雜訊 — 簡單心得記錄
只要有判斷，就會有雜訊。
決策的誤差 — 偏誤與雜訊
我們做決定時常常會出錯，而這樣的出錯誤差，由「偏誤」與「雜訊」這兩種組成，偏誤是指我們心理的某種傾向，是比較容易察覺的。
- 偏誤 — 歪向某一邊的心理傾向
比較好得知，大多具體可見，至今歸納出許多我們常犯的心理偏誤，也很多這方面的研究。很多心理相關、改善決策相關的文獻，都有提到該怎麼檢查這些偏誤，並且如何做改善，改正你自己"歪掉"的想法，如此一來，在判斷事物時比較不會受該偏誤所影響。
這就像是一個量出來的結果永遠都會多0.2公斤的體重計，事先把體重計歸零(知道有什麼偏誤，在決定時先有警覺，以免落入偏誤的陷阱)，或是
偏誤算是誤差中比較好解決的，因為具體且研究行之有年，解決方法也不少，有興趣的話，可以參考各種文獻，甚至在wiki上就能找到許多資料了。此書的重點是雜訊，那一塊造成我們偏誤的未知領域，反而是難以察覺且在不知不覺中造成誤差的。
- 雜訊 — 雜亂的未知錯誤
不容易察覺，造成那些"未知"的錯誤，大部分的人甚至"沒有感到"雜訊，因此常被認為決策時的判斷失誤只是「隨機且不可控」而已，通常只會覺得這次的差錯，只不過是「運氣不好」、「狀況不好」等等。
但實際上這些失誤並非如此隨機，也不是什麼很玄的事，並不是完全不可控。在去除掉偏誤影響的變異誤差之後，判斷的誤差就是由雜訊所造成，這是我們更該注意並且該盡可能減少的。
總的來說，此書分析了雜訊有哪幾種，而且充斥在我們的日常生活中，以及怎麼影響我們的決策。而且，最重要的是該如何減少雜訊，是作者想要透過這本書傳達的重點之一，期望個人、團體社會及政府，能夠在制定各種決議時，有更正確的決定。
雜訊的產生與影響
只要有判斷，就會有雜訊。
而雜訊藉由統計分析才能得知的，如前面所提，非常隱晦且難以察覺。我們可以透過「雜訊審查」得知雜訊，一組專業人員針對同一個案做判斷，藉由判斷結果的變異性(儘管不知道正確答案)得知雜訊的存在，而且透過數值就可以做量化。
系統雜訊
在某個組織中出現的雜訊，本書討論的雜訊大多都是這種，也是我們生活中比較常見且極需減少雜訊的部分，例如: 醫生針對乳癌的判斷、法官審判犯罪者的服刑時間等，只要涉及不同人針對同一件事情做判斷，都會有「系統雜訊」。
系統雜訊由三種雜訊組成，計算公式如下圖所示，用的是均方差法計算，你不用知道這方法怎麼算沒關係，知道直角三角形的「勾股定理」就好，雜訊的數值就是這樣算出來的，藉此算出平均的值。
公式： 系統雜訊 ² = 水準雜訊 ² + 場合雜訊 ² + 穩定型態雜訊 ²
備註：圖中各雜訊的比例僅是範例，每一種系統雜訊的組成皆不同，有的可能是水準雜訊比較多，有的是型態雜訊的比較多。
- 水準雜訊: 「不同人」之間差異的雜訊
有的人比較嚴格，有的人則比較寬鬆，同一組織不同專家的標準不一，每個專家在意的重點不同，這就是水準雜訊。
尤其是法官判刑這部分，因為水準雜訊的存在，每個人的判斷標準都不同，像是犯了某種罪行需要判5~10年，比較嚴格(或對於該案件較無法寬恕)的法官，可能會判8年；而認為犯人情有可原，較能接受犯罪者的說詞的法官，可能只會判6年。此案件的水準雜訊就是2年，雖然時間不長，但這樣的差異還是令人難以接受。
除了水準雜訊之外（組織中的變異），水準雜訊簡單來說就是「因人而異」。接著是個人本身的差異「型態雜訊」，這種雜訊是指「同一個人」對不同事情有不同判斷標準的差異，簡單來說，即便是同一個人，遇到不同的事情也會標準不一，就是「個人視情況而定」的變異。
