獨立的對求職者進行評估.
   
   
8. 中介評估法
1. 如同徵才,  結構化流程也適用在做決策時
2. 謹慎的選擇那些該作為中介評估項目.
3. 結構化流程並非反對直覺和整體判斷
1. 只是直覺導入的時間延後, 先透過分析來決定中介評估項目, 在獨立個別的評估以確保資訊充足, 直到要下決策時在回歸直覺和整體評斷.
   
   
6. 雜訊的最適水準
1. 減少雜訊的成本
1. 減少雜訊是需要成本的, 並不是所有場合都適用
2. 減少雜訊的同時要兼顧偏誤
1. 好比透過禁止特定詞語來降低雜訊, 會導致言論上的偏誤
3. 換言之, 設計指引的時候要思考是否隱含了偏誤
   
   
2. 尊嚴
1. 人需要面對面的互動, 即使這些互動可能帶來雜訊
2. 過於注重消除雜訊的行為, 可能會帶來太過僵化的規則
1. 人們也會嘗試尋找漏洞, 更會也會限制人的創意空間
3. 總言之, 要尊重人的尊嚴
1. 為了將來的演變留下足夠空間, 並且確保不影響創意的發揮
   
   
3. 規定與準則
1. 規定可以讓生活簡化, 減少雜訊, 而準則讓人可以視處境來進行調整
2. 選擇要採用規定還是準則時, 要考慮實行的難易度以及哪種可能產生比較多的錯誤

免疫密碼

• 對於免疫系統, T細胞, B細胞等等的介紹略過, 看起來還是在大量研究中
• Wiki 上的資訊可能比較真確.
• 書中討論類風溼性關節炎/愛滋病/癌症的案例和新型態的治療
• 類風溼性關節炎:全身性自體免疫疾病
• 愛滋病:病毒攻擊免疫細胞, 最終使得免疫系統失靈
• 癌症:癌症細胞騙過免疫系統才得以在體內不被驅逐
• 免疫系統不是越強越好, 平衡最重要
• 充足睡眠, 營養均衡, 低壓力
• 體內菌群和免疫系統也存在平衡關係
• 別抽菸
• 不過也不要過度消毒
• 大腦有自己的免疫系統
• 人類對免疫系統的掌握正在高速階段
• 單株抗體在這幾年成功地成為某些棘手疾病的解藥
• 輔助免疫系統驅除癌症看來是個好策略
• 整體來看, 要務還是在早期研究, 存在強烈的副作用

原則

1. 擁抱現實, 沉著應對
1. 當個超級現實主義者
1. 夢想+現實+決心=成功的人生
2. 事實, 或說是對現實有精準了解, 是任何良好結果不可或缺的基礎
3. 態度要極度開放, 極度透明
1. 這對增進快速學習和有效改變來說彌足珍貴
2. 不要在意別人的眼光, 當這會阻擋你成功時
3. 擁抱極度真實和透明使工作和人際關係更有意義
4. 向自然學習現時如何運作
1. 不要固執己見, 堅持事情應該怎樣, 不然會錯失了解真實情況的機會
2. 一定要符合現實的法則, 對整體的進化做出貢獻, 才能算是好事 
3. 演化是宇宙中唯一最強大的力量
4. 不進化, 就死亡
5. 進化是人生最大的成就和最大的回報
1. 個人的誘因必須與群體的目標一致
2. 現實的優畫是為了整體, 不是為了個體
3. 透過快速嘗試錯誤的過程來適應生存環境, 難能可貴
4. 個體既舉足輕重, 也微不足道
5. 你將來是什麼樣子, 取決於你看事情的角度
6. 了解大自然交給我們的現實教訓
1. 盡可能將你的進化發揮到極致
2. No Pain, No Gain
3. 為了得到力量, 必須把自己逼到極限, 然而挑戰極限是痛苦的
7. 痛苦+反省=進步
1. 甘願承受痛苦而不是逃避
2. 擁抱嚴格的愛
8. 權衡後續和更後續結果
9. 為結果負責
10. 從更高的層次來看這部機器
1. 把自己想像台在機器內運作的機器, 並且知道你有能力去改變你的機器, 產生更好的結果
2. 將操作的結果和訂好的目標做比較, 可以確定如何修正你的機器
3. 區分擔任機器設計師的你和機器操作員的你
4. 大多數人犯的最大錯誤是無法客觀, 導致不萬碰撞自己和他人的弱點
5. 成功的人能夠超越自我, 客觀看待事物, 並且碗裡這些事物來塑造改變
6. 你的弱項要找有專長的人來幫你, 截長補短可以保護自己
7. 因為人很難客觀看待自己, 必須倚賴他人的意見和完整的證據
8. 心態開放, 有決心, 可以增進成功
   
