心理所合作研究揭示人们做出日常生活预测的心理机制

　　生存取决于对未来的成功预测。在熟悉的领域，这样的预测已经够难了。然而，人们还要对不熟悉的领域进行预测。举一个简单的例子，一个办公室白领知道在其上班的大楼内通常需要多长的时间才能等到电梯，那么，当她在另一幢不熟悉的大楼等电梯时，需要花费多少时间呢？假设她已经等了3分钟，她是否应该选择爬楼梯呢？考虑到类似这样对未来的预测屡见不鲜，我们不禁要问：这样的预测是基于什么？预测准确性有多高？为了回答这两个问题，中国科学院行为科学重点实验室李纾研究组与澳大利亚阿德莱德大学John Dunn教授进行了一系列迭代学习（iterate learning）实验，探索了日常生活中人们是如何做出预测的。 

　　在实验一中，研究者选取了中国北京市和澳大利亚阿德莱德市的两组被试。北京被试包括来自北京三所不同大学或研究所的40名本科生或研究生（男性24名），年龄在19岁至34岁之间。阿德莱德被试包括来自阿德莱德大学的50名本科生（男性14名），年龄在18岁至32岁之间。实验要求被试对四个知识领域进行预测：埃及法老统治时间、电影时长、蛋糕制作时间和北京公共交通长度。其中，对两组被试而言，“法老统治时间”属于不熟悉的领域，而“电影时长”属于熟悉的领域。对北京被试而言，“蛋糕制作时间”属于不熟悉的领域，而“北京公共交通长度”属于熟悉的领域。与北京被试不同，对于阿德莱德被试而言，“蛋糕制作时间”属于熟悉的领域，而“北京公共交通长度”属于不熟悉的领域。预测方式采用迭代学习程序，举例如下：如果你突然到朋友家做客，发现他们正在看电影，电影已经进行了t分钟。你预测电影的总时长是多少（分钟）？研究结果发现（见图1），两组被试在“法老统治时间”和“电影时长”这两个领域的预测结果的分布能够反映真实分布。对“蛋糕制作时间”的预测结果表明，阿德莱德被试准确估计了“蛋糕制作时间”，而北京被试低估了“蛋糕制作时间”，这与研究者的预期相符。但是，与研究者预期不符的是，在对“北京公共交通长度”的预测上，两组被试的估计结果均不符合真实的量化分布（见图1）。具体而言，阿德莱德被试高估了“北京公共交通长度”，而北京被试低估了“北京公共交通长度”（见图1）。研究者认为，这有可能是由于阿德莱德被试基于自己熟悉的城市公共交通长度，预测“北京公共交通长度”应更长。为了验证这个可能性，研究者进行了实验二。 

图1 实验1的被试结果分布和真实量化分布 

　　在实验二中，研究者只选取了24名在阿德莱德长期居住的被试（年龄范围：19-40岁；男性8名），要求他们预测阿德莱德的公共交通长度。实验二的结果支持了研究者的假设，即，阿德莱德被试确实根据本地公共交通长度对“北京公共交通长度”的估计进行了调整。但是，研究者发现，与实验一中的北京被试一致，阿德莱德被试同样低估了阿德莱德公共交通长度。对于这一结果，有两种可能解释。一种可能的解释是，人们不能获得熟悉领域内量化分布(distributions of quantities)的真实知识。另一种可能的解释是，人们能够估计其平时乘坐的公共交通长度，但是不能够估计整个公共交通线路的长度。 

　　实验三的目的是为了验证阿德莱德被试能否准确较准他们日常乘坐公共交通长度。在实验三中，研究者选取了25名在阿德莱德长期居住的被试（年龄范围：18-47岁；男性14名），要求被试估计：想象你正乘坐阿德莱德公共汽车，一个陌生人告诉你，她上车后已经过了t站地。请问，你觉得她这一路一共会经过几站地（不包括她上车的那站地）？结果表明，人们日常乘坐的公共交通长度明显短于整个公共交通长度。 

　　综上所述，三个实验的结果表明，首先，人们能够合理地估计许多领域的量化分布；其次，令人惊讶的是，在非常熟悉的领域，人们也可能无法合理估计其量化分布；再次，人们在预测不熟悉领域的量化分布时，可能会产生由相关熟悉领域的知识迁移所导致的偏差。 

　　回到最初的问题，熟悉性或直接经验是如何影响预测准确性的？我们的回答是，领域熟悉性本身并不是关键，而相关经验的类型才是关键。例如，在电影时长和蛋糕制作时间这两个领域中，人们能够直接谈论这两个时间。甚至在法老统治时间这个问题上，人们也可能从寿命等领域进行推论。但是，人们通常不直接讨论公共交通的总长度。简而言之，在一些领域中，领域知识是以直接可用的方式呈现的，人们可以根据这些领域知识进行预测；但是在另一些（甚至是熟悉的）领域中，领域知识是包含在活动中，而不是被明确指出的，人们的预测会出现偏差。