合取谬误测试：故事越详细，你越容易信
「Linda，31岁，单身，直率，哲学系毕业，关注歧视与社会正义。」她更可能是银行柜员，还是「热衷女权运动的银行柜员」？八成以上的人选后者——尽管概率上这必然更小。细节增加了可信度，却降低了概率，这就是合取谬误。本测试12道题。
一、越具体的故事，概率上越站不住
面试者说「我深耕电商三年，也做过品牌，还懂点供应链」——你眼前浮现出一个全能选手；另一个人只说「我做电商三年」——你觉得单薄。可叠加的条件越多，同时成立的概率只会越小。你不是在评估事实，你在为故事密度付费。
合取谬误（conjunction fallacy）由Tversky 与 Kahneman（1983）在《心理学评论》上正式提出：人们判断「A 且 B 同时成立」的概率，高于「A 单独成立」的概率——这在逻辑上不可能，因为合取事件的概率不可能超过其任一成分。最著名的是「Linda 问题」：Linda，31 岁，单身，坦率聪明，哲学专业，学生时代关注歧视与社会正义。请对可能性排序：A. 小学老师；B. 图书馆员；C. 银行柜员；D. 保险销售；E. 热衷女权运动的银行柜员。约 85%-90% 的被试把 E 排在 C 前面——「银行柜员且热衷女权」严格来说是「银行柜员」的子集，人数只能更少，不可能更多。
为什么会这样？答案是他们提出的代表性启发（representativeness heuristic）：判断概率时，我们实际在判断「这个人和「女权主义者」的原型像不像」。Linda 的画像和「银行柜员」的原型不像，和「热衷女权的柜员」的合成画像更像——像不等于概率大。细节的作用是提高了故事的连贯性和画面感，而大脑把「连贯」误读为「可能」。
Gigerenzer 与 Hertwig 等人后来提出了重要修正：Hertwig 与 Gigerenzer（1999）发现，把 Linda 问题改用自然频率表述（「100 个和 Linda 相似的人里，有几个是柜员？有几个是热衷女权的柜员？」），犯合取谬误的比例大幅下降——因为频率格式激活的是人脑熟悉的计数思维，而不是模糊的概率感。不过后续跨场景研究也确认：在真实叙事情境（新闻、传言、推销、面试）里，谬误依然大量发生，因为它依赖的不是数学错误，而是「情节越丰满越可信」的直觉。Tentori、Crupi 与 Osherson（2010）等研究进一步把「连贯性驱动」的机制做了精细化。
现实里这个谬误的剂量无处不在：推销的话术永远比说明书具体（「限时、限量、仅限老客户、还送延保」——每个细节都在加乘「故事可信度」，也在数学上缩窄了「一切如其所言」的概率）；骗局剧本几乎都是合取谬误的工业化应用——细节越多，越像真的；反过来，你自己给老板讲方案、给孩子讲故事、给朋友描述「为什么我们适合」，也都在用细节购买可信度。细节是说服的货币，也是概率的负债——分清这两本账，是这项测试的出发点。
这份测试要回答的是：你的相信有多少给了证据，有多少给了情节？你是细节的受害者，还是也在用细节收割别人？
二、合取谬误易感度自测（12题）
请凭第一印象如实作答。1=完全不符合，5=完全符合。
第1-4题：细节购买可信
- 描述得越具体的事（时间、地点、动机俱全），我越容易相信是真的。（1-5）
- 别人讲得有画面、有情节时，我基本不会去想「这里有几个独立条件要同时成立」。（1-5）
- 我评价一个人的能力时，听得越多他的细节故事，评价越高。（1-5）
- 推销或新闻里的细节丰富度，会直接影响我的信任程度。（1-5）
第5-8题：连贯压过逻辑
- 一个「原因—经过—结果」完整的故事，比一堆零散数据更能说服我。（1-5）
- 如果一个解释符合我对某类人的刻板印象，我会降低对它逻辑漏洞的检查。（1-5）
- 我很少意识到「更详细」同时意味着「条件更苛刻、概率更低」。（1-5）
- 听讲座或报告时，讲者越自信、细节越流畅，我越不怀疑结论。（1-5）
第9-12题：概率思维的习惯（反向计分）
- 评估一件事时，我会数一数它需要几个条件同时成立。（1-5）
- 我会主动把「故事」拆成「哪些是事实、哪些是推断」。（1-5）
- 听到过于完美的细节组合，我反而会起疑。（1-5）
- 我习惯问「如果不加这些细节，这句话还成立吗」。（1-5）
三、计分方法
第 9、10、11、12 题反向计分（6 减去你的分数），其余正向。12 题相加，12-60 分。分数越高，说明你越容易被情节丰满度而不是证据强度说服。
- 44-60 分：情节买单型。你的信任输出与故事密度高度相关——这是被骗局和话术精准锁定的画像。好消息是：合取谬误对「知道结构的人」防御力骤降，你缺的只是「数条件」这个动作。
- 30-43 分：选择性中招型。在金钱相关场景你够警惕，但在人际叙事（面试、介绍对象、听朋友转述）里，你依然用细节给可信度计价。注意：人际场景的合取谬误同样有成本——错误的信任比错误的购买更贵。
- 12-29 分：结构拆解型。你天然会问「这需要几件事同时成立」，是合取谬误的困难体质。要留意的是表达端——你自己也该学会用细节（诚实地）组织叙事，因为听你说话的大多数人还在为情节买单。