   
2. 用五步流程實現理想
1. 操作過程要保持頭腦清晰, 理性高層次的看待自己
2. 制定明確的目標
1. 確定好優先順序
2. 區分目標與渴望
3. 協調目標和慾望, 決定想要的人生
4. 追求成功而非成功的表象
5. 不要輕言太困難而否決
6. 越高的期望可以激發出越高的才能
7. 靈活變通, 自我承擔
8. 妥善處理挫折
3. 確認妨礙實現目標的問題
1. 把問題視作潛在的改善機會
2. 不要迴避務問題, 即使思考問題令人不快
3. 明確具體的定義問題
4. 弄清問題的原因和實際的問題
5. 區分問題的輕重
6. 不要忍忍
4. 診斷問題, 查明根源
1. 思考如何解決問題之前, 應該定義好問題
2. 區分近因和根本原因
3. 了解他人和自身的人格特質, 利用他人協助指出問題
5. 設計解決方案
1. 前進之前先回頭
2. 高層次的思考
3. 記住問題往往有多重解法
4. 把解決方案當作劇本, 誰該在什麼時候做什麼事情
5. 寫下方案, 評估進度
6. 設計方案的時間消耗不大, 值得投入
6. 徹底執行
1. 不執行的計畫一事無成
2. 列出合理的優先次序, 依序完成
3. 建立明確的指標, 確保按照計畫執行
7. 如果找到了解決方案, 弱點就無關緊要
1. 謙卑以獲得別人的幫助
2. 仔細檢查犯錯模式, 在五步驟的哪個步驟出錯
3. 找出絆腳石, 妥善處裡
8. 了解你自己和別人的心理地圖以及謙虛的程度
   
   
3. 保持極度開放的態度
1. 認識你的兩大障礙, 自我意識和盲點
1. 了解你的自我意識如何從中做梗
   來自防禦機制的否定
2. 有兩個你搶著控制腦, 杏仁核和前額皮質, 情緒和邏輯
3. 了解你的盲點
1. 訓練大腦的思考方式
2. 使用補償機制
3. 靠他人
2. 練習極度開放的態度
1. 真心相信你可能不知道最好的選擇是什麼, 並承認善用"一無所知"比"無所不知"更重要
2. 知道決策分兩個步驟:先吸收所有相關資訊, 然後做決定
3. 不要擔心丟臉, 而是要擔心不能達成目標
4. 不能只出不進(意見)
5. 想知道他人的觀點, 必須停下判斷, 唯有設身處地才能正確評估別人的觀點
6. 永遠記住:我是在尋求最好的答案, 而不是尋求我想到的答案
7. 你是在與人爭論,還是在設法了解別人的觀點, 你自己心裡有數
3. 深思過後的意見分歧是門藝術, 要領會並感激
4. 向願意表達不同見解的可信任之人請益, 並採用多方歸納法綜合分析
1. 做最壞的打算, 最好的準備
5. 應該留意的態度封閉和態度開放的特徵
1. 態度封閉的人不希望他們的想法受到挑戰
2. 態度封閉的人大多是陳述意見, 而非提問 
3. 態度封閉的人在意自己是否被理解
4. 態度封閉的人會說敷衍的說法, "我可能是錯的...但我認為"
5. 態度封閉的人會阻止其他人說話
6. 態度封閉的人難以接受多種想法同時存在 
7. 態度封閉的人不懂謙卑
6. 了解如何才能讓態度變得極度開放
1. 經常用痛苦引導自己好好反思, 接受觀念被挑戰
2. 讓態度開放變成習慣
3. 了解自己的盲眼
4. 如果可信任的人認為你做錯了, 而你是唯一一個否定者, 設想你存有偏見
5. 靜坐
6. 決策要以事實為基礎
7. 幫助他人達到極度開放
8. 善用證據為基礎的決策工具, 電腦
9. 知道停止爭論的最佳時機, 並對決策過程充滿信心
   
