Additivity,additivity

Additivity,additivity

如何用多样性视角,破解“群体迷思”?

一般人都会认为,集体决策的质量应该高于个人决策,因为一个人想问题难免有纰漏,大家集思广益,能找到更好的解决方案。但是,有的时候,明明团队里的每个人都很厉害,但集体作出的决策却是漏洞百出。这种集体决策质量低于个人决策的情况,其实很常见,我们通常把它叫作“群体迷思”。要破解群体迷思,最好的方法就是做到“先发散”,引入新的、多样性的视角,然后再筛选出那些能够把问题“化繁为简”的视角,也就是“再聚焦”,这样才能找到更好的解决方案。

我们每个人都用自己的方式在看待事物。已有的经验、受过的教育、我们置身于其中的圈子,都影响了我们现有的视角。看待问题的新视角肯定不能凭空而来,那如何建立一个看待世界的新的方式,构建新视角呢?这里,我们先讲一个书中提到的概念,叫“视角的超可加性”。下面,我用书中的例子来解释一下,这里需要用到一点概率论里面的排列组合知识。

假设我们已经有了5个视角,现在从中两两进行配对,按照排列组合的原理,也就是5乘以4除以2,得到了10对视角。这时候,如果而再增加一个视角,即我们有6个视角,如果再两两配对,就变成了15个视角。你看,仅仅是增加一个了视角,全局视角就添加了5对新的视角,这就是视角的超可加性(Super additivity),这些配对的视角组合可以帮助我们解决更棘手的问题。

说完视角的“超可加性”,我们来说说书中反复提到的两个概念:“崎岖景观”与“富士山景观”。这组概念,就是在描述这么一种情境,就是在我们到达终点之前,永远都不知道是否做了正确的选择。所谓景观是“崎岖的”是指:一眼望去有很多个局部高峰。与局部高峰相对的就是全局高峰,也就是真正最高的山峰。举例来说,在地球上,昆仑山是局部高峰,珠穆朗玛峰就是全局高峰了。

如果我们把视线限定在日本岛内,富士山就是整个日本岛的全局高峰。最好的视角,就是那种只包含一个全局高峰的视角,用这种视角,能够使问题豁然开朗,答案水落石出。无论看待什么问题,相应的“富士山”都是存在的。这被称为“学者存在性定理”。定理的原话是这样说: 对于任何一个问题,你总有可能找到解决问题的最佳视角。

这个定理告诉我们,你纠结的事,你过不去的坎,你解决不了的大问题,其实早有人经历了成百上千次,你要多听听其他人的意见。而拥有多样性视角的人,通常是能举一反三的人,他们善于从不同角度思考问题,能够找到一个最佳的切入点。说着容易,但是真要找到那个最佳视角,通常是非常困难的。我们都有买房子或者租房子的经验。就选房子而言,需要考虑很多视角。

我的支付能力怎么样?楼盘的位置好吗?交通是否便利?小区周边配套是否完善?菜市场、超市都远不远?小学、中学都怎么样?当然还要考虑诸多房子通透性怎么样,是否南北通风,阳光能不能照射到房间里面来,小区物业怎么样,楼高的话,考虑电梯的数量,等等。在找到解决问题的最佳视角之前,你要尝试和检查的视角数量可能无比巨大,有的视角甚至无法用直觉获得。

相对于视角的总数来说,只有极少数视角能够脱颖而出,使问题变得简单,而绝大多数视角都是失败的。但失败的视角也不是完全没有意义,正如爱迪生所说的“我们现在知道有1000种造不出灯泡的方法。”他想表达的就是,这种失败是值得承担的成本。下面,我们来谈谈这一讲的最后一个关键内容。首先你先思考一下,有没有一种可能,在某个问题上,我们全被困在相同的解决方案中?我们所取得的成就也许只是停留在同一个局部高峰上?这种现象就涉及到一个概念,叫作“群体迷思” (Group Think),也就是刚刚说的,我们所有人都以相似的方式看待问题时,就可能会全被困在相同的解决方案中。

在互联网时代,人们很容易在互联网结识到更多与自己相同或相近观点的人。只浏览与自己观念接近的信息,对其他几乎视而不见,还可以屏蔽或拉黑不同意见者。人本身是一种社交动物,也是缺乏安全感的动物,在拥有相同视角的时候,人们很快就能融洽地交流。喜欢以同样的方式看世界,因为这样可以使我们在人群里感觉更舒服。有一个词来形容这个现象,叫“同温层”,同就是相同的同,温是温度的温,层就是层次的层。

同温层的人常常采取了相同的视角。但更糟糕的是,“大数据”等技术的发展,我们手机、电脑上的程序会分析我们的历史行为、我们的喜好,只把最对我们胃口的“新信息”推送给我们。久而久之,我们以为自己接触的丰富多元的世界,其实每天看到的都是被机器筛选过了的,我们爱看的、“熟悉”的内容。渐渐地就陷入了舒适的“群体迷思(Group Think)”的状态。

  • 姓名:
  • 专业:
  • 层次:
  • 电话:
  • 微信:
  • 备注:
文章标题:Additivity,additivity
本文地址:http://www.55jiaoyu.com/show-736839.html
本文由合作方发布,不代表展全思梦立场,转载联系作者并注明出处:展全思梦

热门文档

推荐文档