当我们做出选择决定时——无论是选择约会对象、潜在的商业伙伴还是求职者——我们都会尽力对我们正在考虑的人的潜力做出准确的判断。毕竟，这些决定会产生长期的影响。第一次约会可能会发展成一段长久的浪漫关系；潜在的商业伙伴可能会成为终生的同事；求职者可能会成为我们未来几年都要一起工作的人。
然而，我们常常会问自己：“哪里出了问题？”我们可能花了大量的时间和这个人相处，进行了多次面试和评估，但几个月后才意识到，我们选择的人并不合适。这并非罕见。例如，数据显示，传统的招聘方法所产生的候选人，只有 56% 的时间能够达到或超过招聘经理的期望——这与抛硬币的结果差不多。
我们通常都很清楚自己想要什么：我们可以明确职位要求，并要求候选人提供在相关维度上的信息。但是，当涉及到评估我们收集的所有数据时，问题就出现了。最近一项由昆策尔（Kuncel）、克利格（Klieger）、康奈利（Connelly）和奥内斯（Ones）进行的元分析发现，在工作和学术环境的多个标准中，当人们将硬数据与他们自己和他人的判断相结合时，他们的预测总是比单独使用硬数据产生的预测更无效，且对实际结果的预测性更差。即使判断是由对所涉工作和组织有了解的专家做出的，情况也是如此。例如，在预测工作绩效时，硬数据的预测比数据和专家判断相结合的预测高出 50%。在评估求职的候选人时（无论是什么工作），研究团队发现，一个简单的算法比人类的判断高出 25% 以上。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。购买订阅可以帮助确保关于塑造当今世界的发现和想法的重要故事的未来。
这项研究表明，依靠可用的最客观的数据，并使用算法来解释它以做出选择决策，胜过我们的直觉。而且差距很大。
事实上，依靠直觉，我们可能会做出有偏见的决定。举例来说，我们倾向于直接从一个人的表现来推断他的能力，而没有充分考虑他所处的环境，这是一种被称为“对应偏差”的系统性错误。例如，在评估提拔哪些员工时，经理可能会只关注他们的成功，而没有考虑到他们过去任务的难度。同样，我们可能会在不考虑市场状况、政治挑战等因素的情况下评判我们的领导者。
我和加州大学伯克利分校的唐·摩尔（Don Moore）以及卡内基梅隆大学的山姆·斯威夫特（Sam Swift）和扎卡里亚·谢雷克（Zachariah Sharek）进行的一项研究证明了这种类型的错误。美国大学生扮演一个选择性MBA项目的招生官的角色，他们被展示了候选人的平均绩点以及他们所就读的每所大学的平均绩点。在决定录取谁时，参与者过分重视申请人的平均绩点，而低估了不同学校评分标准的影响。换句话说，他们没有适当考虑候选人获得成绩的相对难易程度。
许多其他系统性错误会影响我们的判断，并导致糟糕的选择决策。例如，我和尤里·西蒙森（Uri Simonsohn）分析了十年间在商学院进行的 9000 次 MBA 候选人面试数据。我们发现，在当天早些时候接受面试的优秀候选人比在当天晚些时候接受面试的候选人更容易被录取。一旦面试官给早些时候的申请者打了几个好分数，面试官对其他申请者的后续分数可能会更低。面试官不愿意在一天内对过多的申请者给出高分或低分，这种偏见会使那些碰巧在有特别优秀申请者出现的那一天出现的候选人处于不利地位。即使在我们考虑了申请者及其面试之间的差异之后，这种错误仍然成立，而且是由那些多年来日复一日地做这项工作的专家犯下的。
当我们的判断和对他人的预测不正确时，对个人、组织和社会造成的负面后果可能是严重的。录取一个没有准备好、后来失败的学生，雇用一个扰乱工作场所的员工，以及提升一个鲁莽的行政人员担任首席执行官，这仅仅是几个例子。
孔子曾经说过：“知之为知之，不知为不知，是知也。”使用客观数据的算法在预测广泛重视的结果（如工作和学术表现）方面具有更高的准确性。真正的专家是知道自己不知道的人——即，我们的直觉可能会让我们失望。
您是专门研究神经科学、认知科学或心理学的科学家吗？您是否读过最近发表的同行评审论文，并想撰写相关内容？请将建议发送给《心灵事宜》编辑加雷思·库克（Gareth Cook），他是《波士顿环球报》的普利策奖获奖记者。他的联系方式是 garethideas AT gmail.com 或推特 @garethideas。