[факт, мета-анализ] Kahneman & Klein (2009) — обе стороны спора школ (heuristics-and-biases и naturalistic decision making) сходятся в оценке одного и того же результата: «Grove, Zald, Lebow, Snitz, and Nelson (2000) reported a meta-analysis of 136 studies... The preponderance of data favored the algorithms... which were superior in about half the studies (n=63). The other half of the studies showed no difference (n=65), and only a few studies showed better performance by the clinical judgments (n=8)» (с. 523).
[оговорка, признанная сопротивляемость] Те же авторы прямо признают проблему внедрения: «these algorithms only achieve limited accuracy, but they outperform humans because of their advantage of consistency. However, the introduction of algorithms to replace human judgment is likely to evoke substantial resistance and sometimes has undesirable side effects» (с. 524).
[граница, где формула не применима] Условие превосходства алгоритма — валидная среда и наличие устойчивых признаков; в задачах с «fractionated expertise» (специалист компетентен в одной части задачи, но не в другой — например, финансовый аналитик хорош в оценке бизнеса фирмы, но не обязательно в оценке того, недооценена ли её акция) простой перенос алгоритма не гарантирован без отдельной проверки области (с. 522–524, KK09).
[факт, noise audit] Kahneman, Sibony & Sunstein (Noise, 2021) — добыт по двум независимым академическим рецензиям (полный текст книги за пейволлом на всех проверенных каналах): «in considering the difference between two underwriters' decisions as a percentage of the average, one study showed that the median difference was 55%» (книга, с. 26, цит. по рецензии Aldous, The Mathematical Intelligencer 2022) — притом «Most CEOs expect the difference to be about ten per cent... what authors discover from their study is fifty-five per cent» (рецензия Bronnikov, JBEP 2022, с. 53).
[факт, структурированное интервью] «The interviewers' task in structured behavioral interviews is not to decide whether they like a candidate overall; it is to collect data about each assessment in the evaluation structure and to assign scores. Interviewers are required to ask predetermined questions and score them against a predetermined rating scale, whose rubric gives examples of average, good, or great answers» (книга, с. 308, гл. 24, цит. по рецензии Aldous).
[оговорка, цена процедуры] «excessive-decision hygiene can easily become disadvantageous in terms of bureaucratic costs (both monetary and time) and professional independence suppression» (рецензия Bronnikov, JBEP 2022, с. 54) — цитата рецензента, не дословно из книги, но прямо сформулированная как предупреждение о цене чрезмерной формализации.
[факт, простые правила побеждают сложную модель] Gigerenzer & Gaissmaier (2011) — «hiatus heuristic»: клиент считается «спящим», если не покупал дольше N месяцев; правило не оценивает параметров. Для розничного продавца одежды: «the hiatus heuristic correctly classified 83% of customers, whereas the Pareto/NBD model classified only 75% correctly. For the airline, the score was 77% versus 74%» (с. 455), при том что сложная модель оценивалась на 40 неделях данных. Условие успеха названо явно, не универсально: одно-признаковые правила «tend to succeed» там, где высокая избыточность признаков или сильно различающийся их вес (с. 457) — «less-is-more effect».
[факт, fast-and-frugal trees] «A fast-and-frugal tree has only m + 1 leaves and thus is likely more robust» (с. 467); в 30 задачах из медицины, спорта и экономики сложные модели «excelled in data fitting, but not necessarily in predictive accuracy» — простое дерево не всегда точнее в подгонке, но устойчивее на новых данных. Прикладной пример из права: простое правило корректно классифицировало «92% of bail decisions» (с. 467).
[факт, управленческое приложение] 1/N-правило (равное распределение ресурса между N альтернативами) сравнили с 14 оптимизирующими моделями, включая модель Марковица, в семи инвестиционных задачах: «[1/N] came out first on certainty equivalent returns, second on turnover, and fifth on the Sharpe ratio. None of the complex optimizing models could consistently beat it» (с. 470).
Приём: замена или дополнение экспертного суждения формальной линейной моделью, чек-листом/алгоритмом голосования признаков, структурированным протоколом (фиксированные вопросы, фиксированная шкала) или простым однопризнаковым правилом. Механизм: устраняет непоследовательность (шум) между оценщиками и во времени у одного оценщика; для простых правил в условиях высокой избыточности признаков — экономит усилие без потери точности («less-is-more»). Критерий «сработало»: доля сравнений, где формальный метод точнее или не хуже клинического/экспертного суждения; величина расхождения между независимыми оценщиками одного и того же случая (noise audit). Замер: 128 из 136 сравнений — алгоритм не хуже, из них 63 — строго лучше эксперта, 8 — хуже (Grove et al. 2000, цит. по KK09, с. 523); медианное расхождение между андеррайтерами — 55 % от среднего (Noise, с. 26, по рецензии); hiatus-эвристика 83 % vs 75 % (розница), 77 % vs 74 % (авиакомпания) — точнее модели Pareto/NBD (GG11, с. 455); 1/N — первое место по certainty equivalent returns среди 15 стратегий в семи инвестиционных задачах (GG11, с. 470); простое правило — 92 % верных решений по залогу (GG11, с. 467). Где не работает / побочные: внедрение «вызывает существенное сопротивление... и иногда нежелательные побочные эффекты» даже у авторов, признающих превосходство алгоритма (KK09, с. 524); одно-признаковые правила выигрывают только при высокой избыточности/различии весов признаков, не универсально (GG11, с. 457); чрезмерная формализация процедуры повышает бюрократические издержки и подавляет профессиональную самостоятельность (Noise, по рецензии Bronnikov, с. 54); в задачах с «fractionated expertise» перенос алгоритма без отдельной проверки области не гарантирован. Цена внедрения: организационное сопротивление (описано, не измерено количественно); бюрократические издержки при избыточной формализации (по рецензии на Noise, качественная оговорка, не цифра). Координата (Soll et al. 2015): modify the environment — приём заменяет или ограничивает роль индивидуального суждения формальной структурой, а не тренирует само суждение.
(б) Процедура. Там, где решение повторяется и есть измеримые признаки (найм, скоринг, классификация клиентов, медицинская/юридическая триаж-задача) — заменить свободное суждение формальной моделью, чек-листом весов признаков или структурированным протоколом с фиксированными вопросами; ожидаемый эффект — снижение расхождения между оценщиками (порядка десятков процентных пунктов по noise audit) и не худшая, часто лучшая точность (Grove et al.: 128 из 136 сравнений не хуже). Граница: перенос без проверки, что признаки в новой области действительно валидны, не гарантирован. (в) Среда. Работает лучше там, где решение повторяемо, признаки известны и относительно стабильны (валидная среда — см. ПР-14 Аудит валидности среды); в «wicked»-средах (Hogarth, цит. по KK09) ни формула, ни интуиция систематически не выигрывают, потому что сами признаки ненадёжны. (г) Организация. Главное препятствие — не техническое, а организационное: сопротивление людей передаче своего суждения формуле (KK09, с. 524); внедрение обычно требует институционального мандата и постепенного перехода (структурированное интервью в найме, а не полный запрет собеседования), а не разового распоряжения.
2026-09-12
отвечено 0 из 2
1. По мета-анализу Grove et al. (2000), процитированному Kahneman & Klein (2009, с. 523), в скольких из 136 сравнений клиническое суждение превзошло формальный алгоритм?
2. Что показал сравнительный тест hiatus-эвристики (одно правило: «не покупал N месяцев — неактивен») против модели Pareto/NBD для розничного продавца одежды (Gigerenzer & Gaissmaier 2011, с. 455)?