自从计算器被发明，数学模型就被用于辅助甚至取代人类的决策过程，因为数学模型的推动者们相信，机器不会出错。然而，很多人却讨厌使用算法，反而倾向于依靠直觉来作出各种决定。
在最新的研究中，沃顿商学院运营、信息与决策系的教授 Cade Massey 和 Joseph Simmons， 以及芝加哥大学的 Berkeley J. Dietvorst 教授指出：人们是否信赖一个算法，取决于自己是否有控制权。如果你能让决策者们对算法稍微有些控制权，那他们就更有可能去使用它。
沃顿知识在线的记者采访了 Massey 和 Simmons, 并探讨了他们的研究结论。以下是访谈的节选。
您可以简要概括一下本次研究吗？这篇文章是你们近期研究的后续报道。
Joseph Simmons: 我们在研究一种叫“算法厌恶”的现象。就是说，人们在决策的时候，往往不愿意去遵守某些有据可循的规则，尽管说大量的研究都证明，你确实就应当使用那种方法去判断、去预测。很多人完全就是跟着感觉走、摸着石头过河。他们本该遵循固定的、有据可循的规则，而他们却不这么做。
我们研究好几年了，就是要搞清楚他们为什么、以及什么情况下不愿意依靠这些算法。我们的第二篇文章讨论的是如何能让人们更信赖算法。简单来说，我们发现，如果你告诉别人，“你可以借助一个算法，它能给你提一些建议；你也可以自己做决定”，然后你问他们，“你会怎么选择呢？”——他们其实也会说“我要用算法。”
可是，一旦你把他们的选择付诸实践，让他们见识一下那个算法是怎么运作的，他们突然间就再也不想用了。那是因为他们发现算法也会出错。只要他们看到算法或者计算机也会出错，他们就再也不想用它了。即便是算法或者计算机以后只会犯更小的错误，或者更少地出错，也不能让这些人信赖它。
“很多人完全就是跟着感觉走、摸着石头过河。他们本该遵循固定的、有据可循的规则，而他们却不这么做。”
——Joseph Simmons
人们期望算法是完美的。
Simmons: 是的。人们不仅希望算法是完美的，还指望算法是完美的。可是，我们（编写算法的时候）仅仅是希望它能够比人类的表现要好一点点。我们的第一篇文章有一些悲观。文章说，一旦人们知道某个算法是怎么运作的，他们就不想用了。我们的第二篇文章则表明，你其实是可以说服人用算法的。你只需给他们一点点控制权。如果你说，“根据这个算法，这个人将来的GPA会是3.2。那你觉得他的GPA将会是多少呢？”他们不愿意接受算法（预测）的3.2分。但如果你说，“你可以在0.1分范围内调整这个预测值”，他们就会说：“行。我愿意用这个算法。”我们发现，只要你能让人们稍微有点控制权，他们就更愿意用它。这是个好消息。
Cade Massey: 虽然我们只是在实验环境下检验了这个理论，但它的灵感来源于现实世界中发生的事情。本次研究早期的一些想法，是在与一些公司合作的过程中得来的。我们为公司提供模型，用来招聘新员工。基于多年积累的数据，和优良的数据分析，我们确信自己提供了当时最好的建议。然而，那些公司却不太愿意使用（这些模型）；因为他们想要依靠自己的直觉。
这个现象很常见：在招聘中、在绩效考核中如此，现在也越来越多地出现在有自动化决策的领域，比如说管理对冲基金或者预测产品销量时。自动生成的预测或者建议，也就是算法，在这些领域内越来越普及。而作出最终决定的人，可以选择听从建议，依靠自己的（直觉），或者实施中间方案。
你们的诀窍是，如果能让人有一些控制权，他们就不会那么排斥算法了。然而，究竟需要给人们多大的控制权，才能让他们更接受算法——听说结论让你们吃了一惊。您能谈一谈这件事吗？
Massey: 需要多大的控制权，才能让人接受算法，我们一开始并不确定。给人控制权，会有一个副作用，就是决策的效果会变差。在多数领域中，给人控制权，效果会比完全使用算法要差。越是有主观的意见掺和在决策过程中，效果就越差。于是，你就希望给他们最小的控制权，而他们还能接受算法。我们当时还不知道控制权最小能有多小。我们在研究初期中就已经知道，控制权不需要太大。然后我们试出了它的极限，结论是只需要给人一点点控制权就行了。你知道吗，只需要给人5%左右的控制权，他们就更乐于使用算法了。再增大他们的控制权，他们的兴趣并不会进一步提高。只有一点点控制权，和能够影响决策，效果几乎是一样的。
Simmons: 这就很绝妙了：如果他们修改算法，只会越改越糟。但如果他们只能修改（一点点），他们就只会让结果糟糕那么一小点。既然给他们一点点控制权，他们就更愿意使用算法，那最终的决策与算法本身还是很接近的。我们虽然不能让人百分百地使用算法，但我们能让他们99%地使用算法，而这就已经能够大幅度优化他们的决策了。
“我们虽然不能让人百分百地使用算法，但我们能让他们99%地使用算法，而这就已经能够大幅度优化他们的决策了。”
——Joseph Simmons
假如我是一个公司的老板，或者我购买了一个算法，我能怎样应用你们的研究结论呢？
