51可得性偏差（Availability Bias）
费曼学习法：讲给十二岁的孩子听
问你一个问题：坐飞机和坐汽车，哪个更危险？
很多人会立刻说"飞机"——因为飞机失事的新闻太震撼了：画面惨烈、全球报道、一次死几百人。
但按每公里的死亡率算，汽车比飞机危险得多。坐飞机是统计上最安全的出行方式之一。
为什么你的直觉错了？
因为你能不能想起一件事，和这件事发生的频率，是两回事。
飞机失事：罕见、画面震撼、媒体必报 → 极其容易想起。
车祸：常见、画面平常、几乎不上新闻 → 想不起来。
于是你脑子里"容易想起的例子"，严重偏向了罕见但耸动的事件。这就是可得性偏差：人用"想起来有多容易"来替代"实际有多常见"。
定义
可得性偏差（Availability Bias，也称可得性启发法）指：人在判断某件事的发生频率或概率时，会依赖"相关例子进入脑海的容易程度"，而不是实际的统计数据。
它之所以会出错，是因为"容易想起"受很多与频率无关的因素影响：
- 媒体的报道强度：飞机失事、鲨鱼攻击、恐怖袭击被大量报道；
- 情绪的鲜明程度：一次惨烈的事故比一千次统计数字更有冲击力；
- 亲身经历：自己遇到过的事，权重被大幅放大；
- 近因性：最近发生的事更容易被想起；
- 可想象性：越容易在脑中"演"出来的场景，越觉得可能发生。
它是 #3 系统一的典型工作方式：用"像不像、想不想得起来"替代"概率是多少"。
值得强调的是：可得性启发本身是高效的——在大多数日常场景里，容易想起的确实更常见。它只在媒体放大了罕见事件时才系统性失真。
一句话
人用"想起来有多容易"替代"实际有多常见"——媒体按反常性筛选事件，于是你高估罕见灾难、低估常见风险；判断概率时，别问"我能想起几个例子"，去问基础频率。
例子
新闻是如何系统性地扭曲风险感知的。
新闻的筛选标准是"反常性"——狗咬人不算新闻，人咬狗才算。这导致一个必然结果：你看到的世界，是真实世界中被严重筛选过的切片。
具体的扭曲：
- 被高估的：空难、鲨鱼袭击、绑架、恐怖袭击、罕见疾病——这些发生率低但极具新闻价值；
- 被低估的：心血管疾病、糖尿病、车祸、跌倒、慢性压力——这些是真正的头号杀手，但因为太常见、太不耸动而几乎没有报道。
结果是：人们害怕的东西和真正威胁他们的东西，几乎是两个不相干的列表。
同样的机制在投资里极其活跃：
- 刚经历了暴跌的人会高估再次暴跌的概率（因为那段记忆太鲜活）；
- 身边有人在某个机会上赚了钱，你会高估这个机会的普遍性（因为那个例子太容易想起）；
- 媒体连篇累牍报道某个行业，你会高估它的规模（因为它占据了你的注意力）。
这些都是"想得起来的例子"在替你做概率判断。 而正确的做法永远是回到基础频率。→ 见 #23 基础概率
常见误用
- 不要以为"知道有这个偏误"就能免疫。 和所有系统一的偏误一样，鲜活的例子仍然会跳出来影响你。有效的防御是流程化的：遇到概率判断，强制去查基础频率，而不是凭印象。
- 别把可得性偏差和"可得性启发"对立起来。 在许多场景里，容易想起的确实更常见——这个启发式是有用的。问题只出在：当事件频率与"被想起的容易度"脱钩时（媒体、算法推荐、情绪冲击）。
- 它和确认偏误常常联手。 你更容易想起支持自己观点的例子（因为你会反复回味），于是可得性进一步强化了既有信念。两者叠加会让错误判断异常顽固。 → 见 #27 确认偏误
- 警惕算法时代的新形态。 推荐系统会根据你的点击强化同类内容——于是你看到的"到处都是"，只是算法给你看的。这种人造的可得性，比传统媒体更隐蔽、更个性化。
- 亲身经历不是可靠证据。 "我试过，有用"——这只是一个样本，而且因为亲身经历而权重被放大。样本量是一，无论它感觉多强烈。 → 见 #26 控制变量与随机对照
交叉引用
→ 见 #23 基础概率 · → 见 #3 系统一与系统二 · → 见 #33 幸存者偏差 · → 见 #27 确认偏误 · → 见 #64 代表性启发