转 集思广益

经验说:开会有助于沟通和理解。

实验说:开会的作用不在于促进沟通和理解,而是让大家更坚定原有信念。

“我们开会讨论一下这个重要的问题吧。”

这句话你一定不陌生。当我们需要做出一些重要决策时,都会深信集思广益、沟通交流的道理,继而通过各种大大小小的会议来讨论问题,以避免个人的主观、武断。

但是,三个臭皮匠真的能赛过诸葛亮吗?相信曾经有人经历过,开会讨论出来的结论甚至不如自己想出来的周到。心理学家通过研究发现,开会并不一定能商量出一个更好的结果,有时,团体的决策会比个人的更加极端、冒险、不理智甚至荒谬。
团结是动力还是阻力?

一个优秀的团队通常意味着里面有令人信服的领导者和团结一致的成员,这些都使得团队能高效地运作。然而,加州大学伯克利分校心理学家飞利浦•泰特劳克(Philip E. Tetlock)等人在1992年却通过研究发现,这种团队的两个特点恰恰是造成群体决策错误的关键因素。第一个是凝聚力,他们团结一致,具有相似的背景利益价值观,因而倾向于互相欣赏而较少批判。第二个是团体规范,这种无形的社会压力使得成员们都不敢直接向威严的领导者提出异议,也不敢公然反对他人以避免不和谐及内讧,以同意来表达对团队的忠诚。

这两个因素把有益的反对意见扼杀在摇篮里,团结一致的代价是批判性思维的缺失,导致了不理智的团体决策。
群体极化让你身不由己

为了避免主观避免极端,重要的决定一般都交给群体而非个人,人们常常认为群体比个人更保守、中立,但事实真如常识这般吗?最初是麻省理工大学的硕士詹姆士•斯托纳(J. A. F. Stoner)在1961年做了一个研究,他先让每个人对一个难题提出解决方案,然后再让这一群人对该观点进行讨论,得出共同认可的结果,他发现,讨论出来的解决方案居然比个人的更加冒险。后来有更多的研究人员进行实验,结果发现,如果被试平均对该观点的评价略为负面,经过讨论之后他们评价都会变得更加负面,如果讨论前的平均评价略为正面的话,讨论过后就会更加正面。也就是说,讨论会强化团队内占优势的观点并使其更加极端。

另外,极端但清晰的观点对比起保守但含糊的观点更加能取得全体成员的一致同意。当讨论前每个成员都带有同样的倾向,便在讨论中不断推动原有观点以显示自己在团队中的价值,最终原有观点越推越远越极端。

虽然团体做出的决策可能更加冒险,但每个成员却不会因此焦虑不安,毕竟团队承受风险意外的能力比每个人都要强,或者说由于责任分散,成员受到的压力更小。
微弱的声音被群体淹没

1986年1月28日,1000多名现场观众及数百万电视观众亲眼目睹着,美国航天飞机“挑战者”号离开地面73秒后化成一团大火。就在发射前的一晚,2位熟悉航天飞机设备的工程师通过电话会议力劝美国宇航局推迟发射,并指出气温太低导致其存在严重的安全隐患,但发射日子早已定下,举世瞩目万众期待以致骑虎难下。

宇航局最终在决策过程中忽略了反对意见,并抛出连续55次成功发射的辉煌历史以显示他们无懈可击的实力,成员越发投入到准备工作中以增加万事俱备的错觉和志在必得的信心。在大量的支持信息面前,少量的反对信息变得微不足道。人总会期望得到团体的认可,甚至会有强烈的实现目标的愿望,此时团队成员会不断为自己的观点找依据找理由,变得不像一个求真相的科学家,更像一个不断为己方找证据的律师。

每个人都会有这种信息处理偏差,同样怀有这种偏差的人组成团队,这种偏差会累积起来越变越大,尤其当整个团队面临挑战时,他们总会为自己想要的决策寻找更多的支持证据。

说来说去,怎么好像人多反而帮倒忙呢,难道我们之前的各种会议各种团体讨论都是白费心机的吗?!其实不是呢,只有在某些情况下,群体成员过于相似,个人偏差在群体中得到积累,集思才反而不广益。

耶鲁大学的心理学家欧文•贾尼斯(Irving Janis)给我们提了一些建议来提高群体决策:

领导者应鼓励成员提出反对意见,且愿意接受对自己建议的批评。
讨论时领导应保持中立,待所有成员表达观点后再发表自己的特定想法和期望。
把团队分成几组,独立讨论后再一起比较观点的异同。
邀请外来的专家参与讨论并提供专业意见。
每次会议都指定至少一名成员充当反派,专门挑刺和反对。

所以,群体能否产生高明的决策,是否能有有人提出反对意见,是否能有人说出不同的想法,是否能够敢于承认自己的错误,是否能够愿意倾听他人……

编辑的话:党同伐异可以说是人类的天性,单纯意识到群体的问题只是一个开始,但并不能对促进群体决策产生多大效果,越大的群体越是如此。唯有让保护少数人的意见成为一种制度,降低犯错误的效率才能。我们在团结一部分人的时候难免会排斥另一部分人,因为“ 爱恨本是同根生 ”。
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值