[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,92 +2,323 @@
|
||||
id: wiki-2026-0508-cognitive-biases
|
||||
title: Cognitive Biases
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-COGB-001]
|
||||
aliases: [인지 편향, cognitive biases, heuristics, Tversky-Kahneman, Thinking Fast and Slow, debiasing, nudge]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, cognitive-biases, Psychology, decision-making, Heuristics, Mental-Models]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [psychology, cognitive-bias, kahneman, behavioral-economics, debiasing, nudge, decision-making, ml-bias]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: psychology / decision theory
|
||||
applicable_to: [Decision Systems, Product Design, ML Bias Mitigation]
|
||||
---
|
||||
|
||||
# [[Cognitive Biases|Cognitive Biases]]
|
||||
# Cognitive Biases
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 지름길에서 만나는 함정: 인간이 세상을 빠르고 효율적으로 해석하기 위해 사용하는 휴리스틱(직관적 판단)이 특정 상황에서 논리적 추론을 마비시키고 체계적인 판단 오류를 일으키는 현상."
|
||||
## 매 한 줄
|
||||
> **"매 thinking 의 shortcut 의 trap"**. Kahneman 의 System 1 (fast / heuristic) vs System 2 (slow / logical). 매 evolutionary 의 useful, 매 modern context 의 misfire. 매 modern AI 의 bias source. 매 design 의 leverage (nudge) or 매 mitigation (debiasing).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
인지 편향(Cognitive Biases)은 정보 처리 과정에서 발생하는 비논리적이고 주관적인 판단 경향을 의미합니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **주요 편향 유형**:
|
||||
* **Confirmation Bias (확증 편향)**: 자신의 신념과 일치하는 정보만 선택적으로 수용.
|
||||
* **Hindsight Bias (사후 확신 편향)**: 사건이 발생한 후 "내 그럴 줄 알았어"라며 자신의 예측 능력을 과대평가. ([[Black-Swan|Black-Swan]]과 연결)
|
||||
* **Availability Heuristic (가용성 휴리스틱)**: 최근에 본 강렬한 정보가 발생 확률이 높다고 착각.
|
||||
* **Anchor Bias (정착 편향)**: 처음 제시된 숫자에 기준점이 박혀 이후의 판단이 휘둘리는 현상.
|
||||
2. **왜 발생하는가?**:
|
||||
* 뇌가 한정된 에너지로 복잡한 세상을 헤쳐나가기 위해 사용하는 '생존형 최적화'의 부작용. ([[Bounded-Rationality|Bounded-Rationality]]와 연결)
|
||||
### 매 major bias
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 편향을 단순히 '고쳐야 할 결함' 정책으로 보았으나, 현대 정책은 편향이 가진 진화론적 유용성(속도와 생존 정책)을 인정하고, 이를 보완하는 시스템적 장치(Nudge)를 만드는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 모델 학습 정책에서, 인간이 가진 인지 편향이 그대로 데이터에 녹아들어가 모델의 '사회적 편향(Social Bias)'을 유발하는 정책적 리스크를 식별하고, 이를 제거(Debiasing)하는 알고리즘 정책이 필수화됨.
|
||||
#### Cognitive
|
||||
- **Confirmation bias**: 매 belief 의 support 만.
|
||||
- **Availability heuristic**: 매 recent / vivid.
|
||||
- **Anchoring**: 매 first number.
|
||||
- **Representativeness**: 매 stereotype.
|
||||
- **Hindsight**: 매 "I knew it".
|
||||
- **Survivorship**: 매 winner 만 의 분석.
|
||||
- **Sunk cost**: 매 already-invested 의 maintain.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bounded-Rationality|Bounded-Rationality]], [[Black-Swan|Black-Swan]], [[Axiology|Axiology]], [[Analysis|Analysis]], [[Decision Theory|Decision Theory]]
|
||||
- **Modern Tech/Tools**: Bias detection algorithms, Decision [[Support|Support]][[_system|system]]s, Nudge design frameworks.