而型態差異可以分為穩定的型態雜訊以及相對不穩定的「場合雜訊」。
- （穩定）型態雜訊:
穩定的型態雜訊，是指由價值觀、個人理念等等因素形成的個人差異雜訊。
像是有兩個犯罪者同樣都是偷了東西，犯了竊盜罪，兩起案件的損害金額都差不多，但主要差別是犯人本身，一個是非裔人士，另一個是年邁的長者。你可能會對年長的犯罪者「比較心軟」而判刑較輕，而因為看不順眼有色人種而故意判刑較重，視情況而定即是如此，明明都是一樣的事件（案件），卻因為標準不一，而有不同的判斷。
之所以會說這樣的是「穩定的」型態雜訊，是因為我們的判斷標準大致上不會有太大的改變，如上面的舉例來看，你會對長者心軟，那接下來的案子也大多會呈現如此的表現，而討厭那些有色人種，那之後大概也不太可能會喜歡。
- 場合雜訊: 根據場所、心情不同而產生的雜訊
簡單來說，就是「看心情」，這大概是我們最難察覺，而且最難以控制的雜訊。
法庭當天的冷氣開比較強，你覺得比較冷，身體覺得很寒冷，讓你的心情隨之「冷起來」，判斷的標準在當下變得特別嚴格，可能會比較難寬恕犯罪者，而判刑特別重；或者是當天天氣很好，或是下班後要去約會，整天的「心情都不錯」，抱持著正向樂觀的態度，判刑可能就會特別輕，因為「樂觀」覺得犯罪者仍有改進的餘地。
其他生活上常發生雜訊的地方
- 醫生的診斷
即便是Ｘ光照片的判讀，也是有雜訊的存在。不同醫師對於同一張Ｘ光的判斷點有可能不太一樣，有些可能認為照片上的白點不是異常，而有些認為是某些病症造成這些白點的顯現，見解不同最後的診斷結果也會不一樣，差異可能，既然判斷的結果不同，那至少會有一個是錯的，這樣的雜訊就是水準雜訊。
當然也有可能會受到「型態雜訊」的影響，如果一開始就被告知患者有哪些病史、不良的生活習慣等等，那醫生可能會特別關注X光上是否有出現某些病症的特徵，而刻意忽略其他有可能的疾病。
尤其精神科領域的雜訊特別多，每個醫師的診斷能力、醫學背景和學派皆有所不同，幾乎沒有統一的標準，不像其他，治療方式也都大相逕庭，有的認為要以藥物為主進行治療，而有的則是認為以心理治療比較好…等，然而許多疾病的治療仍舊沒有標準答案，所以仍然充斥著各種雜訊，醫師的判斷有著不同的差異。
- 員工的任用面試
假設求職者有一份履歷，上面標示著各能力的評分(1~10分，姑且先不管能力的評分怎麼來的，假設是透過標準評比流程得來)。像是語言能力8分，創意力5分、人際關係溝通6分…等，即便如此有了這麼一份看起來可以做出公平決定的履歷，但是不同的面試官對於各種評分仍舊有「自己的偏好」。
每個人的決定基本上都不一樣，因為每個面試官心中的那把尺都不同。有的人可能認為人際關係的能力比較重要，就擅自為這一項評分做「加權處理」，有的可能覺得創意能力才是該被重視的。而且在與其他求職者進行比較時，可能認為１０分與９分的差異，會比９分與８分的差異還要來得大…等，各種判斷的標準皆不相同，這樣的雜訊就是「水準雜訊」。雖然因為每個人的意見不同而有雜訊，但是在做共同決定時，有不同人的意見是很重要的，這可以平均我們的雜訊量值，這在最後一部分「減少雜訊」會提到，而且要用對方法才能正確地減少。
在面試這種情況中，也是會有穩定的型態雜訊。像是你面試了兩位履歷幾乎一模一樣(不含自我介紹這種自我表達的文字內容)的面試者，明明兩位都很優秀，但你就是會偏好某一位受試者。兩個求職者的能力差不多，也都是頂尖學校畢業，但你看到其中一位是與你同學校的「校友」，你的心中有了一點偏袒，因此在最後的決定，就選擇了這位求職者，並錄取了他。
