P17 判断过程而非结果，按证据强度定步长

表述：评价一个决定，看它在当时的信息下是否合理，而不只看结果；信念更新的幅度取决于证据的强度：普通证据小步走，决定性证据可以大步走，AI 推断不走。

依据#

• F6.4 用结果评判决策：结果偏差 B（Baron & Hershey, 1988）；（Duke, 2018）。
• F2.5 恶劣环境里学错：友好与恶劣学习环境 （Hogarth, Lejarraga & Soyer, 2015）。
• 代价信号与显示偏好 B（Zahavi, 1975；Spence, 1973）：只有带代价的信号才难以伪装；意图—行为鸿沟 A（Webb & Sheeran, 2006）：表态不等于行动。
• 贝叶斯规则：后验比 = 先验比 × 似然比。一条似然比很大的证据（例如外部可查的「不可能」证据）应该移动很多 （Jaynes, 2003）。
• 超级预测者 B（Mellers 等, 2014；Tetlock & Gardner, 2015）：好的预测者频繁、小幅地更新，但在证据强时也会果断大幅更新。

对产品的含义#

• 〔建议修改〕「单条证据最多移动一档」改为按证据强度分级〔产品，M6 ⑦、A6〕。v2 已经指出固定上限会让系统对决定性证据反应过慢（v2 10.3）。v3 的建议：
  • 决定性证据（外部可查，并且直接证实或证伪信念）：可以移动两到三档，需要人确认；
  • 普通证据：最多一档（保留现有规则）；
  • AI 推断：不能单独移动（保留 G3）；
  • 同源证据：合并为一条（保留 G5）。
• 见 S2。
• 复盘时分开评估「决策质量」和「结果质量」：当时知道什么、考虑了什么、运气占多少。〔本文提议〕
• 关于「有没有人真的要这个」的信念（势能差），证据按代价分级：带代价的行动（付了钱、投入了时间、明确拒绝）是强证据；口头表态（「有兴趣」「挺好」）是弱证据，不能单独把这类信念推到高置信度（2.6）。〔本文提议〕

反模式#

• 一次好结果就认定方法对了。
• 明明有决定性的反证，系统要三四轮才跟上。

检验#

• 事后回看：遇到决定性证据时，置信度在几轮内到位。
• 周复盘中「决策质量」和「结果质量」分开记录。

与 v2 的关系#

修改 A6（有序更新）；A5（证据分级）保留。