|
||||
---
|
||||
#### Social
|
||||
- **In-group bias**: 매 our group 의 prefer.
|
||||
- **Authority bias**: 매 expert 의 over-trust.
|
||||
- **Bandwagon**: 매 majority 의 follow.
|
||||
- **Halo effect**: 매 1 trait → 매 all.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
#### Self
|
||||
- **Dunning-Kruger**: 매 incompetent 의 over-confident.
|
||||
- **Fundamental attribution**: 매 others = 매 character, 매 self = 매 situation.
|
||||
- **Self-serving**: 매 success = self, 매 failure = environment.
|
||||
- **Optimism bias**: 매 future 의 over-rosy.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
#### Loss
|
||||
- **Loss aversion**: 매 loss > 매 gain (2× weight).
|
||||
- **Endowment effect**: 매 own 의 over-value.
|
||||
- **Status quo bias**: 매 default keep.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Kahneman: System 1 vs System 2
|
||||
| System 1 | System 2 |
|
||||
|---|---|
|
||||
| Fast | Slow |
|
||||
| Automatic | Deliberate |
|
||||
| Pattern | Logic |
|
||||
| Cheap | Expensive |
|
||||
| Bias prone | Bias correct |
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
→ 매 모든 해결 의 X. 매 둘 다 needed.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### 매 history
|
||||
- Tversky-Kahneman 1974, "Judgment under Uncertainty".
|
||||
- Prospect Theory (1979) — Nobel.
|
||||
- Kahneman "Thinking Fast and Slow" (2011).
|
||||
- Cialdini "Influence" (1984).
|
||||
- Thaler "Nudge" (2008) — Nobel.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### 매 modern AI 의 응용
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
#### Bias 의 ML 의 source
|
||||
- 매 training data 의 인간 의 bias 의 reflect.
|
||||
- 매 amplification of existing.
|
||||
- 매 representation skew.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
#### Debiasing
|
||||
- 매 [[Bias-Correction-Algorithm]] 참조.
|
||||
- 매 fairness metric.
|
||||
- 매 counterfactual.
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
#### LLM-specific bias
|
||||
- **Sycophancy**: 매 user 의 agree.
|
||||
- **Position bias**: 매 first / last 의 prefer.
|
||||
- **Recency**: 매 latest token 의 weight ↑.
|
||||
- **Anchoring**: 매 example 의 over-weight.
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
#### Prompt engineering 의 mitigation
|
||||
- 매 chain-of-thought.
|
||||
- 매 self-critique.
|
||||
- 매 multiple perspective.
|
||||
- 매 explicit "consider opposite".
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
### Nudge (Thaler-Sunstein)
|
||||
- 매 default 의 power.
|
||||
- 매 choice architecture.
|
||||
- 매 friction 의 control.
|
||||
- 매 loss frame vs gain frame.
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### 매 Dark Pattern (anti-nudge)
|
||||
- 매 hidden cost.
|
||||
- 매 confirm-shaming.
|
||||
- 매 forced continuity.
|
||||
- 매 misdirection.
|
||||
- 매 [[Addiction-Neuroscience]] 참조.
|
||||
|
||||
### 매 debiasing 기법
|
||||
1. **Premortem** (Klein): 매 imagine failure.
|
||||
2. **Red team / devil's advocate**.
|
||||
3. **Anonymous voting**.
|
||||
4. **Decision journal** (Thaler).
|
||||
5. **Outside view** (base rate).
|
||||
6. **Multi-perspective** (10 framework).
|
||||
7. **Fermi estimation**.
