可得性启发

可得性启发指的是：人估计一件事的频率或概率时，会用「这类例子有多容易浮现在脑子里」当依据。飞机失事上头条，车祸不上，于是很多人怕坐飞机不怕开车。

它不是一个独立的理论，而是特沃斯基与卡尼曼「启发式与偏差」框架里的第一条：人用容易提取的信息替代了难以计算的统计。多数时候这个替代是有效的（常见的例子确实更容易想起来），出错时偏差很系统。

一是媒体曝光：罕见但戏剧性的事件被反复报道，提取变得容易。二是个人经历：亲身经历过的风险，权重远高于统计数据。三是近期性：刚发生的事更容易被提取（所以灾难后一段时间内，相关保险销量会上升）。四是情绪强度：让人害怕或愤怒的事件，记忆更深、提取更快。

这四条解释了同一个模式：人对「死因排名」的判断几乎总是错位的——恐怖袭击、凶杀被高估，中风、慢阻肺被低估，因为前者可报道，后者不可报道。

医疗诊断是重灾区：医生最近见过一例罕见病，接下来一段时间更容易把相似症状归到那个病上（「近期病例效应」）。投资也一样：刚经历过一次暴跌的人，会系统性高估再次暴跌的概率，宁愿持有现金。

还有一个常被忽略的场景：风险评估的公共沟通。用「每 10 万人中 X 人」这种统计表述，效果远不如「上个月这个小区有 1 人」，因为后者可及。这不是公众不理性，而是沟通方式没匹配人的认知。

两者常被混用。可得性讲的是「提取的容易程度」，生动性效应讲的是「信息呈现的生动程度如何影响说服力」。一个案例的生动描述会同时提高可得性与生动性，所以很难在现实中分开。

在实验里可以分开：给人看统计摘要 vs 看个案故事，再测判断。结果显示个案故事对判断的影响更大，但统计信息在被明确要求「请用数据判断」时能拉回一部分。

当前研究的方向之一是「可得性的技术放大」：社交媒体与短视频让极端事件反复出现，形成「概率感失真」，这是环境层面的可得性偏差。另一个方向是「算法可及性」——搜索结果第一页就决定了人们认为什么是常见的。

可操作的对策有三条：一是把判断从「想起来」切换到「查数据」，哪怕是粗略的基准率；二是主动寻找「没被报道的常态」——不是新闻的部分才是多数；三是给风险排序时用统一口径（比如每十万人年），避免用不同单位的数字互相比较。