   
4. 了解每個人的思考方式差別很大
1. 同時用神經科學和心理學來解釋大腦運作
   大致上還是杏仁體vs 新皮質那套, 原始大腦vs 邏輯腦
2. 了解你和別人如何思考, 才能擁有力量
1. 我們與生俱來的特質, 有利有弊, 全看你怎麼用
2. 有意義的工作和有意義的人際關係, 不僅是我們自己的好選擇, 也是天生的需求
3. 了解大腦激烈的主控權之爭, 和如何控制戰局, 得到你想要的結果
1. 意識和潛意識在交戰
2. 感覺和思考
3. 情感和思考
4. 好好選擇自身的習慣
5. 用慈愛和毅力訓練低層次的你
6. 了解左右大腦的差異
7. 了解大腦結構和功能的可改變和不可改變的程度
4. 發現你和其他人的人格特質
1. 內向vs外向
2. 直覺型vs實感型
3. 思考型vs情感型
4. 規劃型vs理解型
5. 創造者, 精煉者, 推動者, 執行者還是機動者
6. 注重目標vs注重任務
5. 無論你選擇什麼目標, 把對的人放在對的位置就是成功的關鍵
1. 管理好自己, 協調別人, 以達成目標
   
   
5. 學習如何有效地做決策
1. 要了解:
   有害的情緒是做出良好決策的重大威脅
   決策是兩個步驟的行為, 先學習, 再決定
2. 綜合現有的情況
1. 你能做的最重要決策之一, 是決定請教的對象
2. 不能全然相信你聽到的一切
3. 近在眼前的事情看起來很不得了, 可是不一定那麼重要
4. 不要過度重視新的事物
5. 不要過度執著細節
3. 綜合分析變化中的情況
1. 改善事物的速度和水準, 以及兩者的關係
2. 不必過於精確
3. 記住80/20法則, 並且知道20%的關鍵是什麼
4. 當個不完美主義者
4. 有效地綜合考慮各個層級
1. 高層次全貌 : 我想要個能充分學習的有意義工作
1. 次級概念: 我想當醫生
1. 下一級要點 : 我需要上醫學院
1. 再下一級要點 : 我需要在科學科目取得好成績
1. 再再下一級要點 : 我今晚得在家念書
2. 使用基準線上和基準線下來確定現在討論的層級
3. 決策要在適當的層級進行, 但不同層級的決策也應保持一致.
5. 邏輯, 推理和常識是綜合現實和了解如何應對的最佳工具
6. 多數情況, 可以按照期望值來做決定
1. 任何可以再增進勝率的動作都很有價值
2. 了解什麼時候不做, 也很重要
3. 最好的選擇是利大於弊, 而不是全然無幣的選擇
7. 評估取得額外資訊的價值以及不做決定的成本, 依據事情的輕重緩急排序優先處裡次序
1. 在做你想做事項以前, 必須先搞定你所有的必做事項
2. 你很可能沒時間處裡不重要的事情, 這總比沒時間處理重要的事情好
3. 不要把錯把機率當可能性
8. 簡化
9. 使用原則
10. 對決策進行可信度加權
11. 機械化你的原則, 可以的話程式話
12. 如果未深入理解, 不要盲目信任人工智慧, 要謹慎以對

工作的原則就略過了

數學教你不犯錯

1. 要變得更像是瑞典嗎?
1. 不要過度簡化問題
1. 並非所有曲線都是直線, 不是線性的東西就不應該用線性去思考
2. 拉弗曲線
   
   
3. 拉弗曲線也不是完全正確的, 曲線上會有區域性的梯型或是山腰變化.
   
