当面对难题时，我们往往会对相对简单的问题进行回答，却忽略了自己已经置换了原始问题这个事实。
无意识、直觉
通常情况下，系统1善于完成自己的本职工作，在熟悉情境中采取的模式是精确的，遇到挑战时作出的第一反应也是迅速和基本恰当的，但系统一存在成见，在很多特定的情况下，这一系统容易犯错误，会将比较难的问题作简单化处理，对于逻辑学和统计学问题，他几乎一无所知
思考、选择
负责自我控制
系统2会偏向最重要的活动，因此这个活动会得到其所需的注意力，其他“多出来的”注意力再慢慢被分配到其他任务中去。我们所做的猩猩实验要求受试者更加关注数字任务。我们确信他们按要求完成了任务，因为可视目标（指“猩猩”）出现的时候并没有对主要任务造成影响。如果那个关键字母K是在大脑活动量最大的时刻闪现的，受试者往往会将其屏蔽掉。而当数字转换任务要求并不那么高时，受试者就更有可能觉察到这个字母。
将大脑注意力毫不费力地集中起来的状态，这种状态可以使人忘却时间的概念，忘掉自己，也忘掉自身问题
自我控制需要集中注意力，需要付出努力。换种说法就是，控制思想和行为是系统2的任务之一
如果你必须强迫自己去做某件事，而此时这件事又面临一个新的挑战，你就会很不情愿或是根本无法进行自我控制。这种现象被命名为自我损耗（ego depletion）
自我损耗的前兆也多有不同：
·改变日常饮食。
·疯狂购物，花很多钱。
·反应过度，有挑衅的意味。
·对有把握的任务花费较少的时间。
·在认知任务和逻辑决策的制定中表现得很糟
记忆功能是系统1的一种属性。但是，每个人都可以选择放慢速度，在记忆中积极搜寻所有可能相关的事实，就像他们在球拍和球的问题中可以放慢速度验证直觉性答案一样。不同的人仔细核对和搜索的程度也各不相同，这是系统2的一个特征。
钱这一概念会滋生个人主义：不愿和他人在一起，不愿依赖他人，也不愿接受他人的请求
看看下面这两个不完整的单词W__H和S__P是什么。如果有人近些天想起了自己某个难以启齿的举动，这些人往往会把这两个不完整的词填成WASH和SOAP（“洗”和“香皂”），而很少会填成WISH和SOUP（“希望”和“汤”）。此外，只是想到背后中伤某位同事就会使人更想去买香皂、消毒剂或清洁剂，而不是去买电池、果汁或者糖果。当人们感觉自己的心灵受到了玷污，往往也会引发他们清洗自己身体的想法，这种冲动被称为“麦克白效应”。
一旦遇到不知怎样回答的问题时，我只能靠认知放松来解决。如果某个答案看起来比较熟悉，我就猜测它可能就是正确答案。如果某个答案看起来比较生僻（或是非常极端），我便排除它。系统1让人产生熟悉感，系统2依靠系统1产生的这种熟悉感来作出正误判断。
任何能使联想机制运行更轻松、更顺利的事物都会使我们心生偏见。想让人们相信谬误有个可靠的方法，那就是不断重复，因为人们很难对熟悉感和真相加以区别
这种只要不断重复接触就能增加喜欢程度的现象，是一个极其重要的生理现象，可推及所有动物身上。要想在一个危机层出不穷的世界生存，一个有机体对新奇刺激应该谨慎回应，随时保持警惕和逃离的状态。若一种动物对新奇的事物没有心存戒备，其生存概率就会很低。
当人们心情好时，直觉和创造力会增强，但也会放松警惕，易犯逻辑性错误，这种关联与曝光效应一样，在生理上也讲得通。好心情是事情进展顺利的信号，周围的环境是安全的，卸下防备并没有什么影响；坏心情则说明事情进展不那么顺利，有可能存在威胁，必须要保持警觉。认知放松与愉快的感觉互为因果。
过于自信：正如眼见即为事实原则指出的那样，无论是证据的数量还是质量都与主观自信关系不大。每个人对自身想法的自信程度主要取决于他们对亲眼所见的事情的讲述效果，即使他们几乎什么都没有看到也没有关系。我们经常考虑不到自己有可能尚未掌握对判断起决定性作用的那份证据，却总是认为眼见即为事实。此外，我们的联想系统更倾向于选择已被激活的连贯模式，抑制怀疑和歧义
