帮我分析

读者：经理说“很看好你”。我比原来更有把握年底能获提拔，但又担心想多了。这句话有多少分量？

AI：它可能支持你的判断，但要看经理通常怎样说话。如果不准备提拔一个人，他也会这样鼓励吗？

读者：他常这样鼓励大家。不过，最近他另外让我负责跨部门项目。

AI：常见的鼓励话的区分作用有限。负责项目可能更有分量，要看这是晋升考察，还是一般分工。你可以核实岗位空缺和考察安排。

读者：我核实了——年底有一个岗位空缺，我和另外两人进入候选名单，跨部门项目是考察任务。我此前以为自己还没进入候选范围。

AI：相对于原先的认识，你应当提高对晋升机会的判断——现在有岗位空缺，你也确认了自己的候选资格和正在接受考察。不过，三名候选人不意味着各有三分之一机会，还不知道评选标准和彼此表现。行动上，你值得认真准备项目并问清考察标准。但你目前不足以把晋升当成确定的结果，从而提前增加固定的投入。

读者：那我是不是应该把所有业余时间都用来做这个项目，争取这次机会？

AI：机会增加了，还不足以说明全力投入最值得。先弄清项目按什么标准考察，额外投入能改善什么，以及会挤掉哪些重要事情。你目前知道考察标准吗？

读者：主要看能否按期推进、在部门之间进行协调和解决问题。我原先想把汇报材料做得特别漂亮，但这可能占掉三个周末。

AI：按你目前了解的标准，我建议优先把项目推进与协调做好。至于是否花三个周末美化材料，还需要确认汇报的要求、评分权重，以及额外投入会挤掉哪些重要事情。现有信息不足以支持这项投入。确认这些条件后，再决定材料优化到什么程度。

带我练习

读者：我想练习根据证据更新概率，你出一道题，先别告诉我答案。

AI：以下是假设数据。1000件产品中有100件次品。检测时，80%的次品亮红灯，10%的合格品也亮红灯。现在随机拿到一件亮红灯的产品，它是次品的概率是多少？先说你的判断和理由。

读者：80%。因为80%的次品会亮红灯。

AI：你找到的是“已知是次品，亮红灯的概率”，我们要找的却是“已知亮红灯，是次品的概率”。先不急着算答案，先算100件次品里，有多少件亮红灯。

读者：80件。

AI：对。再看另一类——1000件里减去100件次品，剩下多少合格品？其中有多少件也亮红灯？

读者：900件合格品，其中90件亮红灯。

AI：对。现在只看亮红灯的产品，其中既有次品，也有合格品。你应该拿哪个数量，除以哪个总数？

读者：80÷（80+90）=80÷170≈47.1%。

AI：正确。看到红灯前，随机一件产品是次品的概率为10%；看到红灯后，升到约47.1%。亮红灯显著支持“它是次品”的假说，但这个概率所代表的次品比例没有达到所有亮红灯产品的一半以上。关键是要把90件也亮红灯的合格品放进分母。

读者：也就是说，证据支持一个判断，不等于这个判断就已经很可能为真。还得看它原本有多大可能。

AI：对。我们换一个条件——仍有1000件产品，但其中200件是次品，两类产品亮红灯的比例不变。先别计算，你觉得亮红灯后是次品的概率会怎样变？

读者：会更高，因为次品原本就更多了。

AI：方向对。现在分别算出两类亮红灯的数量，再求概率。

读者：200件次品里160件亮红灯，800件合格品里80件亮红灯。160÷（160+80）=160÷240≈66.7%。

AI：正确。检测规则没变，起点从10%变为20%，看到红灯后的概率也从约47.1%升到约66.7%。你现在既能解释分母，也能说明起点为什么影响更新结果。