Massey: 最重要的一点是，你不能强加给人一个铁板一块的模型，或者说一个“黑盒子”一样的模型，然后跟人说，“你应当这样决策。你应当制定这样的决策步骤。”人们会反抗的。你需要给他们决定权。不同的行业，需要有不同的对策。比方说，研究生院要招生，招生办就会给申请者排名次。但有的时候也会有例外。一些人的排序会被调整。这个调整的过程，也可以被自动化。即使你用招生办的部分决策作为模型的输入信息，你还是可以拿出一个自动化模型，然后说，“你应当录取这些人。”
但你有两种选择。如果你说，“这是我们的模型。这是它的结论，你爱信不信。反正我们要把决策过程自动化。”你这么做会招来抗议的。但你也可以说，“我们有一个模型能为您提供一些建议。希望您能参考一下。如果您愿意做一些调整，也是可以通融的。”我们正是与学校这样沟通的。 他们起初还有些将信将疑，只是部分依靠我们的模型。而时间长了，尽管他们依然有权任意调整，但他们基本上就全盘使用模型了。
我觉得，呈现给使用者的方式也很重要。沟通的时候必须让对方知道自己有控制权。
Simmons: 我认为最重要的是不能给人一种“不接受拉倒”的感觉，不能让人觉得你要强迫他们无时不刻完完全全地使用算法。如果你的沟通方式给人那样的感觉，他们就会抵制你。但如果你能这么说，人们就更乐于接受你的算法：“虽然说99%的情况下，我们要使用算法，但你永远都有权修改算法，甚至不遵循算法。”
对自动驾驶汽车行业来说，这就很重要。不难理解，如果人们乘坐一辆完全不受控制的自动驾驶汽车，他们就会感到不安。但如果跟人这么说，“其实吧，你还是可以做这么一件事的。这件事稍微有点难做，也不太寻常，但在你需要的时候，你确实可以通过这种方式来驾驭汽车。我们发现，从来就没有人用到过这个机制，但这个机制是存在的。”——我们推测，如果能这样跟人说，人们就更加愿意乘坐自动驾驶汽车，毕竟他们也有一些控制权。自动驾驶通常比人工驾驶要安全，但人们还是希望能有一位驾驶员，尽管说很多的坠机事故都是飞行员的过错造成的。有人驾驶，他们就能安心。我觉得，我们的研究跟这个问题也有点联系。
“人们希望算法是完美的……可是，我们（编写算法的时候）仅仅是希望它能够比人类的表现要好一点点。”
——Joseph Simmons
最近新闻里还有什么事情能够应用到你们的研究结论呢？
Massey: 选举预测？
Simmons: 对。去年十一月，我们的总统选举结果震惊了世界。有一大堆人在做预测，他们根据以往的民调信息，预测大选的结果。最著名的大概要数 http://FiveThirtyEight.com 的 Nate Silver。他说希拉里有70%的机会赢得大选，而特朗普只有30%的机会。结果当然是，特朗普赢了，而 Nate Silver 备受嘲讽。人们觉得他错了，而且他的模型就错了。问题是，他的模型未必就错了，因为30%的几率意味着只有30%的情况下才会发生。如果一个独立评论员说什么会发生，结果没发生，他不会受到那么多的嘲讽。但如果有人用数据和算法预测什么会发生，结果没发生，他会受到大规模嘲讽，因为人们指望那样预测的结果有100%的准确性。我认为人们对 Nate Silver 的嘲讽，符合我们以前得出的结论。
Massey: 这就又回到第一篇文章了。如果预测有误，人们对出错的模型和算法会非常苛刻，而对出错的人类就更加宽容。我们探究了一下这个问题，而结论依旧是，人们对（模型和算法）有着更严格的要求。
真是这样吗？可是没有人，也没有什么东西是完美的呀。
Massey: 人们为什么这样，我们认为有很多原因：有一条就是，人们相信人类能够逐渐进步，而模型则相对固定。这两种观念都不一定是对的。模型能逐渐完善，而人类却不一定能逐渐进步。他们那种想法听着很有道理，但不一定正确。确实，某些情况下人类能比模型进步得更多，但我们认为，人们对这种情况期望太高了。
你们的研究与领域内其他的研究相比，有什么特别之处吗？
Massey: 探讨模型决策和人类决策之间的差异，我们并不是第一个。人们已经认可几十年了：模型很靠谱。不过，模型为什么靠谱，以及如何改变人们（对它的看法），我们在这一方面的研究比较新颖。
“不先查明病因，就没法开出药方。”
——Cade Massey
Simmons: 以前很少有研究者记录过人们排斥算法的理由。倒是有一些非正式的研究，有一些文章写道为什么人们会讨厌它，但没有人真正系统地研究过。
Massey: 说到底，还是动力的问题。我们研究的动力是，如果我们要与一些组织合作，让他们使用更多的模型，那我们就必须弄清楚如何才能消除他们对模型的偏见。不先查明病因，就没法开出药方。
你们接下来的研究方向是什么呢？
Massey: 我们还会继续研究还有没有别的因素造成人们排斥算法，但我们更希望能在现实世界中检验我们的理论。如果我们跟专业人士合作，涉及真实的金钱利益，他们也会有那种偏见吗？我们又如何帮助他们？有好几个与我们长期保持联系的组织，他们也很感兴趣，想要看看我们在实验环境中的结论是否在现实中成立，并愿意对他们的员工和客户展开研究。
