圖源Veer
凡事預則立，不預則廢。
這裡的「預」，既包括「預備」，也包括「預測」。兩者緊密相關，脫離預測，預備難以進行。
來看一個醫學領域情境。婦產科醫生知道，如果嬰兒在出生後幾分鐘內無法正常呼吸，就會有很大腦損傷甚至夭折風險。
嬰兒出生後幾分鐘無法正常呼吸，是一個機率事件，可以預測到，在一定條件下會發生。預測到這一點，我們就知道要相應去做準備。
問題來了：怎樣預測判斷一個新生兒呼吸是否正常？
最常用的方法是臨床預測，意思是：基於自身經驗、以主觀印象為主的預測。
例如，我們在和一個人交流時，基於對方表情動作、言語表達等，判斷對方是善意還惡意、能力是高是低、經驗是多是少，就是在做臨床預測。
不同人臨床預測水平有高有低，專家高、新手低。不過，在很多情境中，即便是專家，臨床預測偏差也會較大。
以新生兒呼吸風險預判為例，傳統上內科醫生和接生人員一直採用臨床預測方法，根據自己經驗判斷，經常錯過危險信號，導致許多新生兒不幸夭折。
怎麼辦？這就需要引入「機械預測」。意思是，設定指標再加權平均的公式化預測方法。具體流程分為三步：
第一步，確定評價指標。
第二步，指標逐一打分。
第三步，加權計算總分。
以新生兒呼吸風險預判為例，1953年麻醉學家維吉尼亞·阿普加開發出一個機械預測方法，用以評估每一個出生1分鐘嬰兒。
具體來說，阿普加確定5個變量，也就是5個評價指標，包括心率、呼吸、表情反應、肌肉張力和膚色。
每個指標分值設定為三檔，包括0分、1分和2分，分別代表各個變量穩健度。例如膚色，全身粉紅是2分，四肢青紫是1分，全身青紫是0分。
每個指標逐一打分後，再將5個指標評分加總得到總分。如果總分在7分以上就是健康，4到6分就不太健康，0到3分就需要立即採取急救措施。
事實證明，阿普加這個機械預測方法，簡易、有效、快速，對於減少嬰兒夭折率起到重要作用，至今一直在運用。
即便不是兒科專家，一個新手醫生，甚至於作為門外漢的普通家長，稍加學習，也能準確預判一個新生兒呼吸風險是高是低。
效果可謂「不是專家，勝似專家」。一個非專家學習阿普加機械預測方法，預測準確度、快速度，可能超過一個依賴臨床預測專家。
機械預測之所以命名為「機械」，是因為採用簡易算法進行公式化預測，看起來有點「機械」，不像臨床預測運用直覺思維那麼靈活。
雖然「機械」，但效果很好。2000年有人綜合調查分析136項研究，包括黃疸病診斷、服兵役適應性、婚姻滿意度等，其中63項是機械預測更準確，65項是機械預測和臨床預測一樣好，只有8項是臨床預測比機械預測好。
專家很少，即便是專家，如果採用臨床預測，往往也不如機械預測準確。也就意味著，作為不是專家的普通人，積累和開發一些簡易有效機械預測方法，更加富有價值。
諾貝爾經濟學獎獲得者、心理學家丹尼爾·卡尼曼歸因認為，專家臨床預測不如機械預測，原因在於信息噪音偏大，專家經驗好處不足以彌補。相反，機械預測能夠有效消除信息噪音，判斷準確性更高。
做一個類比，預測就像是打靶。命中靶心視為精準，沒有命中視為存在錯誤。這些錯誤由偏差和噪音共同構成。公式化表達是：錯誤=偏差+ 噪音。
其中，偏差屬於系統風險，產生系統錯誤，導致都往一個方向偏。例如，槍的準星有問題，子彈都往左下偏。
噪音屬於個體風險，產生離散錯誤，隨機分布。例如，由於看錯、手抖等各種原因，導致彈孔圍繞靶心波動。
類似的，如果專家不採用機械預測，而是採用臨床預測，容易受各種隨機因素，例如新生兒其它特徵、專家自身心理狀態等噪音影響，導致預測無法命中靶心。
相反，機械預測抓住評估新生兒呼吸風險關鍵指標，不受噪音影響，就有條件提高預測準確率和快速度。
以上是關於機械預測部分內容，更完整內容可點擊閱讀詞條《1662：機械預測》。
《精讀君通識詞典》宗旨是：每天一個認知積木，持續精進終身成長，目前已發布2000+詞條。處理問題、決策行動之前，你不妨先查查通識詞典。