其 先決 條件 P 。 為 了 要 檢查 某 特定 法規 是否 有 被 遵守 ， 你 會 去 翻動 下列 卡片 中 的 哪 幾 張 ？ 記住 你 只要 去 翻動 那些 你 所 需要 確定 的 卡片 。 」 實驗 結果 乃是 ， 對於 呈現 許可式 情境 的 問題 而言 ， 有 61% 的 受 試 者 正確 地 解決 該 問題 ； 而 在 專斷式 問題 方面 ， 成功 解決 問題 的 比例 則 只有 19% 。 這些 結果 意涵 著 人們 具有 關於 許可式 情境 的 一般 實用 性知識 ， 同時 在 問題 的 陳述 方式 會 引發 他們 去 活化 該 知識 時 ， 他們 會 使用 這些 知識 來 進行 演繹 推理 。 總而言之 ， 人們 並 不會 在 日常 情境 中 使用 邏輯 的 抽象 法則 來 做 推理 ， 且 在 學習 這 類 法則 時 的 表現 也 不 是 很 好 。 反倒 是 ， 人們 會 同時 使用 領域 特定 知識 （ 如 ： 關於 郵政 系統 的 知識 ） 及 領域 廣泛 的 實用性 知識 （ 如 ： 許可式 基模 ） 來 達成 邏輯 上 有效 的 結論 。 這 建議 了 假使 我們 想要 人們 能夠 做成 邏輯式 的 結論 ， 我們 所 應該 教授 的 便 應該 是 那些 實用性 的 推理 基模 。 事實 上 ， Cheng 、 Holyoak 、 Nisbett 與 Oliver （1986） 已 成功 地 證實 上述 的 觀點 。 □ 歸納 推理 在 先前 討論 演繹 推理 的 單元 中 ， 我們 提到 了 人們 並 不會 使用 正式 的 邏輯 法則 。 這樣 的 情形 對 歸納 或 推論式 的 推理 歷程 而言 是 同樣 存在 的 問題 。 假使 人們 使用 正式 的 機率式 推理 ， 那麼 他們 應該 可以 做出 與 陳述 問題 的 故事 相 獨立 的 好 答案 來 ， 因為 這樣 的 正式 法則 乃是 屬於 領域 廣泛 的 法則 。 話 雖 如此 ， 但 有 很多 的 研究 顯示 ， 人們 都 很 容易 會 對 內含 統計 基礎 的 問題 感到 困惑 。 就 以 一 個 例子 來 看 ， 所謂 「 多數 法則 」 （ law of large numbers ） 認為 當 一 個 人 由 母群 （ population ） 中 取得 的 樣本 （ sample ） 愈 大 時 ， 則 其 由 樣本 中 推論出 的 結果 也 會 較為 可信 。 人們 在 很多 牽涉到 隨機 方法 的 情況 下 都 能 很 完善 地 應用 這 個 法則 ， 如 ： 由 一 頂 帽子 中 抽出 一 個 數字 ； 但 在 一些 故事 中 牽涉到 較為 專斷 的 情節 時 ， 如 ： 判斷 人 的 特質 ， 則 其 應用 情形 較為 不佳 。 表 10.4 顯示 在 Fong 、 Krantz 及 Nisbett （1986） 的 研究 中 所 使用 的 兩 種 抽樣 問題 。 在 表 上方 的 那 個 問題 中 ， 正確 的 答案 是 ： Joe 並 沒有 好好 地 進行 推理 歷程 ， 因為 他 所 得 的 結果 只 對 少數 人們 適用 ， 而 這樣 的 結果 是 無法 反映 真實 情況 的 。 在 表 下方 的 那 個 問題 （ 主觀式 的 ） 中 ， 其 正確 答案 也 是 類似 的 ； Gerald 是 由 Timmy 行為 中 的 小 樣本 （ 兩 個 例子 ） 來 做 推論 ， 而 這樣 的 結果 可能 無法 反映 Timmy 的 一般 性向 。 Fong 等 人 （1986） 發現 受 試 者 當中 正確 回答 隨機 問題 的 平均 比例 約為 65% ， 而 對於 主觀式 的 那 個 問題 的 正確 解答 比例 則 只有 22% 。 