當我們做出選擇決定時——無論是選擇約會物件、潛在的商業夥伴還是求職者——我們都會盡力對我們正在考慮的人的潛力做出準確的判斷。畢竟，這些決定會產生長期的影響。第一次約會可能會發展成一段長久的浪漫關係；潛在的商業夥伴可能會成為終生的同事；求職者可能會成為我們未來幾年都要一起工作的人。
然而，我們常常會問自己：“哪裡出了問題？”我們可能花了大量的時間和這個人相處，進行了多次面試和評估，但幾個月後才意識到，我們選擇的人並不合適。這並非罕見。例如，資料顯示，傳統的招聘方法所產生的候選人，只有 56% 的時間能夠達到或超過招聘經理的期望——這與拋硬幣的結果差不多。
我們通常都很清楚自己想要什麼：我們可以明確職位要求，並要求候選人提供在相關維度上的資訊。但是，當涉及到評估我們收集的所有資料時，問題就出現了。最近一項由昆策爾（Kuncel）、克利格（Klieger）、康奈利（Connelly）和奧內斯（Ones）進行的元分析發現，在工作和學術環境的多個標準中，當人們將硬資料與他們自己和他人的判斷相結合時，他們的預測總是比單獨使用硬資料產生的預測更無效，且對實際結果的預測性更差。即使判斷是由對所涉工作和組織有了解的專家做出的，情況也是如此。例如，在預測工作績效時，硬資料的預測比資料和專家判斷相結合的預測高出 50%。在評估求職的候選人時（無論是什麼工作），研究團隊發現，一個簡單的演算法比人類的判斷高出 25% 以上。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。購買訂閱可以幫助確保關於塑造當今世界的發現和想法的重要故事的未來。
這項研究表明，依靠可用的最客觀的資料，並使用演算法來解釋它以做出選擇決策，勝過我們的直覺。而且差距很大。
事實上，依靠直覺，我們可能會做出有偏見的決定。舉例來說，我們傾向於直接從一個人的表現來推斷他的能力，而沒有充分考慮他所處的環境，這是一種被稱為“對應偏差”的系統性錯誤。例如，在評估提拔哪些員工時，經理可能會只關注他們的成功，而沒有考慮到他們過去任務的難度。同樣，我們可能會在不考慮市場狀況、政治挑戰等因素的情況下評判我們的領導者。
我和加州大學伯克利分校的唐·摩爾（Don Moore）以及卡內基梅隆大學的山姆·斯威夫特（Sam Swift）和扎卡里亞·謝雷克（Zachariah Sharek）進行的一項研究證明了這種型別的錯誤。美國大學生扮演一個選擇性MBA專案的招生官的角色，他們被展示了候選人的平均績點以及他們所就讀的每所大學的平均績點。在決定錄取誰時，參與者過分重視申請人的平均績點，而低估了不同學校評分標準的影響。換句話說，他們沒有適當考慮候選人獲得成績的相對難易程度。
許多其他系統性錯誤會影響我們的判斷，並導致糟糕的選擇決策。例如，我和尤里·西蒙森（Uri Simonsohn）分析了十年間在商學院進行的 9000 次 MBA 候選人面試資料。我們發現，在當天早些時候接受面試的優秀候選人比在當天晚些時候接受面試的候選人更容易被錄取。一旦面試官給早些時候的申請者打了幾個好分數，面試官對其他申請者的後續分數可能會更低。面試官不願意在一天內對過多的申請者給出高分或低分，這種偏見會使那些碰巧在有特別優秀申請者出現的那一天出現的候選人處於不利地位。即使在我們考慮了申請者及其面試之間的差異之後，這種錯誤仍然成立，而且是由那些多年來日復一日地做這項工作的專家犯下的。
當我們的判斷和對他人的預測不正確時，對個人、組織和社會造成的負面後果可能是嚴重的。錄取一個沒有準備好、後來失敗的學生，僱用一個擾亂工作場所的員工，以及提升一個魯莽的行政人員擔任執行長，這僅僅是幾個例子。
孔子曾經說過：“知之為知之，不知為不知，是知也。”使用客觀資料的演算法在預測廣泛重視的結果（如工作和學術表現）方面具有更高的準確性。真正的專家是知道自己不知道的人——即，我們的直覺可能會讓我們失望。
您是專門研究神經科學、認知科學或心理學的科學家嗎？您是否讀過最近發表的同行評審論文，並想撰寫相關內容？請將建議傳送給《心靈事宜》編輯加雷思·庫克（Gareth Cook），他是《波士頓環球報》的普利策獎獲獎記者。他的聯絡方式是 garethideas AT gmail.com 或推特 @garethideas。