   
2. 局部平直, 大域彎曲
1. 主要從經典的極限理論探討到微分和導數
2. 衍伸討論了非標準分析, 嚴格定義的無限小的數（infinitesimal number）的概念來構建分析學。
   
   
3. 每個人都肥胖
1. 如同真確裡面的直線型直覺偏誤
1. 局部看起來很像是線性的關係, 廣域來看並不一定也是線性
2. 好比在拋物線上, 上升區段看起來會像是直線
2. 線性廻歸是好工具, 但要注意適用範圍和結果是否合理
1. 好比拿百分比跟時間做線性回歸, 最後得到超過某個時間點, 百分比會超過100% 的結論, 這就是明顯的錯誤
   
   
4. 相當於死了多少美國人?
1. 套用比例的時候要小心
1. 如果要檢驗某個數學方法, 試著用不同途徑去計算同樣的東西, 如果答案相異, 方法可能有問題
1. 好比, 比較911的罹難者時
1. 用罹難者人數:紐約人口去論述好比在台北被炸死了多少人
2. 用罹難者人數:台灣人口去論述好比在台灣被炸死了多少人
   
3. 上兩者答案不同, 可以判斷出方法有錯誤
2. 取比例時, 要考慮母體大小與採樣次數
1. 大數法則
1. 樣本數量越多, 則其算術平均值就有越高的機率接近期望值.
2. 換言之, 極限值較容易出現在樣本數較少的地方
1. 好比只上場一次的運動員的命中率
2. 常態分佈告訴我們
1. 樣本增加一百倍, 標準差變成十倍
2. 距平均值
1. 小於一個標準差:68.27%
2. 小於二個標準差:95.45%
3. 小於三個標準差:99.73%
3. 不過別忘了是每個事件是獨立事件
   
   
5. 派餅比盤子還大
1. 數字會變負的時候, 免談百分比
1. 在計算和考慮比例的時候, 如果構成裡面允許負數, 那最終數字可能沒有意義
1. 簡單舉例來說, 好比有投資A, B, C三個項目
1. A賠了500
2. B,C 賺了500
3. 總共賺-500+500+500 = 500, 所以B佔了500/500 = 100%
   
   
6. 破解聖經密碼迷思
1. 在思考低機率事件發生的可能性時, 要考慮樣本數
1. 當樣本數夠大, 低機率事件的發生期望值往往不低
2. 曖昧模糊的規則會給予迴旋空間, 增加樣本數
1. 以聖經密碼來說, 人名的拼法和縮寫方式可以大量增加樣本數
3. 不可思議的事情常常發生
1. 樣本數夠大, 生存者偏差
   
   
7. 死魚不會讀心
1. H0, Null hypothesis, 虛無假說
2. 虛無假說的內容一般是希望能證明為錯誤的假設，與虛無假說相對的是對立假說，即希望證明是正確的另一種可能。
1. 做實驗(取樣)
2. 令虛無假設為真, 計算符合實驗結果的極端機率值p
   (有多少機率會產生這樣的實驗結果)
3. 若p很小, 則可以說有統計上的顯著性可以排除虛無假設
3. 要記得這只是工具, 錯誤的運用或取樣可能會影響p
   
   
8. 歸謬法
1. 流程
1. 假定H為真
2. 由H推出F不可能成立
3. 然後F必定成立
4. 所以H必為假
2. 虛無假定
1. 假設H為真
2. 從H可以推出, 觀察到O的可能性很低
3. 然而觀察到 O
4. H不太可能為真
3. 但是套用在機率上時, 要謹慎
1. 假設有50人, H說他們是人類
2. 觀察到他們之中有一個白化症病患
1. 白化症相當罕見
3. 假設H為真的前提下, 在50個人中觀察到白化症病患的機會相當低
1. 換言之, 在H條件下觀察到O, 而O的可能性很低
2. H不太可能為真
   
   
9. 科學研究的可信度
1. 常見的統計顯著閥值是0.05
1.  也就是藉由觀察到一個5%的結果來否定虛無假設
2. 換言之, 有5%的機率, 我們錯誤的否決了虛無假定
3. 舉例來說, 如果對1000個因子個別做虛無假定的實驗,
   就算實際上他們都不符合所需, 根據期望值, 也會有50個因子的實驗會做出有統計上顯著差異的結果
2. 另一個潛在問題是, 由於閥值是0.05, 透過調整數據, 增加變因可以讓p通過閥值
1. 結果是很多研究結果的p都略小於0.05 
   
