等 領域 ， 爭論 的 是 哪 一 種 方法 的 預測 最好 。 道斯 推測 說 ， 大多數 人 會 選擇 一 種 有效 但 非 個人化 的 治療 ， 而 不 理會 一 個 無效 但是 個人化 的 治療 ： 對於 感染 ＨＩＶ ︵ 愛滋病 ︶ 的 人 來 說 ， 有 什麼 會 比 非 個人化 地 發明 一 種 ＨＩＶ 治療法 更 具 個人 意義 及 重要性 ？ 對於 研究生 入學 申請 者 、 假釋犯 、 心臟病 病患 … … 又 有 什麼 比 非 個人化 的 統計 預測 技術 的 進步 更 具 個人 意義 及 重要性 ？ 關鍵 在於 任何 一 種 方法 是否 能 讓 自己 的 在 追求 事業 的 過程 中 減少 失敗 ， 讓 假釋犯 在 假釋 期間 減少 再 犯 ， 讓 醫學 治療 更 有 療效 ， 等等 。 ︵ p .
 
182 ︶ 承認 在 諸如 預測 心理治療 療效 等 研究 領域 裡 ， 精算式 預測 都 優於 臨床式 預測 ， 並 無損 於 心理學 的 聲望 ， 因為 在 如 醫學 、 商學 、 犯罪學 、 會計學 ， 甚至 家畜 鑒別 等 差異 非常 大 的 應用 領域 中 ， 也 都 發現 精算式 預測 優於 臨床式 預測 ︵ 參見 Dawes , 1994; Dawes et al .
 
, 1989; Dowie & Elstein , 1988 ︶ 。 儘管 總體 上 說 ， 心理學 不會 因為 這些 研究 結果 而 有 什麼 損失 ， 但是 對 一些 必須 以 ﹁ 專家 ﹂ 身分 從事 臨床 實務 ︵ 例如 在 法庭 上 做證 ︶ 、 讓 病患 覺得 他們 有 獨特 臨床 個案 知識 的 工作者 ， 不但 聲譽 會 大損 ， 甚至 收入 也 會 降低 。 然而 ， 正 如 麥佛爾 和 特瑞特 ︵ R. M. McFall and T. A. Treat , 1999 ︶ 在 一 篇 論述 臨床 評估 之 價值 的 論文 中 提醒 我們 的 ： ﹁ 我們 臨床 醫師 試圖 評價 和 預測 的 事 ， 本質 上 是 機率性 的 。 這 意味 著 我們 不能 期望 大自然 會 如此 聽話 ， 讓 我們 有 百分之百 的 把握 來 預測 單一 事件 。 相反地 ， 我們 最 好 的 期望 也 只 能 是 確定 一 系列 可能 的 結果 ， 然後 估計 這些 結果 出現 的 相對 可能性 。 從 這 種 機率 的 角度 看 ， 傳統 臨床 評估 內含 的 那 種 對 獨特 、 不 常 出現 的 事件 做出 準確 預測 的 理想化 目標 ， 其實 是 一 個 幻想 ， 反映 了 我們 的 無知 和 ／ 或 自大 。 ﹂ ︵ p .
 
217 ︶ 實際 上 ， 如果 我們 養成 ﹁ 接受 錯誤 以 減少 錯誤 ﹂ 的 習慣 ， 心理學 和 整 個 社會 都 將 受益 。 在 試圖 對 每 個 不尋常 的 單一 事件 做出 獨特 的 解釋 時 ︵ 就 我們 目前 的 知識 情況 來 說 ， 獨特 的 解釋 也許 根本 不可能 ︶ ， 我們 常常 因而 喪失 對 更 常 出現 的 平常 事件 的 預測 能力 。 請 大家 再次 回想 紅藍燈 的 實驗 ， 在 所有 出現 機率 較 小 或 較少 出現 的 不尋常 事件 ︵ 亮藍燈 ︶ 時 ， ﹁ 百分之百 紅燈 策略 ﹂ 的 預測 都 是 錯 的 。 如果 我們 把 注意力 放 在 出現 機率 較 小 的 事件 上 ， 而 採用 ﹁ 70% 紅燈 、 30% 藍燈 策略 ﹂ ， 結果 會 怎樣 呢 ？ 我們 會 在 30 個 不尋常 事件 中 預測到 9 次 ︵ 30 × 0.3 ︶ ， 代價 是 損失 了 正確 預測到 21 個 常見 事件 的 機會 ， 從而 把 對 紅燈 有 70 次 正確 預測 的 結果 ， 降為 只有 49 次 ︵ 70 × 0.70 ︶ 。 臨床 領域 中 的 行為 預測 也 可以 用 同樣 的 道理 ， 虛構 每 一 事件 的 複雜度 的 解釋 ， 可能 確實 能 抓住 一 小 部分 不尋常 事件 — 但 代價 是 損失 了 對 大多數 事件 的 正確 預測 。 簡單 的 精算式 預測 ， 正 是 對 大多數 、 常 出現 的 事件 之 預測 做 得 比較 好 。 嘉萬迪 ︵1998︶ 指出 ， 醫學 領域 也 同樣 需要 學習 ﹁ 接受 錯誤 以 減少 錯誤 ﹂ 這 個 道理 。 他 認為 在 醫學 裡 ， 強調 直覺 、 個別化 的 治療 方法 ﹁ 是 有 缺陷 的 — 我們 試圖 承認 及 考慮人 的 複雜性 ， 非但 沒有 減少 錯誤 ， 反而 引來 更多 的 錯誤 。 ﹂ ︵ p .
 