框架效应：同一信息的不同表达方式常常会激发人们不同的情感。“手术后一个月内的存活率是90%”的说法要比“手术后一个月的死亡率是10%”更令人安心。
只掌握一方证据的受试者比掌握了双方证据的受试者更有自信。这正说明人们根据已有信息勾勒出的故事的连贯性增强了他们的自信心。一个好故事最重要的是信息的前后一致性，而不是其完整性。你常会发现：知道得很少反而可以把已知的所有事物都囊括进连贯的思维模式中
思维的发散性让我们做出直觉性判断
这种过量计算的过程就体现了“思维的发散性”。如同想用散弹猎枪瞄准一个点是不可能的一样（它射出的子弹是分散的），想要让系统1完全执行系统2的命令且不做多余的工作也很难
我们会寻找与强度相匹配的描述
人们根据朱莉的阅读年龄这一信息预估她的学分积点时，他们通过一种范畴向另一范畴的转换来回答这个问题，并且选出了相应的学分积点值。我们也明白为什么这种利用匹配进行预测的模式从统计学角度来看是错误的，尽管对于系统1来说这很正常，但对于统计学家以外的大多数人来说，系统2也可以接受这种做法。
将难题替换成简单的问题
当大脑处于正常的状态时，你几乎对眼前出现的所有事物都会有直觉和想法。对一个人不是特别了解时，你就知道自己是不是喜欢他；你也不知道自己为什么会相信或者不相信一个陌生人；你没有作过调查分析，却能感觉到一家企业一定会成功。有时，对于一些无法完全弄懂的问题，你也总能作出答案，而回答的依据是什么，连你自己也说不清道不明。
人们在对可能性没有任何了解的情况下，是如何成功作出可能性判断的呢？我们得出的结论是，人们一定不知道通过什么方式将不可能完成的任务简单化了，由此，我们开始研究他们是如何做到这一点的。我们的答案是，当人们按照要求对可能性作出判断时，他们实际上是对其他的事情作了判断，并且认为自己已经完成了判断可能性的任务。遇到很难的“目标问题”时，如果脑海中马上出现了一些与之相关联且容易回答的“启发性问题”的答案，系统1通常便会采取这种“替代”的做法，采用替代问题的答案。
目标问题”就是你想要作出的评估。“启发式问题”就是你绕开原来的问题去回答的那个更简单的问题。
系统1在了解事实之前就根据零散的证据拼凑了一个饱满的形象。如果相信小数定律，急于下结论的机制就会运作起来。通常情况下，它会建构一个言之成理的说法使你相信自己的直觉判断
对随机事件作出因果解释必然是错的
联想机制会搜寻原因。在统计规则方面，我们面对的困难是这些规则要求使用不同的方法处理问题。依据统计学观点，我们不应关注当前事件的成因，而应当关注其未来走向。这件事的发生并没有什么特殊原因，一切只是机缘而已
我们追求模式，相信所处的是一个各方面都相互联系的世界。当探寻到一个可能的规则时，我们就会抛开这个过程是真正随机的想法。随机过程会产生许多序列，以使人们相信这个过程完全是不随机的。
它是我们从先辈那里继承的一般警觉性的一部分。我们会习惯性地搜寻环境变化的可能性。狮子可能随时都会出现在平原上，但注意到狮子出现频率的明显增长并采取行动则会安全许多，即使这种增长只是由于随机过程的波动而发生的。
夸大对小样本的信任只是众多错觉中的一种——比起信息的可靠度，我们会更加注重信息本身的内容，其结果就是我们会将周围的世界变得比数据所能证明的更加简单和统一。在想象的世界中过早下结论比在现实中更有把握
人们在对某一未知量的特殊价值进行评估之前，总会事先对这个量进行一番考量
如果有人问你甘地死时年龄是否大于114岁，你在估测他的死亡年龄时会比锚定问题是35岁（死亡）时更高。你在考量买房要花多少钱时，也会受到要价的影响。同样的房子，如果市场价格高，它就显得比市场价格低时更有价值，即使你决心抵制价格的影响也没有用。