   
10. 上帝, 你在嗎? 是我, 貝式推論
1. 貝式推論
2. P(H | E) = P(E | H) * P(H) / P(E) 
1. H 是假說
2. E 是證據, 新觀測的結果
3. P(H) 是事前機率, 在未知E之下對H的假設機率
4. P(H | E) 是事後機率, 也就是E發生後, 新的H的機率
5. P(E | H) 是假設H成立時, E發生的機率
6. P(E) 邊際概似率, 對不同H是定值, 
3. 概念上來說, 透過貝式推論我們可以結合新的證據和之前推斷出來的機率, 進行機率的更新
4. 以丟硬幣來舉例
1. H1 : 硬幣60%正面, 40%反面
   H2 : 硬幣50%正面, 50%反面
   H3 : 硬幣40%正面, 60%反面
2. 事前機率假設
   P(H1) =0.05
   P(H2) =0.9
   P(H3)=0.05
3. E : 連續出五個正面
4. 則
   P(E|H1) = 0.6 ^ 5 =7.76% 
   P(E|H2) = 0.5 ^ 5 = 3.125%
   P(E|H3) = 0.4 ^  5 = 1.024%
5. P(H1|E) = P(E|H1) * P(H1) / P(E) = 7.76% * 5% / P(E) = 0.0039 / P(E)
   P(H2|E) = P(E|H2) * P(H2) / P(E) = 3.125% * 90% / P(E) = 0.0281 / P(E)
   P(H3|E) = P(E|H3) * P(H3) / P(E) = 1.024% * 5% / P(E) = 0.0005 / P(E)
   P(H1)+P(H2)+P(H3) = 1
   得到P(H1|E) = 12%, P(H2|E)=86.5%, P(H3|E) = 1.5%
   
   
11. 你期望贏得樂透時, 是在期望什麼?
1. 期望值
1. 隨機試驗在同樣的機會下重複多次，所有那些可能狀態平均的結果
2. 也可以視作大數法則下多次實驗的逼近值
2. 期望值可以相加
1. E(X+Y) = E(X) + E(Y)
2. 兩件事物加再一起的期望值, 等於個別的期望值相加
3. 套在樂透上, 可以用總分發獎金/總投入金額得到期望值
   
   
12. 錯過更多班機
1. 主流的經濟學認為, 人依靠理性做決策時會追求效用(utility)的最大化
1. 導入U值來度量效用, 可以計算各種決策的期望值
2. 舉例來說, "起飛前多久到機場"的問題中, 設定一小時的成本為U, 錯過飛機的損失為6U
1. 起飛前 2 小時到機場, 有2% 次會錯過
1. -2 + 2% * -6 = -2.12U
2. 起飛前 1.5 小時到機場, 有5% 次會錯過
1. -1.5 + 5% *-6 = -1.8U
3. 起飛前 1 小時到機場, 有15% 次會錯過
1. -1 + 15% * -6 = 1.9U
3. 聖彼得堡悖論
1. 投硬幣直到正面出現, 假設擲了n次, 則給予2^n的報酬
2. 期望值為 1 * (1/2) + 2 * (1/4) +  4 * (1/8) ... 結果發散
3. 換言之這遊戲期望值發散
4. 已知的未知 vs 未知的未知
1. 前者稱為風險, 後者稱為不確定性
2. 具備不確定性的問題往往影響效用理論.
   
   
13. 火車鐵軌相交之處
1. 射影幾何 
1. 公設1 :每一對點都恰屬於一條共有的線
2. 公設2: 每一對線都恰包和一個共有的點 
2. 法諾平面
   
   
   
3. 漢明碼與漢明距離
1. 在資訊理論中，兩個等長字符串之間的漢明距離（英語：Hamming distance）是兩個字符串對應位置的不同字符的個數。
2. 在電信領域中，漢明碼是一種線性錯誤更正碼，最小距離為3的碼中能達到最高的位元速率。
3. 編碼保證了任意兩碼的最小距離, 並且盡量佔滿空間.
   