關於 人們 會 輕易 地 被 問題 中 的 機率性 特質 誤導 ， 這樣 的 情形 在 牽涉到 迴歸 分析 （ regression ） 、 基本率 （ base rate ） 、 及 抽樣 （ sampling ） 、 加上 這裡 所 說 的 多數 法則 等 問題 中 都 已經 被 發現 了 （ Kahneman , Slovic , & Tversky , 1982 ） 。 整體 而言 ， 這些 資料 都 支持 了 一 個 結論 ： 人們 在 做 推論 時 ， 不會 使用 機率 這 類 的 抽象 法則 。 到 目前 為止 ， 我們 所 得到 的 概念 景象 與 我們 在 描述 演繹 推理 歷程 時 所 得到 的 是 很 相似 的 ， 即 人們 並 不 擅長 這些 法則 。 儘管 如此 ， 相對於 在 正式 邏輯 法則 的 訓練 所 產生 的 效果 不佳 之 結果 而言 ， 訓練 人們 正式 的 機率 法則 似乎 是 很 有 幫助 的 。 比方說 ， Fong 等 人 （1986） 便 曾 使用 各 式 的 訓練 程序 於 各 類 的 受 試 族群 中 ， 並 得到 獨立 於 特定 訓練 程序 或是 受 試 者 種類 的 優異 結果 。 這 個 教授 正式 原則 得到 的 助益 效果 建議 了 這些 原則 很 容易 可以 與 人們 已 發展出 、 用來 處理 許多 日常 生活 問題 的 直覺式 __UNDEF__ （ intuitive ） 統計 策略 相互 參照 配合 。 □ 領域 知識 在 歸納 與 演繹 推理 上 的 重要性 上 一 節 中 所 討論 的 乃是 關於 人們 對 無論 是 歸納 或 演繹 問題 做 有效 推論 的 情形 。 也許 一 個 較 基本 的 問題 乃是 ， 人們 甚至 無法 嘗試 去 做 推理 。 有關 當前 對於 「 低能力 」 學生 的 一 個 抱怨 便是 ， 他們 基本 上 就 是 無法 做 推論 。 有 些 人 認為 他們 不 這麼 做 乃是 因為 他們 沒有 練習 過 ， 一旦 經過 練習 ， 他們 將 會 成為 較 好 的 問題 解決 者 （ 參見 HOTS or Higher Order Thinking Skills , Pogrow , __UNDEF__ 1990 b ） 。 儘管 這樣 的 看法 中 有 些 部分 可能 為 真 ， 另 一 個 同樣 重要 或 甚至 更為 重要 的 因素 則 是 ， 他們 缺乏 領域 知識 。 很多 晚近 的 研究 已 戲劇化 地 證實 了 領域 知識 對於 做 推論 的 重要性 （ Walker , 1987； Yekovich , Walker , Ogle , and Thompson , 1990 ） 。 在 這 一 系列 研究 中 ， 我們 可以 考慮 以 本 書 作者 之 一 所 做 過 的 一 個 研究 （ Walker , 1987 ） 為 例 。 該 實驗 中 的 受 試 者 乃是 入伍 的 陸軍 士兵 。 Walker 先 測試所有 受 試 者 對於 棒球 遊戲 方面 的 知識 ， 然後 將 他們 對 半 分成 高知識組 與 低知識組 。 在 這 兩 個 知識組 中 ， 每 一 組 內 的 成員 又 接受 陸軍 一般 能力 測驗 （ Army 掇 general ability test ） ， 而 再度 被 對 半 分配為 「 高能力組 」 與 「 低能力組 」 。 Walker 讓 所有 受 試 者 聆聽 一 段 虛構 的 棒球賽 中 的 半 局 球賽 之 描述 ， 接著 讓 他們 看 一 份 同樣 故事 內容 的 文字 版本 。 之後 她 再 請 受 試 者 去 回憶 他們 所 記得 的 、 關於 該 事件 的 描述 ， 並 將 他們 的 報告 用 錄音 的 方式 記錄下來 。 Walker 感到 興趣 的 一 項 結果 乃是 受 試 者 所 做 正確 推論 的 數量 。