Photo by  Bernard Hermant  on  Unsplash   很多研究在我的筆記本裡，我會看看有哪些可以翻出來的研究證明，看看這些大學的證據是否足以捍衛我對於研究的信任與信心。性別框架會影響兒童的性別認同，我們對於男童，女童的認知會強加於他們身上，並且灌輸對於性別上的一致性正確，男童高估自己的正確，所以往往錯得比女童多，而人工智慧的偏見會放大我們自己的偏見，這兩項研究其實都證實了一件事：人類的思想從小就有很多偏誤。 倖存者偏誤是比例上的認知錯誤，屬於統計學上的一種專有名詞，也是屬於心理學的一部分，可是當我們談到理論時，往往不會很容易套用在生活中，畢竟，要每一項完全都應用在生活中，那麼三分之一贊同的人，反面有三分之二的人反對嗎？那也不正確，因為就系統本身來說，三分之一認為贊成的正確，並不看到三分之二的人投下反對票，有些人可能棄權，有些人或是不在場，而有些人乾脆離席抗議。所以我們看到的是怎麼回事？是我們一昧下去的所有偏誤，形成認知上的正確？ 在我的〈正確時代〉中，我曾強調，正確只是讓我們看到一致上的正確，當所有的正確形成為政治正確，先不管是否為「過度」的政治正確，一旦認可了，要再一次翻轉過來，我們大腦可能會打結，為什麼？因為大腦很難第一時間反轉對於正確的正確，即是錯誤上的正確認知觀。讓我們再看一個例子，就是三分之二的人贊同，我們習於看到一件事，媒體會強調三分之一的人反對某些行為，並且加以放大，研究常說的某一部分地的正確，由於人類思想上的「錯誤」，可能第一時間反轉為正確。我舉我公司的例子，我機台上時常有影像檢測，它會比對我設定上的影像的比例有多少「不正確」，不正確太多就判定錯誤，這些機台很笨拙，比例低於百分之七十就覺得錯誤，但往往判定的標準實在讓人哭笑不得，因為學習能力很差，每一張影像比前一張影像判定得只要略低一點，即使外觀與印字都可以辨識得很清楚，它還是覺得不正確，這些影像檢測機器——只要習於某些材料的生產，習慣那印字後，學習的能力反而就很快，而且很少出現錯誤，所以我就覺得這系統——寫這程式的工程師的「機器學習」能力有待加強。 當然，這不能怪罪於機器本身，因為機器老舊，學習能力有限，可是手機上的「機器學習」這件事，或是我們對於判斷這件事本身，容易因為習慣舊習，就很容易直接套用，所以大腦要反轉過來...