像這樣以個人喜好做判斷的差異可是多不勝數，尤其是那些難以抉擇的場合時，以簡單替代複雜，「系統一」的思考模式會搶鋒頭，會以直覺的偏好來判斷。
場合雜訊，例如當天的面試場地特別舒服，午餐剛好有喜歡的菜，前一天有睡飽等等，或面試者給的第一印象很好，這些會影響到心情的因素，也是決定面試者會不會被錄取的關鍵。因為心情比較好，比較容易忽視一些小缺點，對於求職者的評分與印象會更好；反之，如果當天被指派很多工作，壓力很大很煩躁，看什麼事情都不順眼，那這樣也會對面試者更加嚴格，評分與印象就會相對較低。
總結 — 減少雜訊，增加判斷力
決策保健
知道雜訊之後，最重要的就是想辦法減少雜訊，然而大多數的雜訊都難以察覺，而且幾乎沒有固定的成因，讓我們的決策產生了那些不想要的差異。
作者提到一個很重要的方法 — 決策保健，用「預防大於治療」的方式來減少雜訊發生的可能性。
前面提到的「偏誤」可以用治療的方式「對症下藥」，像是施打疫苗與服用特效藥，針對某種病症做專一的治療。事先知道常犯的偏誤有哪些，就能有效避免犯下那些偏誤。
而決策保健的方式，像是戴好口罩與勤洗手，做好預防的工作，降低「被雜訊」感染的機會，因為我們不確定到底會有哪些雜訊，是水準雜訊影響比較大，每個人標準不一，還是你自己的問題？又或者是情況不同造成的雜訊？
難以得知確切是什麼原因造成的，要從雜訊中一一找出來也非常花時間，因此我們能做的是制定一些「標準」，盡可能減少不必要的差異，減少決策上的雜訊，讓做出來的決定更準確。
這邊提了兩個方法（書中還有講到其他觀念），可以使用「演算法」以及「中介評估法」降低可能的雜訊產生，達到決策保健的功效。
疫苗和口罩，這兩者都能減少疾病的發生，疫苗很有用沒錯，可以針對看得到的那些做事先預防；但隔絕那些「看不見的敵人」才是更重要的，我們常常被這些敵人奇襲，深受其害。雜訊正是那看不見的敵人，我們更該注意並堤防其所造成的危害。
適當使用演算法
即便只是簡單的算式，總是會比我們的判斷還要來得更加準確，雜訊更少。
像是前面提過面試的例子，我們會因為個人偏好而針對部分分數有「權重的調整」，因為每個人見解的不同，判斷的結果產生了許多雜訊。所以像是這個時候，單純地將分數做加減乘除（至於怎麼運算，依公司選人的標準而定，不過越簡單越好）。
這樣純粹以算出來的數值做的判斷，也比我們在那邊思考老半天做的決定還要好上許多，不只雜訊更少，也更準確（準確的標準是指被選上的那些求職者在日後的表現符合預期）。
而且通常是運算的法則越簡單，則決策越穩固、雜訊越少，不過如果是更複雜的案例，用上深度學習持續改進的這種演算法，準確率會更高，判斷更為精準！
總的來說，用演算法的好處主要是減少被每個人的差異所影響。尤其醫療領域受惠於演算法的精準，例如Ｘ光照片判斷疾病的機器學習判斷也已經行之有年，準確率越來越高，減少醫生之間的水準雜訊以及個人的型態雜訊，讓病人能接受更正確的診療。
中介評估法
既然機器算出來都比我們准了，那我們還有什麼用？都給機器算就好了啊。
話可不能這麼說，有些判斷還是要靠我們的「真知灼見」發揮效用，不過因為雜訊的影響，準確率並沒這麼高。因此我們可以學學機器的演算法，在判斷也能有一定的規則，來減少過程中的雜訊，讓我們的決策發揮真正的效用。
這個方法是中介評估法，透過一個標準化的既定流程，而這個流程是由組織的各位討論出來的，在判斷事物時有「可以參考的標準」，「有標準」這點非常重要！這樣可以減少大家之間的差異，免得你覺得的好跟我覺得的好其實根本就不一樣（水準雜訊），或是你今天的想法跟明天的想法也不一樣（型態雜訊），如此一來，大幅減少那些認知上的差異，也就能減少做決定的雜訊了。