分组看：1-4 题高是「细节即信任」，条件越多越信；5-8 题高是「连贯即真实」，故事讲得通就懒得查漏洞；9-12 题低（原始分高）说明拆解习惯还没建立——从「数条件」这一个动作开始即可。
四、四种典型画像
1. 丰满叙事受害者：细节越多越深信
1-4 题分数最高。诈骗话术、神话级创业故事、朋友圈式完美人生，都是为你定制的：每个细节都让你更难说「等一下，这需要多少巧合同时发生」。你的防御动作只有一个：听到具体细节时，自动问「这是几个独立条件的合取？」——条件一列出来，魅力立刻退潮。
2. 连贯性裁判：讲得通就成立
5-8 题分数最高。你用「故事是否自洽」替代了「证据是否充分」，这在闲聊里无害，在投资、择业、诉讼式判断里很昂贵。对策是引入「反事实测试」：故意问一句「如果不符合我的预期，这件事还能怎么解释？」——能提出替代解释，说明你刚才只是被连贯性说服了。
3. 拆解工程师：先数条件再下结论
9-12 题分数最高。你已把「合取即减分」内化成了本能。你现在的课题在另一端：诚实地使用细节。你不是要说得更笼统，而是把细节用在真约束上——列清关键条件、给每个条件配证据，你的表达会比单薄的数据派和丰满的故事派都有力。
4. 细节输出者：自己也在用细节收租
还有一种值得自省的组合：1-8 题偏低（不易被骗）但面试、汇报、社交时大量依赖细节策略。合取谬误是双向的——你依靠它说服别人时，收下的是短期可信度，欠下的是长期兑现压力。承诺的条件越合取，兑现的联合概率越低，这是连你自己都会败给的数学。
五、必须分清的四个近亲概念
- 合取谬误不是赌徒谬误。 本站已有赌徒谬误一篇。赌徒谬误错在序列信念（连开五把红，觉得黑快来了）；合取谬误错在事件结构（给复合条件更高的概率）。一个是对独立事件的错误联动，一个是对合取事件的概率倒挂，同属代表性启发的家族副产品。
- 合取谬误不是认知反射不足本身。 本站已有认知反射测试（CRT）一篇。CRT 分数低的人确实更容易犯合取谬误，两者高度相关但不是一回事：CRT 测的是是否停下直觉反应，合取谬误是停下之后还要会拆解的特定错误。反思倾向是疫苗，不是抗体。
- 合取谬误不是错误记忆。 本站已有错误记忆（DRM）一篇。DRM 研究的是记忆如何被语义关联扭曲（没出现过的词被「记起」）；合取谬误研究的是概率判断如何被情节丰满度扭曲。一个发生在存储端，一个发生在评估端。
- 合取谬误不是「越简单越对」。 防御合取谬误不等于奖励简单化：奥卡姆剃刀说的是解释偏好（能少假设就少假设），合取谬误说的是概率计算（条件越多联合概率越低）。真实世界当然存在多条件同时成立的事件——关键是每加一个条件，都该有对应的独立证据，而不是用细节总量代替证据质量。
六、给判断装上拆解程序的四个做法
1. 学会一个句式：「这需要几件事同时为真？」
任何让你心动的复合描述（人、产品、机会、传言），立刻拆成条件清单：深耕三年、懂品牌、懂供应链——三个独立条件。然后逐条问证据在哪。条件清单一列，故事就变回了待验证的命题，这个转换只需十秒，却能把大部分合取谬误拦在决策之外。
2. 把概率表述换成自然频率
Hertwig 与 Gigerenzer 的发现可以直接自用：评估任何复合命题时，问「100 个类似情况里，有几个能满足全部条件？」频率格式会强制你的大脑进入计数模式，而不是让「像不像」冒充「有没有」。
3. 警惕细节的「不对称支付」
对你说话的人，每多给你一个细节，可信度上升、兑现概率下降——细节的收益归他，风险归你。所以细节越多，你的验证义务越重，而不是越轻。反过来，当你向别人承诺时，把合取承诺（「我会又快又好又便宜」）改成条件承诺（「我可以做到其中两项，看你优先哪个」），长期信用反而更高。
4. 用「最像」和「最可能」各做一次判断
这是 Linda 问题留给每个人的日常训练：面对候选人、方案、传闻，先凭直觉答「哪个最像」，再凭结构答「哪个最可能」。两个答案不一致时，默认信「最可能」的那次——不一致本身就说明代表性又一次越权了。
七、科学依据
- Tversky & Kahneman (1983)：在《心理学评论》系统提出合取谬误，Linda 问题中约 85%-90% 的被试把「银行柜员且热衷女权」排在高概率位置，违反基本概率规则。
- Tversky & Kahneman (1974)：提出代表性启发框架，指出人们用「与原型的相似度」替代概率判断，为合取谬误提供机制解释。
- Hertwig & Gigerenzer (1999)：证明将概率格式改为自然频率格式可大幅降低谬误发生率，支持「表述格式影响推理」的观点。
- Tentori, Crupi & Osherson (2010)：精细化合取谬误的驱动机制，支持「情节连贯性」而非单纯计算错误在谬误中的核心作用。
- Costello & Watts (2014)：提出概率噪声模型，认为部分谬误源于判断中的随机扰动而非系统性错误，为该领域提供新的解释竞争框架。
- Kahneman & Tversky (1996)：回应各质疑并重申：在真实叙事情境中，合取谬误是稳健的人类判断现象，启发式加工持续压过逻辑规则。