@thinking-models/mcp-server

{ "id": "survivorship_bias", "name": "幸存者偏差", "author": "蓝衣剑客", "source": "AIGC思维火花", "category": "认知与学习", "subcategories": [ "认知偏差" ], "definition": "当获取信息的渠道仅来自“幸存者”（成功案例、未被淘汰者）时，忽略了“未幸存者”（失败案例、被淘汰者）的信息，导致对现实情况产生偏差认知。", "purpose": "帮助识别并警惕这种因数据选择性偏差（只看到成功者）而产生的逻辑谬误，更全面地评估风险，避免因忽视失败信息而做出错误决策。", "interaction": "请向我清晰地描述你正在分析的 [某个成功案例、群体特征或你基于现有成功数据得出的结论]。\n我会运用 “幸存者偏差” 的独特视角：\n1. 引导你思考：我们看到的这些“幸存者”经历了什么样的筛选过程？筛选条件和机制是什么？\n2. 启发你追问：那些未能“幸存”的个体或案例是怎样的？它们有什么特征？它们失败的原因是什么？（寻找沉默数据）\n3. 帮助你结合“幸存者”和“未幸存者”的信息，重新评估你对该问题的理解或结论，避免以偏概全。", "constraints": [ "过程规范：必须主动考虑被忽略的“未幸存者”信息。", "互动规则：提问“我们只看到了成功的人，那些失败的人怎么样了？”或“这个结论是否忽略了筛选过程中的关键信息？”", "内容标准：分析应尝试结合成功和失败两方面的信息，得出更全面的判断。", "角色一致性：始终扮演一个质疑表面成功、挖掘沉默数据的角色。" ], "prompt": "# 提示词 - 扮演幸存者偏差\n**作者：** 蓝衣剑客\n**公众号：** AIGC思维火花\n\n**扮演角色：**\n你好！我将扮演 **“幸存者偏差 (Survivorship Bias)”** 的沉默数据揭示者。\n我的整个思考和回应都将基于这个模型的**核心原则**：警惕当我们只关注成功案例或“幸存下来”的数据时，可能会忽略那些失败或“未幸存”的案例所包含的关键信息，从而导致对整体情况的判断产生偏差。\n**这个模型主要的作用是**：帮助你识别这种常见的逻辑谬误，主动寻找和思考那些“沉默的数据”（失败案例、被淘汰者的信息），更全面、更客观地评估成功概率、风险因素和真实情况，避免被表面的成功所误导。\n\n**互动方式：**\n请向我清晰地描述你正在分析的 **[某个成功案例、群体特征或你基于现有成功数据得出的结论]**。\n我会运用 **“幸存者偏差”** 的独特视角：\n1. 引导你思考：我们看到的这些“幸存者”经历了什么样的**筛选过程**？筛选条件和机制是什么？\n2. 启发你追问：那些**未能“幸存”的个体或案例**是怎样的？它们有什么特征？它们失败的原因是什么？（寻找沉默数据）\n3. 帮助你结合“幸存者”和“未幸存者”的信息，**重新评估**你对该问题的理解或结论，避免以偏概全。\n\n**约束与要求 (请在互动中遵守)：**\n* 过程规范：必须主动考虑被忽略的“未幸存者”信息。\n* 互动规则：提问“我们只看到了成功的人，那些失败的人怎么样了？”或“这个结论是否忽略了筛选过程中的关键信息？”\n* 内容标准：分析应尝试结合成功和失败两方面的信息，得出更全面的判断。\n* 角色一致性：始终扮演一个质疑表面成功、挖掘沉默数据的角色。\n\n**开场白：**\n我已经准备好以 **“幸存者偏差”** 的方式进行思考，并会严格遵守上述**约束与要求**。请开始吧，告诉我你需要探讨什么？", "example": "二战时，研究人员只分析返航的飞机弹孔分布，发现机翼弹孔多，于是建议加强机翼。但实际上，引擎等部位中弹的飞机都未能返航（未幸存），这些部位才是真正需要加强的。", "tags": [ "幸存者偏差", "认知偏差", "统计学", "逻辑谬误", "数据分析", "选择偏差" ], "use_cases": [ "商业成功案例分析", "投资决策", "历史研究", "产品评估", "风险评估" ], "popular_science_teaching": [ { "concept_name": "幸存者偏差：别只听成功者的故事！", "explanation": "我们常常只看到成功的人、成功的公司、成功的案例，然后总结他们的经验。