- 外部觀點: 尋找基本比率
類似的情況有沒有可供參考的平均值？例如公司招募一個新職位，不過大家對這個職業都不太熟，這時候可以先參考一般業界都要求哪些能力，平均的分數是多少？
有這樣「統計上」的外部觀點時，比較不會各說各話，否則有的人認為６分就夠了，有的則是８分才行，在那邊各持己見，導致雜訊充斥其中。如果業界平均是５分（基本比率），而公司大概是業界的前３０％，那就可以依此訂個６或７分的標準，而求職者至少要達到該標準才行，依此減少水準雜訊，每個人心中那把尺的差異變得比較小了。
- 結構式問題: 錨定案例 & 相對判斷
如果是開放式問題，想問什麼是根據發問者喜好隨意發問，不只每個人問的都不一樣（水準雜訊），你今天問的跟明天問的也會不同（型態雜訊），而且問出來的答案也不見得有參考價值，所以藉此做出的判斷，通常雜訊很多，會是個不夠精準的決策。
而結構式問題更能夠問出我們想要的，照著題目一題一題問，雖然比較無趣，但是這樣標準一致比較不會有爭議，如果題目設計良好，可以問到我們確切想要的答案。相較之下，結構式問題會得到範圍內的答案，並藉由該答案做決定，如此一來雜訊被大幅減少，因此決策也能更加準確。
像是醫生的問診就是偏向結構式問題，醫生會問你喉嚨有沒有癢癢的，痰是什麼顏色，有沒有發燒，最近有沒有味覺異常等等，藉由這樣的標準流程的問題做更準確的診斷。
而在做評比時，盡量別用「絕對判斷」，改用「相對判斷」。
絕對判斷很常見，像是給餐廳評分、為App評星星等，這些「打分數」的形式都屬於絕對判斷，雖然很常見，但這並不是個很好的評分方式，尤其很多評分都沒有「固定的標準」（又不是考試）。你可能覺得三顆星就不錯了，但是對方覺得四顆星才夠好，而且同樣都是三顆星的評比，到底是哪個好？這樣的判斷方法實在令人很困擾，因為各自的解讀不同，有了不該出現的雜訊！
所以，盡量採用錨定案例＋相對判斷的方式，這樣大家的判斷標準比較一致，減少各自判讀造成的雜訊（型態雜訊）。
錨定案例是指先給定幾個大家都知道的分數標準，例如為餐廳評分，總共有１～１０分，３分是某間大家都討厭的某間餐廳，６分是公認還行的，１０分則是即便排隊也要吃的名店。
在為某一間新餐廳做評比時，可以先根據這份評分的標準參考，為其做好相對的排序，例如你覺得還不錯，就將其放在６分與１０分之間，你就可以大概知道該評分「大概是多少」，而不必一定要給出確切的分數（像是６分、７分等等）。有了這樣的錨定案例與排序之後，我們可以更好理解大家對於該餐廳的判斷是如何，在每個人心中的地位是怎樣的，藉此大幅減少相對的判斷雜訊，而不必因為絕對評分的解讀歧異有所誤差並產生雜訊。
越來越多新餐廳要評比時，你就不會苦於同樣分數的餐廳有很多，只要做好相對的比較就行，這也是為什麼很多時候我們會偏好排列順序（像是排行榜），而非評分的原因。
- 獨立評估: 評估 — 討論 — 評估
每個人盡量「分開獨立」做評估，在思考判斷的當下，不要受到其他人的干擾，也就是說，在還沒做出個人判斷之前，不要參考他人的意見，否則會被他人影響。
如果事先被他人的判斷影響，我們在思考時很容易有偏見，會被場合雜訊所影響，因此先做出個人判斷，接著才討論。而且在評分各項目時，也是盡量分開獨立的方式來判斷。在個人評估完後，再匯集大家的意見做討論，看看各自的判斷有什麼不一樣，有哪裡沒思考到的，接著再做一次評估。