锚定效应在某些情形下看起来也是合理的。毕竟，那些被问到难题的人肯定会去抓住这根救命稻草的，况且这个锚定值也是根貌似合理的稻草。如果你对加利福尼亚的树所知无几，却又被问到红杉树是否高于1200英尺，此时你可能就会认为这个数字与真实数字相差不远。因为是那些知道这种树真实高度的人想出的这个问题，所以这个锚定值也许是个有价值的提示
最高的那棵红杉树是高于1200英尺还是低于1200英尺？你认为那棵最高的红杉树有多高？这个实验中的“高锚定值”是1200英尺。而另外一组受试者看到的第一个问题则用了一个180英尺的“低锚定值”。两个锚定值相差1020英尺。不出所料，（关于那棵最高的红杉树有多高）两个组给出了完全不同的平均评估：844英尺和282英尺。两者的差距有562英尺。锚定指数就是两个不同答案的比率55%（562/1020）。
其他例子，房价，捐款，警惕那些给定数字的问句
罐头在作促销的情形，降价10%。有那么几天货架上写着“每人限购12罐”，而在其他几天里则写着“不限量”。购物者在限购时平均会购买7罐，是不限购时购买量的2倍
当价钱是买方和卖方唯一要协商的事时就会出现锚定效应。第一次在集市上讨价还价也是这样，先发锚定有着重大的影响。我在教学生谈判时，给他们的建议是如果你认为是对方作出了无礼的提议，你就不应该提出同样无礼的提议，因为两者之间有距离的话会使此后的商谈难以进行。你应该大吵大闹，夺门而出，或者威胁对方说自己也会这样做，要让对方明白以这个数字为基准的话，谈判将难以继续。
如果一则消息没有马上被视为谎言，那么不管其可靠性如何，它都会对联想系统产生同样的影响。
看到随机或荒谬的锚定值（比如甘地死时144岁）的那些受试者会自信地说，这个明显无用的信息并没有对他们的估测行为产生影响。事实上，他们错了。
因为它们威胁着我们对中介和自主性的主观感受。如果不相关的大脑屏保能在你意识不到的情况下影响你，那你到底有多自由呢？
自我评估是由事件呈现在脑海中的轻松度来衡量的。轻松地想起某件事的体验比想起事情的数量更重要。
那些列举了12件事的人认为和只列举了6件事的人相比，自己不够果断。而且，列举出自己表现不够果断的12件事的那些受试者最终却认为自己非常果断！如果无法轻松地想起懦弱的事例，你可能就会说自己一点也不懦弱
在回忆起自己多次骑自行车的经历后，依然相信他们自己不经常骑自行车。·在被要求用更多的论据支撑自己的选择时自信心下降。·在列出多个避免某种问题的方法后，却对避免此问题显得更加不自信。·在列出某辆车的优点后，对该车变得没那么感兴趣了。
他让不同组的学生列出改进课程的方法，要求不同组列出不同数量的方法。正如他所预料，列出较多改进方法的学生对这一课程的评价也更高。
用可得性来判断的过程包括了一个复杂的推理链。受试者会体验到，他们在提取事件时，顺畅性会逐渐降低。他们显然对顺畅性的下降率事先有过预计，但那些预计是不准确的：想起新事例的困难增速远远超出了他们的预计。正是这种超出预期的低顺畅性使那些被要求列举12个事例的人将自己描述成优柔寡断之人。了解个中缘由，低顺畅性也就不会再影响判断了。这个过程看似由一套复杂的推理组成。自主的系统1能胜任这项任务吗？
事件在脑海中呈现的轻松程度体现出系统1的启发作用，然而当系统2越来越多地参与其中时，受试者关注的就不再是提取记忆的轻松度，而是回忆起来的若干事例的内容了
跟着系统1走的人更容易受可得性偏见的影响，比那些警惕性更高的人受影响的程度更大。在下面这些情况中，人们都在“跟着感觉走”，提取轻松度对他们的影响要大于其回想事例内容带给他们的影响
当他们同时忙于另一件需要付出努力的任务时。
因他们刚刚想起生命中的一个快乐片段而心情大好时。
如果他们在抑郁量表中得分很低的话。