   
14. 平庸會出頭
1. 均值回歸
1. 統計結果告訴我們, 利用公司現在的表現去看未來表現, 會有均值回歸現象
1. 好的公司變爛來接近平均, 壞的公司變好來接近平均
2. 個人認為這邊排除了死掉的公司
2. 數學上的解釋是, 未來的表現除了受到現在表現的影響, 也受到環境和機會因素的影響
1. 好的母代只能控制前面的變因, 但無法影響後者
2. 於是, 子代雖然會受母代表影響, 但考慮到隨機的環境和機會, 結果會偏向均值.
3. 換言之, 只要研究的對象受機率影響, 就會有均值回歸的趨向
   
   
15. 高爾頓的橢圓
1. 關聯性
1. 關聯性 0
   
   
   
2. 關聯性 1
   
   
   
3. 關聯性 0~1
   
4. 所謂關聯性, 相關, corrleation, 
1. 數學上, 指兩組資料的對應的向量的角度餘弦
1. 兩個向量夾角0, 餘弦1, 完全正相關
2. 兩個向量夾角180, 餘弦-1, 第三方的原因造成抽煙ㄉㄜ˙負相關
3. 兩個向量夾角90, 餘弦0, 正交, 完全無相關
5. 相關性沒有傳遞姓
1. A 和 B 相關, B和C相關, A不一定和C相關
6. 另外, 這邊的相關只有考慮的線性關係.
   
   
16. 肺癌會讓你抽煙嗎?
1. 相關並不等於因果, 就算統計上發現肺癌和抽煙有相關, 其實也有這些可能:
1. 肺癌是因, 抽煙是果, 肺癌的人特別想抽煙
2. 抽煙是因, 肺癌是果, 抽煙的人容易肺癌
3. 第三方的原因造成抽煙和肺癌的相關性, 好比伯克森謬論
2. 伯克森謬論
1. 假設1000人裡面, 300人有高血壓, 400人有糖尿病, 120兩者兼有(因此兩者無相關)
2. 假設所有病患都入院, 在醫院的580裡面
1. 180有高血壓但是沒有糖尿病
2. 280沒有高血壓但是有糖尿病
3. 120人兩者都有
3. 換言之, 從醫院來看
1. 糖尿病患30%有高血壓, 而沒糖尿病的人100%有高血壓
2. 可以推得高血壓和糖尿病負相關的謬論
   
   
17. 沒有民意這種東西
1. 多數決的方法簡單漂亮又讓人感覺公平, 然而它能發揮最大效果的地方, 是在兩個選項中取一
1. 一旦超過兩個選項, 會有矛盾滲入多數所偏好的選項
2. 舉記來說, 對於歐巴馬健保的民調:
1. 37%的人傾向撤銷健保
2. 10%的人傾向削弱法條
3. 15%的人傾向不變動
4. 36%的人表示應該強化
5. 這兩個敘述都成立:
1. 多數人反對歐巴馬健保
2. 多數人要保留或強化歐巴馬健保
3. 同樣適用在超過二選項的多數決的選舉
1. 黏菌實驗
1. 多頭絨泡黏菌的許多個體會形成一個變形菌體
1. 分散式的思維還是可以進行相當有效的決策
2. 黏菌喜歡燕麥, 討厭紫外線
3. 實驗結果顯示
1. 如果選項有 3公克的燕麥(3黑) 和 紫外線照射的五公克的燕麥(5光), 黏菌偏好是1:1, 兩者喜好差不多
2. 如果是 3黑 vs 10光, 黏菌會選擇10光居多
3. 但是如果是三選擇, 3黑, 5光, 1黑, 那3黑的次數會遠遠大於5光
1. 換言之, 第三選項雖然沒人選擇, 卻影響了最終結果
4. 不對稱控制效應
1. 假設一半的黏菌以食物量為優先, 喜好順序是5光, 3黑, 1黑
   另一半的黏菌以光亮為優先, 喜好順序是3黑=1黑, 5光
2. 給第一名2分, 第二名1 分, 第三名0分
1. 5光 : 2*0.5 + 0*0.5 = 1
   