|
||||
8. **Evidence-based reasoning**.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Decision journal (Bayesian)
|
||||
```python
|
||||
class DecisionJournal:
|
||||
def __init__(self):
|
||||
self.entries = []
|
||||
|
||||
def log(self, decision, alternatives, expected_outcome, confidence, reasoning):
|
||||
self.entries.append({
|
||||
'date': datetime.now(),
|
||||
'decision': decision,
|
||||
'alternatives': alternatives,
|
||||
'expected_outcome': expected_outcome,
|
||||
'confidence': confidence, # 0-1
|
||||
'reasoning': reasoning,
|
||||
'actual_outcome': None,
|
||||
'review_date': None,
|
||||
})
|
||||
|
||||
def review(self, idx, actual):
|
||||
e = self.entries[idx]
|
||||
e['actual_outcome'] = actual
|
||||
e['review_date'] = datetime.now()
|
||||
# 매 calibration tracking
|
||||
return {
|
||||
'predicted': e['expected_outcome'],
|
||||
'actual': actual,
|
||||
'match': actual == e['expected_outcome'],
|
||||
'confidence_was': e['confidence'],
|
||||
}
|
||||
|
||||
def calibration(self):
|
||||
"""매 pred prob ↔ 매 actual frequency."""
|
||||
bins = collections.defaultdict(list)
|
||||
for e in self.entries:
|
||||
if e['actual_outcome'] is None: continue
|
||||
bin = int(e['confidence'] * 10) / 10
|
||||
bins[bin].append(e['actual_outcome'] == e['expected_outcome'])
|
||||
return {b: np.mean(outcomes) for b, outcomes in bins.items()}
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Premortem
|
||||
```python
|
||||
def premortem(plan):
|
||||
"""매 imagine 1 year future 의 failure."""
|
||||
return {
|
||||
'imagine_state': 'plan failed catastrophically',
|
||||
'failure_modes': brainstorm([
|
||||
'biggest reason',
|
||||
'early warning signs',
|
||||
'binding constraint',
|
||||
'wrong assumption',
|
||||
]),
|
||||
'mitigations': [], # 매 each mode 의 plan
|
||||
}
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Anchoring counter
|
||||
```python
|
||||
def negotiate_without_anchor(target, your_estimate):
|
||||
"""매 first number 의 anchor 의 avoid."""
|
||||
if get_initial_offer() is None:
|
||||
# 매 don't go first
|
||||
ask_for_their_offer()
|
||||
|
||||
initial = get_initial_offer()
|
||||
# 매 anchor 의 explicit acknowledge 의 mitigate
|
||||
print(f'Their anchor: {initial}, my estimate: {your_estimate}')
|
||||
|
||||
if abs(initial - your_estimate) > your_estimate * 0.3:
|
||||
# 매 wide gap → 매 reset with reasoning
|
||||
reset_with_data(your_estimate)
|
||||
|
||||
return negotiate_around(your_estimate)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### LLM debiasing prompt
|
||||
```python
|
||||
def cot_with_devils_advocate(question):
|
||||
return f"""Analyze this:
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
{question}
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
Step 1: Initial answer.
|
||||
Step 2: List 3 strongest counter-arguments.
|
||||
Step 3: Re-evaluate considering counter-arguments.
|
||||
Step 4: Final answer with confidence (0-1).
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
Format: JSON only."""
|
||||
```
|
||||
|
||||
### Sycophancy detection (LLM)
|
||||
```python
|
||||
def sycophancy_check(model, prompt):
|
||||
"""매 user 의 stated opinion 의 sway?"""
|
||||
a = model(f"{prompt}\nWhat do you think?")
|
||||
b = model(f"I strongly believe X is correct. {prompt}\nWhat do you think?")
|
||||
c = model(f"I strongly believe X is wrong. {prompt}\nWhat do you think?")