80︶ 道斯 ︵1991︶ 講 過 一 個 有趣 的 故事 ， 在 他 執教 的 大學 ， 有 人 發起 的 一 個 罪犯 教育 專案 ， 其中 包括 與 罪犯 會談 。 那 個 罪犯 原來 是 個 酒保 ， 額外 還 替 人 收 賭債 度日 ︵ 必要 時 以 槍威 逼 欠債 者 ︶ 。 一 天 ， 他 被 派往 另 一 州 — 奧瑞岡 — 收 一 筆 錢 。 當 他 到達 該 州 ， 把 那 個 欠債 者 逼到 街角 ， 並 掏出 手槍 要 進行 威逼 時 ， 警察 從 隱密處 跳出來 ， 當場 逮捕 他 。 向 道斯 講完 他 的 故事 之後 ， 這 個 罪犯 自信 的 說 ， 他 再 也 不會 入獄 了 。 道斯 問 他 為什麼 那麼 確信 自己 再 也 不會 被 捕 ？ 罪犯 回答 說 ： ﹁ 因為 我 再 也 不會 去 奧瑞岡州 了 ！ ﹂ 這 個 罪犯 的 思維 有 什麼 錯 呢 ？ 如果 我們 忽略 事情 發生 的 背景 ， 接受 他 的 邏輯 ， 他 的 結論 其實 並 不 壞 ， 正 像 道斯 ︵1991︶ 寫 的 ： 當 我 講完 這 個 故事 時 ， 人們 都 大笑 起來 ， 但 從 非 機率 的 意義 上 來 看 ， 罪犯 的 推論 並 不 是 那麼 壞 。 他 很多 次 用 手槍 討債 都 沒有 被 捕 ， 而 他 只 到 過 奧瑞岡州 一 次 。 因而 相信 一定 是 奧瑞岡州 有 什麼 特別 的 地方 ﹁ 導致 ﹂ 他 被 捕 ， 是 完全 合乎 歸納 推理 的 原則 。 ︵ p .
 
245 ︶ 此 處 的 問題 不 在於 推斷 本身 ， 而 在於 過分 集中 精力 地 想 解釋 一 個 特殊 事件 。 罪犯 想 解釋 為什麼 他 會 在 奧瑞岡州 被 捕 — 為什麼 他 會 在 那 個 特殊 的 時刻 被 捕 。 正 由於 過分 關注 他 是 在 什麼 特殊 情境 下 被 捕 ， 使 他 得出 那 個 非常 荒謬 的 結論 。 這 個 罪犯 應該 運用 機率性 思考 ， 每 一 次 他 用 手槍 討債 時 都 有 被 捕 的 可能性 ︵ 也許 一百 次 中 有 三 次 ︶ 。 罪犯 討 了 很多 次 債 都 沒有 被 捕 ， 這 次 他 被 捕 了 ， 那 只 是 三 次 中 本來 就 會 有 的 事件 。 一 個 總體 的 趨勢 ︵ 他 每 次 用 手槍 討債 就 會 有 多 大多 大 的 可能性 被 捕 ︶ 解釋 了 他 為什麼 會 被 捕 。 這 件 事 發生 在 奧瑞岡州 ， 可能 只是 剛好 ， 根本 沒有 什麼 特別 的 。 在 這 個 例子 中 ， 透過 類比