2. 3黑 : 1.5*0.5 + 1*0.5 = 1.25
3. 1黑 : 1.5*0.5 + 0*0.5 = 0.75
3. 如果只有5光和3黑參戰
1. 5光: 1 * 0.5 + 0*0.5 = 0.5
   
2. 3黑 : 0* 0.5 + 1*0.5 = 0.5 
4. 這符合觀察結果
5. 換言之, 一個相似但比較差的選擇(1黑)讓原本的選擇(3黑) 看起來更好了
   
   
18. 我從虛空中創造出一個新奇宇宙
1. 歐幾里德幾何與非歐幾何
1. 歐幾里德幾何的五個公設
1. 從一點向另一點可以引一條直線
2. 任意線段能無限延伸成一條直線
3. 給定任意線段, 可以以其一個端點作為圓心, 該線段作為半徑作一個圓
4. 所有直角都相等
5. 通過一個不在直線上的點, 有且僅有一條不與該直線相交的直線
2. 第五公設又稱作平行公設
3. 在其他幾何裡面,  平行公設不一定成立
2. 數學的形式主義
1. 簡單說, 建立精確和完備的公設
2. 希爾伯特計畫
1. 所有數學的形式化
1. 意思是，所有數學應該用一種統一的嚴格形式化的語言，並且按照一套嚴格的規則來使用完備性。
2. 我們必須證明以下命題：在形式化之後，數學裡所有的真命題都可以被證明（根據上述規則）。
2. 一致性。我們必須證明：運用這一套形式化和它的規則，不可能推導出矛盾。
3. 保守性。我們需要證明：如果某個關於「實際物」的結論用到了「假想物」（如不可數集合）來證明，那麼不用「假想物」的話我們依然可以證明同樣的結論。
4. 確定性。應該有一個算法，來確定每一個形式化的命題是真命題還是假命題。
3. 皮亞諾公設
1. 0是自然數；
2. 每一個確定的自然數a，都有一個確定的後繼數a' ，a' 也是自然數；
3. 對於每個自然數b、c，b=c若且唯若b的後繼數=c的後繼數；
4. 0不是任何自然數的後繼數；
5. 任意關於自然數的命題，如果證明：它對自然數0是真的，且假定它對自然數a為真時，可以證明對a' 也真。那麼，命題對所有自然數都真。
4. 哥德爾不完備定理
1. 邏輯上，一致性（consistency）、相容性、自洽性，是指一個形式系統中不蘊涵矛盾。
2. 任何自洽的形式系統，只要蘊涵皮亞諾算術公理，就可以在其中構造在體系中不能被證明的真命題，因此通過推理演繹不能得到所有真命題（即體系是不完備的）。
3. 任何邏輯自洽的形式系統，只要蘊涵皮亞諾算術公理，它就不能用於證明其本身的自洽性。

心態致勝

1. 心態
1. 兩種心態
1. 定型心態, fixed mindset
1. 相信人的素質是無法改變的
2. 因為無法改變自身, 努力的方向是去證明自己擁有的能力和價值
1. 簡單來說, 讓自己看起來聰明
2. 往往會高估自己的能力
2. 成長心態, growth mindset
1. 認為可以透過努力, 策略和他人的幫助來改變基本素質
2. 粗略的認為, 任何人能成就任何事情
3. 以比較開放的心態去掌握自己目前的能力
   
   
2. 心態深探
1. 定型心態會讓人害怕失敗
1. 因為能力固定, 缺點也固定, 這意味者無法增進能力與克服缺點
1. 所以會不想洩漏自己的弱點
2. 不願意承認自己的缺點, 讓奉承者環繞
3. 同時也害怕去挑戰未知, 而容易變成不學習者
2. 傾向去處理自己知道的東西, 進行低難度的挑戰
3. 喜歡獲得成就和認可
1. 希望能證明自己很特別, 不同於他人
1. 因為這份特別是定型的
4. 只能在順境中保持興趣
1. 對於失敗的忍受力很低, 容易因此陷入長期低潮
2. 為了讓自己感覺良好而去尋找失敗的理由, 或是尋找更失敗的人
2. 成長心態會讓人能接受挑戰
1. 挑戰未知可以強化自己
2. 遇到失敗還是會憂鬱,
1. 失敗不會定義自身, 能力可以發展
3. 注重努力
3. 如今社會讚揚自然不費力的成就, 勝過努力的成就
1. 造就定型心態的陷阱
4. 人並不是單純的屬於定型或是成長
1. 在不同面向人的傾向可能不同
1. 可能認為能力是可以成長的, 但是個性是定型的
2. 這些決定了人認為自己那些部份可以成長
   