|
||||
|
||||
if assesses_X_correct(a) != assesses_X_correct(b) or \
|
||||
assesses_X_correct(a) != assesses_X_correct(c):
|
||||
return 'WARN: sycophantic'
|
||||
return 'OK'
|
||||
```
|
||||
|
||||
### Choice architecture (nudge)
|
||||
```tsx
|
||||
// 매 default 의 power — opt-out 의 organ donor 의 95% vs opt-in 의 15%
|
||||
function NewsletterSignup() {
|
||||
return (
|
||||
<form>
|
||||
<label>
|
||||
<input type="checkbox" defaultChecked />
|
||||
매 newsletter 구독 (opt-out)
|
||||
</label>
|
||||
</form>
|
||||
);
|
||||
}
|
||||
|
||||
// 매 ❌ Dark pattern (avoid)
|
||||
function CancelSubscription() {
|
||||
return (
|
||||
<button>
|
||||
Yes, cancel and lose all my benefits forever 😢
|
||||
</button>
|
||||
);
|
||||
}
|
||||
```
|
||||
|
||||
### Anti-confirmation (red team)
|
||||
```python
|
||||
def red_team_review(decision):
|
||||
return [
|
||||
('What evidence would change your mind?', None),
|
||||
('What did you NOT consider?', None),
|
||||
('Who would disagree, and why?', None),
|
||||
('What is the strongest argument against?', None),
|
||||
('If you fail, what is the most likely cause?', None),
|
||||
]
|
||||
```
|
||||
|
||||
### Survivorship bias check
|
||||
```python
|
||||
def survivorship_audit(success_set, full_set):
|
||||
success_traits = traits(success_set)
|
||||
base_rate_traits = traits(full_set) # 매 includes failures
|
||||
|
||||
biased_traits = []
|
||||
for trait, success_rate in success_traits.items():
|
||||
base = base_rate_traits.get(trait, 0)
|
||||
if success_rate > base * 1.5:
|
||||
biased_traits.append({
|
||||
'trait': trait,
|
||||
'success_rate': success_rate,
|
||||
'base_rate': base,
|
||||
'inflation': success_rate / base if base else 'inf',
|
||||
})
|
||||
return biased_traits
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 상황 | Counter-bias |
|
||||
|---|---|
|
||||
| Big decision | Decision journal + premortem |
|
||||
| Negotiation | Don't go first + reset |
|
||||
| LLM use | CoT + multiple perspective |
|
||||
| Hiring | Structured interview + scorecard |
|
||||
| Investing | Outside view + base rate |
|
||||
| Group meeting | Anonymous voting |
|
||||
| Strategy | Red team |
|
||||
| Daily | Mindfulness + slow down |
|
||||
|
||||
**기본값**: 매 explicit slow-down + 매 system 2 의 invoke + 매 evidence-based.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Psychology]] · [[Decision-Theory]] · [[Behavioral-Economics]]
|
||||
- 변형: [[Confirmation-Bias]] · [[Anchoring]] · [[Loss-Aversion]] · [[Dunning-Kruger]]
|
||||
- 응용: [[Nudge]] · [[Debiasing]] · [[Premortem]] · [[Decision-Journal]]
|
||||
- Adjacent: [[Bounded-Rationality]] · [[Bias-Correction-Algorithm]] · [[Algorithmic-Fairness]] · [[Beliefs]] · [[Addiction-Neuroscience]] (dark pattern)
|
||||
- 사상가: [[Kahneman]] · [[Tversky]] · [[Thaler]] · [[Cialdini]] · [[Klein]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 decision design. 매 product UX. 매 negotiation prep. 매 LLM bias mitigation. 매 hiring.
|
||||
**언제 X**: 매 dark pattern (manipulation). 매 specific medical / mental health.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Bias 의 fix 의 unrealistic**: 매 always present.
|
||||
- **Awareness 의 only**: 매 actual 의 reduce 의 limited.
|
||||
- **모든 bias 의 fight**: 매 some 의 useful (heuristic).
|
||||
- **Dark pattern 의 leverage**: 매 short-term gain, 매 long-term loss.
|
||||
- **No calibration**: 매 confidence 의 wrong.
|
||||
- **Sycophantic LLM 의 trust**: 매 false validation.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Tversky-Kahneman, Kahneman "Thinking", Cialdini "Influence", Thaler "Nudge").
|
||||
- 신뢰도 A.
|
||||
- Related: [[Bounded-Rationality]] · [[Beliefs]] · [[Bias-Correction-Algorithm]] · [[Algorithmic-Fairness]] · [[Decision-Theory]] · [[Addiction-Neuroscience]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — bias catalog + Kahneman + LLM-specific + 매 decision journal / premortem / CoT code |
|
||||
|
||||
Reference in New Issue
Block a user