基准率谬误
看到阳性结果前,先问一句:这种事本来有多常见?如果本来极少见,一个阳性信号也可能只是误报。基准率像地图底色,没有它,眼前线索会显得过分刺眼。
关键结构图
一个大人群方框里只有少量真实阳性点,旁边放一张阳性检测卡,箭头指向“需要结合基准率更新”。
What
基准率谬误是只盯着眼前线索,却忘了先问“这种事本来有多常见”。
基准率谬误是指人在判断个案概率时,忽略总体中某类事件的基础比例,而过度依赖眼前描述、线索或检测结果。它会让人把“检测阳性”“模型报错”“某人像某职业”直接当成高概率事实。
Structure基准率谬误 = 忽略总体比例 + 放大个案线索 + 误判后验概率
When
当你面对罕见病筛查、低发生率安全告警、AI review 报错、交易信号或招聘画像时,先问基础发生率,再解释眼前线索。
How
先写出总体比例,再写检测或判断工具的准确率和误报率。最后用贝叶斯思维更新:这个信号出现以后,真实事件的概率到底提高了多少?
Examples
一种罕见病在人群中发生率很低,即使测试比较准确,阳性结果里也可能混入不少假阳性。医生不会只看一个阳性,还要安排复核。
AI review 报出一个严重 bug。你不能只看“模型说严重”,还要看这个仓库中同类严重 bug 本来多常见,模型过去误报率怎样,以及是否能复现。
来源
类型:学术 / 概率判断
事实线:Maya Bar-Hillel 在 1980 年综述 base-rate fallacy,讨论人们在概率判断中如何忽略基础比例信息。
依据:Acta Psychologica 1980 年论文,以及贝叶斯更新中先验概率、证据和后验概率的经典框架。
边界:适用于有总体比例、先验概率或基础分布可参考的判断;不等于所有“先验”,也不等于检测系统本身错误。
常见误读:不要以为只看基准率就够了。正确做法是把基准率和新证据一起更新,而不是只看其中一个。