尽管对这项任务所给话题的了解达不到专家级水准，但他们也算是对此领域了解颇多的新手了。
他们跟着感觉走却拿了高分时。
如果他们（或别人令他们感到）很强大时。
示例——可得性
“因为上个月发生了两架飞机相撞事件，她现在更愿意坐火车。这真是愚蠢，风险其实并没有真正降低，这就是可得性偏见。”
“他低估了室内污染的风险，因为媒体对此报道极少。这是可得性的影响。”
“他应该看些统计数据。”
“她最近看的间谍电影太多了，因此她看什么都觉得有阴谋。”
“这位执行总裁连续多次成功，因此失败不会轻易在她的脑海中出现。可得性偏见使得她过于自信。”
典型性的第一宗罪就是，它过于喜爱预测不可能发生的（低基础比率的）事件。
下面就是一个例子：如果你看见一个人在纽约地铁里阅读《纽约时报》，下面哪种情况与读报者更吻合？
她有博士学位。
她没有大学文凭。
典型性会告诉你应该选有博士学位那位，但这样做并不一定是明智的。你应该充分考虑第二个选项，因为纽约地铁里更多的是没有大学文凭的人，而不是有博士学位的人。
皱眉通常可以增强系统2的警觉性，降低对直觉的过分相信和依赖。
一旦人们作出一个错误的直觉判断，系统1和系统2都脱不了干系。系统1引起了错误的直觉，系统2采纳了这个直觉，并将其运用在判断当中。
造成系统2犯下此类错误的原因有两个——忽视与懒惰。许多人忽视了基础比率，因为在有个人信息的情况下他们认为基础比率与问题并无关联。另一些人犯下同样的错误则是因为他们没有将注意力集中在任务上。如果皱眉能带来不同结果的话，这说明懒惰也许是人们忽视基础比率的合理解释
典型性的第二宗罪是它对证据质量不够敏感
原则上讲，你当然知道不值得信任的信息就相当于没有信息，但是眼见即为事实使你难以遵循那条原则。除非你决定立刻否定证据（例如，你坚信的信息是从一个骗子口中得来的），否则你的系统1会自动将这一信息视为真实的。
用贝叶斯定理来约束直觉
第一，基础比率十分重要，即便是在手头的案例已有证据的情况下依然如此；第二，通过分析证据得到的直观印象通常都会被夸大
示例——典型性与基础比率
“草坪修整得很好，接待员看起来很能干，家具也十分抢眼，但这并不意味着这是一家经营状况良好的公司。我希望董事会不要依照典型性启示作出判断。”
“这家新成立的企业看起来好像不会倒闭，但是这个行业的成功基础比率非常之低。我们又怎么能知道这家企业就是个特例（一定能成功）呢？”
“他们一直在重复犯同样的错误：用并不充分的证据来预测罕见的事件。当证据不充分时，我们应该以基础比率作为判断依据。”
“我知道这份报告绝对是具有毁灭性意义的，也许它的证据十分确凿，但我们凭什么相信呢？我们必须在做计划时保持一定的怀疑态度才行。”
通过直接比较，人们总会认为两个事件（在此即为银行出纳和女权主义者）的联合出现比只出现其中一件事（银行出纳）的可能性要大，此时就出现了合取谬误
典型性属于一连串可能同时发生且联系紧密的基本评估，最具典型性的结果与特性描述结合在一起就会生成最有条理的信息。而这些最具条理的信息却不一定就是可能性最大的，但它们“貌似正确”，稍有疏忽，我们就很容易混淆有条理、貌似正确和概率这三者的概念。
如果我们将具体描述用做预测的工具，那么不加批判地用貌似合理的判断来替代概率就会严重影响我们的判断结果
明年北美某地将有一次洪灾，1000多人将被淹死。
明年加利福尼亚某时将有一次地震，此次地震将导致洪水，1000多人将被淹死。
加利福尼亚地震的情节要比北美洪灾的情节更合乎情理，尽管加利福尼亚地震的概率非常小。不出所料，人们对更详细、更丰富的描述作出的概率判断更高，这一点有违逻辑。预言家总会给其客户设下陷阱：对情节加以详述会使其更可信，却更不可能成为现实。
系统1会取价值的平均值而不是累加值，因此，当我们将非女权主义的银行出纳从银行出纳的大集合中移除后，主观（判定）的概率就会加大。