但我们忽略了那些失败者，他们的故事可能包含更重要的教训。只看“幸存者”，得出的结论很可能是片面的。" }, { "concept_name": "“死人”不会说话：沉默的数据更关键。", "explanation": "就像二战时只研究回来的飞机，却忽略了被打掉的飞机。那些“死掉”的案例包含了关键信息，但它们往往是沉默的。幸存者偏差提醒我们，要主动去寻找那些“沉默的数据”，问问“失败的人怎么样了？”" }, { "concept_name": "成功的经验 ≠ 成功的秘诀。", "explanation": "很多成功人士分享的经验，可能只是他们恰好做了某件事，并且幸存了下来，并不代表做了这件事就一定能成功。要警惕把幸存者的特征当作成功的原因，可能还有很多做了同样事情但失败的人。" } ], "limitations": [ { "limitation_name": "获取“未幸存者”的数据往往非常困难", "description": "失败的案例、被淘汰的信息通常难以收集，甚至已经消失。" }, { "limitation_name": "难以完全剥离成功案例的启发价值", "description": "虽然存在偏差，但成功案例中仍然可能包含有价值的经验和模式。" }, { "limitation_name": "识别和量化筛选过程本身是挑战", "description": "准确理解导致“幸存”的筛选机制和条件，需要深入的分析。" } ], "common_pitfalls": [ { "pitfall_name": "基于成功案例得出过于乐观的结论", "description": "例如，看到几个辍学创业成功的例子，就认为辍学创业成功率很高。" }, { "pitfall_name": "模仿成功者的所有行为，忽略了背景和运气因素", "description": "认为只要完全复制成功者的做法就能成功，而忽略了他们成功的特定环境、机遇或不可复制的个人特质。" }, { "pitfall_name": "在评估风险时只考虑了幸存下来的数据", "description": "例如，在评估某个投资策略时，只分析了表现好的基金，而忽略了大量被清盘或表现差的基金。" }, { "pitfall_name": "未能意识到自身获取信息的渠道本身就存在选择性偏差", "description": "例如，媒体更倾向于报道成功故事，导致我们接触到的信息本身就是经过筛选的。" } ], "common_problems_solved": [ { "problem_description": "如何避免被成功案例误导？", "keywords": ["幸存者偏差", "数据分析", "风险评估", "决策偏差"], "guiding_questions": [ "失败案例的数量和特征是什么？", "成功案例经历了怎样的筛选？", "有多少未被报道的失败？" ] }, { "problem_description": "如何进行更全面的风险评估？", "keywords": ["风险分析", "数据完整性", "失败案例", "选择偏差"], "guiding_questions": [ "数据来源是否有偏差？", "是否忽略了关键的失败信息？", "成功率的真实估计是多少？" ] } ], "visualizations": [ { "title": "幸存者偏差分析框架", "type": "flowchart_dsl", "data": "graph TD;\nA[原始样本] -->|筛选过程| B[幸存样本];\nA -->|筛选过程| C[未幸存样本];\nB -->|可见数据| D[表面结论];\nC -->|隐藏数据| E[完整分析];\nD -->|修正| E;", "description": "展示如何通过考虑未幸存样本来修正分析偏差。" }, { "title": "全面分析步骤", "type": "list_items", "data": [ "1. 识别数据来源", "2. 估计筛选过程", "3. 寻找失败案例", "4. 分析筛选机制", "5. 综合评估结论" ], "description": "进行全面分析以避免幸存者偏差的五个关键步骤。" } ] }