舉例來說，批改作文的方式就是類似這種方式，每個評審老師先各自打分數（第一次評估），如果分數差距過大則接著討論並重閱（再評估），否則就是直接根據該分數做平均。
- 延遲做出直覺判斷
我們不該太早有「先見之明」，不要一開始看到就「憑感覺」做出決定，這樣雜訊（主要是型態雜訊，因為直覺純屬個人意見）比較多，判斷就會相對不準確。
最好是執行過上述的流程之後，藉由以上的方法 — 「中介評估法」幫我們減少判斷時的雜訊，在想清楚之後，再根據直覺做出決定，這時決策的雜訊相對少一點，不該出現的差異比較少，因此判斷會更為準確。
雜訊適當減少就好
雖然雜訊越少越好，但並非將雜訊降為零就沒有問題。像是一切都用演算法、規則或是法律做決定，這樣的雜訊是零沒錯，但不代表做出的判斷就一定正確。
舉個簡單的例子，如果有個規定是1+1=3，而強制我們判斷時一定要套用這個規定，不用我們人類來判斷，所以(即便你知道這錯得離譜)，每次只要有1+1的情況出現，就一定會判斷成3，沒有任何協調的餘地。
因此強制套用規定，讓判斷完全沒有雜訊並非好事，上面的舉例就是將雜訊歸零，但「偏誤」仍存在，所以判斷才會錯得如此離譜。
不過大部分時候，規定、演算法還是很有用的，讓我們不必受到雜訊干擾，像是法律（大部分）的罰則規定，明定幾歲以上才能喝酒；平均分數就是全部加起來除以總數…等，只要該規則被大多數人驗證過，基本上就能放心使用，並做出準確的判斷。
不過有的時候，將雜訊降低需要花很多的成本(時間、人力等)，而且如1+1=3的範例，如果一切都靠著既定規則，這樣會沒有通融的餘地。例如今天只要有2+1=?的情況需要判斷時，根據該規則就無法得出答案。
如果一切都只能照著規則一條一條做決定，將雜訊降到最低，那必須把所有情況都思考透徹才能完全將其歸零，任何邊際狀況都要顧及，但這樣不太實際。你能想像判斷一件事之前，必須先翻閱跟字典一樣厚的檢核手冊，才能做出決定嗎？
雖然法律條文是差不多的情況，但其實已經相當精簡了，很多法條都是採用「準則」的判斷，而不是全部都是規定，否則全部寫出來大概也沒人能看得完吧。
因此，許多時候使用的是「準則」而非規定（雖然很諷刺的就是因為這些準則而有雜訊），這是在兩者相害取其輕的權衡之下，不得不做出這樣決定。同時也是避免所有規則都訂死，讓人有漏洞可鑽，能起到一些嚇阻的作用（因為你不確定哪些可以那些不行，所以比較不敢觸法）。
總的來說，一部分採用規則，並配合著準則，將雜訊降到「可以接受的程度」，依此做出的判斷或許就是當時的最佳解了。
開放心態
書中提到某一種人，他們並非最聰明（IQ不是頂尖），但做出的預測、判斷就是比其他人還準，這些人被稱為「超級預測者」。經過研究才發現，為什麼這些超級預測者總是可以做出更好的判斷，差別在於他們的「思考方式」比較不一樣。
這些人在進行判斷時，總是保持著開放心態，不會認為自己做的決定是百分之百正確，願意接受任何反對意見，即便新的資訊與先前的理念相左，他們也可以接受並將其融合到自己的想法當中，與時俱進更新自我判斷的標準，讓自身的偏誤能越來越少，雜訊也能因此降低（可以察覺自身的思考差異，例如場合不同時，也能察覺到並保持一致的思考模式）。
因此，如果要挑選更好的決策者（像是執行長、主管之類的），要選擇的不是那些最聰明或專業能力最強的候選人，而是這些思考更開放、思慮更縝密的更為合適。而且這些人大多會勇於接受反對意見，因此如果你有反對的想法，盡可能讓他們知道，或許能因此有所改進成長。如此一來，可以讓決策更為準確，並且更常做出正確的判斷，對彼此都有好處！