看到成套餐具中有破损餐具的人会给这套餐具标低价，他们的行为是直觉反应。其他能看到两套餐具并进行对比的人则能运用逻辑原则，得出多出来的餐具只是为了增加价值的结论
示例——少即是多
“他们构建了一个非常复杂的情节，还坚持说这个情节出现的可能性很大。这不是真的，这只是个貌似合理的故事而已。”
“对于贵重的产品他们还附赠一个便宜的小礼物，这样的话，整套产品就不那么吸引人了。少即是多就是这个意思。”
“很多情况下，直接的比较使得人们更谨慎也更有逻辑性。不过，也不常是这样。有时即使正确的答案就在眼前，直觉也会打败逻辑。”
思维定式是指人们会（至少暂时会）将自己对某个团体的看法延伸到这个团体中每一个成员的身上（团体存在某些问题，其中的成员无一例外也都会有这些问题）
这些受试者不愿从普遍现象中推导出特殊性，这一点与他们愿意从特殊现象中归纳出普遍性如出一辙
示例——原因和数据
“我们不能假设仅仅通过统计数据他们就能真正学到知识，需要再给他们一两个有代表性的个体案例来影响他们的系统1（作出判断）。”
“不需要担心这个统计学信息会被忽略掉。相反，它会立刻被应用到形成陈规的过程中。”
对良好表现的嘉奖比对错误的惩罚更有效
有人举出看似相反的例子：在很多情况下，我会赞许那些完美的特技飞行动作。不过，下一次这些飞行员尝试同样飞行动作的时候，通常都会表现得差一些。相反，对那些没执行好动作的学员我会大声怒吼，但他们基本上都会在下一次表现得更好。
他所观察到的就是众所周知的“回归平均值”现象，这种现象与表现质量的随机波动相关。一般来说，只有学员的表现远远超出平均值时才能得到这位教练的表扬。但也许学员只是恰巧在那一次表现得很好，而后又变差，这与是否受到表扬毫无关系。
这种回归式的预测是很合理的，但是准确度却得不到保证
只要两个数值之间的相关度不高，就会出现回归平均值的情况
聪明的女人常常会嫁给不如她们聪明的男人。
如果你在朋友聚会时挑起这个话题，一定会引起热烈讨论，大家肯定都愿意分享自己的看法。即使有些对统计学有所了解的人也会很自然地用因果关系去解释这个现象。一些人认为高智商的女人为了避免和同样高智商的男人竞争才这么做；或者是在择偶之时不得不妥协，因为同等智商的男人不愿意与这些女人竞争……也许还会有其他更牵强的解释。现在我们来看看下面的表述：
夫妻二人智商之间的相关性并不是绝对的。
如果把回归的概念用在民事或刑事审判中，那么试图对陪审团解释“回归”的一方一定会输掉官司
我们的思维常会对因果关系的解释带有很强的偏见，而且不善于处理统计数据。当我们把注意力集中在某一事件上时，相关的记忆就开始探寻其原因
会对所有早已存在于记忆中的原因进行自动搜索。当发现有回归效应时，因果关系解释就会被激活
系统2认为理解这种关系很难。因为从某种程度上讲，这是由于我们总是要求对事物进行因果关系解释，这也是系统1的一个特征
示例——回归平均值
“她说经验教会她一个道理，批评比赞扬更有用。不过她不明白这是回归平均值在发挥效用。”
“也许由于惧怕让众人失望，所以他的第二次面试没有第一次那样令人印象深刻，他第一次的表现太优秀了。”
“我们的筛选过程并不是很完美，所以我们会考虑回归性。有些极其优秀的候选人也会让我们失望，对此我们并不感到惊讶。”
两种预测类型
依靠反复训练得来的技能和经验
象棋高手、火场指挥员和内科医生所作的快速自动判断及选择
另一种直觉受启发法的影响
通常会用简单的问题来替代难以回答的问题。即使证据很不充分，决定亦不可更改，人们依此作出直觉性判断时往往也会信心十足
直觉性预测需要校正是由于它并不具有回归性，因此是带有偏见的
无偏见预测
1.先估测出平均绩点的平均值。
2.根据你对证据的印象算出与之相匹配的平均绩点。
