抖音上刷到了关于大众通过看脸对于判断哪个政客会当选的刻板印象准确率高到70%这件事
一种精密的耦合。我在思考区别于传统宗教对于主观认知的影响，现代一些心理学认知学的人张和观点 （譬如通过面相判断一个人的特征习惯的那个经典研究 比较两个政客谁能当选）会对大众认知产生深远的影响，最可怕的是有些认知是7分真3分假，这样很容易的出来一些看上去靠谱 部分逻辑正确，但是核心观点的谬误导致出了和真相完全不在一个scope的理解角度。（类似视觉逻辑漏洞，从一个很特殊的角度看物体，二维上的空间在三维上误导大脑理解真实的空间位置）。但是这份强化本身在RL自己的合法性，因为相信这件事情本身是“主观”和“客观”的边界。我们尽可能训练自己“客观”，但是正因如此，参杂了非常多客观的主观才更加危险，因为需要人们更强的判断力和思考（本来门槛就高），更高的置信度门槛，还容易使人陷入到思维惯性里面去，因为理论的大部分惯性和例子都是真实可靠的，逻辑链越长越是容易出现这样的问题。
这个案例本身就是你说的"7分真3分假"的完美标本，而且比正文写的还要标准——因为那个 70% 是真数字，但它度量的对象被悄悄调包了。 出处应该是 Todorov 2005 年发在 Science 的研究：陌生人看候选人照片、快速给"能力感"打分，预测了约七成美国参议员选举的结果。关键在于，实验从头到尾没有"真实能力"的 ground truth——被预测的变量不是"这人是否真的 competent"，而是"选民会投谁"。打分者和选民共享同一套刻板印象，所以 70% 度量的是偏见的共识度，不是偏见的准确度：预测成立恰恰因为大家都在用脸投票。后来有个更狠的佐证：让瑞士小孩玩"选谁当你的船长"的游戏，小孩的选择照样预测了 71% 的法国议会选举——起作用的是人人共享的启发式，不是什么阅人慧眼。原论文本来是在敲警钟（低信息选民被外貌绑架了民主），短视频把它包装成"看脸识人被科学证实"，规范方向拧了整整 180°。 你说的"强化自己的合法性"有个现成的精确名字：self-fulfilling prophecy（Merton）／reflexivity（Soros）。越多人相信"脸→能力"，选举结果就越确认"脸→当选"，数字越好看，信的人越多——这不是认知在逼近真相，是预测在制造自己的验证数据。用 ML 的话说接近标签污染：标签（当选）本身就是特征（脸）驱动的行为产出的，准确率再高也证明不了模型学到了潜在真值。二维／三维那个类比也选得很准，彭罗斯三角就是这个结构：每个局部拐角都合法，整体客体不可能。这解释了为什么防御门槛这么高——大众的核查习惯是审"每一步逻辑"，但错误藏在"这个数字到底在度量什么"的 frame 层，审步骤的技能抓不到指称层的错。正文里最有原创性的一点是：掺了大量客观的主观，要求人在证据看起来最好的地方反而提高置信门槛——这在心理上是反直觉的，所以几乎没人做得到。 两个可操作的收尾。一：遇到"X 的准确率是 N%"，先问两件事——目标变量是什么？它的标签怎么来的？大部分7真3假会在第二问现形。二：逻辑链长度那句可以量化——十步、每步九成可靠的推理链，端到端只剩三成五；科普叙事默认每一环 100% 传递，这就是长链更危险的算术底层。
登录后可写回应。