   
3. 關於能力與成就的真相
1. 即使人的天賦有差別, 努力能拿到一定程度的效果
1. 即使是藝術類的能力, 好比素描, 透過努力一般人也能夠獲得一定程度的進步
2. 教育和讚美的時候, 如果是讚美努力而非成就, 會讓對象較有機會培養成長型心態
3. 刻板形象可視為定型心態的一種
   
   
4. 運動界:冠軍心態
1. 成長心態跟恆毅力正相關
1. 定型心態使才能成為絆腳石
1. 當遇上逆境, 人們會懷疑自己的才能而失去專注力和能力.
2. 成長心態可以幫助人們應付挫折, 找出好策略, 引導出對自己有利的行動
2. 能力讓你到達頂尖, 恆毅力讓你保持頂尖
3. 具有成長心態在做最擅長的事, 以及持續學習與改進中獲得成功
4. 挫折會激勵成長心態者, 對他們有益, 有警示作用
5. 具有成長心態者掌握邁向成功與保持成功的流程
   
   
5. 企業界:心態與領導力
1. 領導人與企業也會可分成長心態與定型心態
2. 成長心態的領導人
1. 不會總是試圖證明自己比別人優系
2. 不斷尋求改進, 正視自己的錯誤, 正視周遭的有才能者
3. 傾聽, 歸功, 栽培
4. 抑制菁英主義
3. 定性心態的領導人
1. 認定有些人優越,  也些人則否
2. 必須證明自己優越, 而這需求往往危害公司
1. 不建立卓越的團隊也不重視他人的成長
3. 往往瞧不起腳踏實地的經營者
4. 如同前面, 對於能力的培養, 成長和定性心態是不同的
1. 經理人/領導人/談判人才是天生還是後天育成
2. 犧牲下屬來增進自己的權力, 能力與價值感
   
   
6. 人際關係:愛的心態
1. 成長心態對人際關係
1. 自己, 對方, 甚至關係本身都是會成長的, 需要投入心力
2. 在關係中成長很重要, 不需要會貶低你的對象
2. 定型心態對人際關係
1. 如果一個關係需要努力, 那就不是對的人
2. 有問題代表性格有瑕疵
3. 需要證明自己比對方好
   
   
7. 父母, 師長, 與教練
1. 改從教育的角度來探討兩種心態
2. 發出正確的訊息
1. 不要稱讚聰明, 多稱讚努力比較能培養成長心態的小孩
2. 沒得好成績是因為不努力, 而非不聰明
1. 但是還是要客觀的評價
3. 反言之, 失敗也該歸咎在努力不足, 而不是天份或環境
3. 學生會有成長和定型心態, 教師也會有
1. 相信學生是否會改變, 相信自己是否會改變
   
   
8. 改變心態
1. 成長心態的基本信念, 是相信人可以改變與成長
1. 影響快樂的關鍵, 不會在關鍵時刻認為自己不行
2. 改變的過程
1. 第一步是擁抱你的定型心態, 承認自己擁有定型心態
2. 第二步是小心, 有意識的避免觸發定型心態
3. 第三步是給定型心態的自我命名.
4. 第四步是教育他, 帶他走上成長旅程
3. 個人觀點, 這邊是強調要意識的覺察自己, 注意到自己定型心態出現的時機, 有意識的, 客觀的去教育自己的定型心態, 透過理性分析讓自己知道正確的應對
1. 舉例來說, 當面對挑戰, 覺得自己不行的時候, 客觀的分析自己的條件, 努力的程度, 在考慮到對手的投入程度, 可能事情並沒有那麼糟, 只是恐懼限制了自己