3.对你的证据和平均绩点的关联作出估计。
阅读年龄=共同因素+决定阅读年龄的特殊因素=100%
平均绩点=共同因素+决定平均绩点的特殊因素=100%
4.如果关联度是0.3，则从估算出的平均绩点的平均值中抽出30%，放到与之匹配的平均绩点里。
伤仲永的另一种统计学解释？
预测普遍对第一天发挥得好的人过于乐观，对开始就发挥得不怎么样的人则过于悲观。预测与证据一样极端。同样，如果不使预测回归到平均值上来，而是根据儿童时期的成就来预测其大学时期的分数，那么你多半会对孩提时代阅读能力强的人在大学时代取得的学术成绩颇感失望，而那些较晚开始阅读的孩子的大学成绩反而会给你带来惊喜。
预测偏见的修正
·都包含一种基准线预测，如果你对手头这个案例的情况一无所知，便会作出这种预测。在绝对的情况下，这个基准线是基础比率；在有数字的情况下，这个基准线就是相关结果的平均值。
·都包含一种直觉预测，无论是可能性或是平均绩点，这种预测会将呈现在大脑中的数值通通表达出来。
·在上述两种情况中，你的目的都是要作出一种预测，这种预测可在基础比率和直觉性反应之间充当媒介。
·在没有什么有价值的信息的情况下，你会坚守基准线。
·在其他极端情况下，你还会坚守自己最初的预测。当然，只有在对支持自己最初预测的证据进行过严格验证之后，你才会信心十足地坚持那个预测。
·在大多数情况下，你会发现自己有理由怀疑自己的直觉判断和真理之间的关联其实并不完美，而你最终会给出介于两者之间的判断。
Basis Share
理性的风险投资家知道，即便是最有前景的新建公司，其成功概率也只是中等水平而已。她将自己的工作视为从所有赌注中找到的前景最好的赌注，而且关于要投资的那家新建公司的发展前景问题，她觉得没有必要欺骗自己
预测某家项目收益的理性个体不会受到某个数字的束缚——他们应该考虑到最有可能出现的那个结果的不确定性。如果成功的回报足够大，一个理性的人就会考虑向一家极有可能倒闭的企业投资一大笔钱，而不会自欺欺人地抬高其成功概率。然而，我们并不都是理性的，我们中的一些人也许还需要歪曲判断作为保护来掩盖自己的无能为力。如果选择接受极端的预测来蒙蔽自己，你就会清楚地意识到自己对自己的纵容。
你很容易就能想象出不同情境下的相似问题，例如某位风险投资家要在位于不同市场中的两家新建公司之中选出一家进行投资，他可以相当精确地预估其中一家公司的产品需求量，而另一家是一派欣欣向荣的景象，让人觉得更有希望，但其发展前景却并不是很确定。如果把这种不确定因素考虑在内的话，你对第二家公司前景的最佳猜测是否还会优于第一家公司呢
信息不足时，极端预测和预测罕见事情的愿意都源于系统1。联想机制会很自然地将极端预测和作出这些极端预测所依据的可察觉的信息极端性匹配在一起
因为自信是由你根据可得信息提炼出来的最合理故事的连贯程度决定的，这一点我们都明白。但要注意：你的直觉会产生极端预测，而你也很容易对这种极端信心满满。
将预测和信息匹配起来不仅是我们的直觉行为，这样做似乎也是很合理的。我们无法根据经验理解回归性，就像我们在飞行教练员的故事中看到的那样——也只会用因果关系来解释这一特性，而这个解释往往又是错的
示例——直觉性预测
“那家新成立的公司已经深入人心了，但我们不能指望他们将来也能做得这么好。他们的营销之路很长，回归的空间也很大。”
“我们的直觉性预测的确令人鼓舞，但这个预测可能离现实太远了，还是让我们再看看手中的信息资料，让预测回归到平均状态吧。”
“即使这次投资极有可能失败，我们还是觉得这项投资可能是个不错的想法。咱们还是别说什么这就是下一个谷歌这样的话吧。”
“我读过关于那个品牌的一篇评论，评价极高，然而这很可能只是侥幸成功。我们应该这样想：对这个品牌的评论很多，而我们看到的这个正巧是评价最高的。”