轻易相信别人，你需要更多的怀疑精神。

在这个信息爆炸的时代，我们面临的信息冲击超过了过去的任何时候。面对越来越多的可用信息，我们应该如何判断哪些信息可以被信任？日常决策变得越来越复杂。我们应该如何做出正确的决定？本文作者指出了四个误区。如果你特别容易相信外界的信息，那么你应该特别注意。

企业领导面临着前所未有的挑战。由于通货膨胀、贸易紧张和政治不确定性，日常决策变得越来越复杂。如今，人力资源问题包括多样性、公平性和包容性、心理健康，同时提高了第四次工业革命的技能。与环境、社会和治理有关的问题不能再委托给公司的社会责任部门，而是成为C级高管的责任。AI带来了无数的新机遇，但也伴随着各种新的威胁。

然而，高管似乎也有处理这些挑战的工具——信息。只需点击鼠标或移动手指，他们就可以使用大多数领域的前沿研究成果。学术研究越来越向公众开放，咨询公司、社会组织和投资者的大量研究成果现在可以被人们使用。信息不仅来自研究，还来自书籍、报纸和广播电台。

有这么多可用的信息，我们如何确定哪些可以相信？正如最近的争议所示，即使是在精英同行评审期刊上发表的研究，也可能是基于篡改的数据。确定错误可能意味着你分享的信息，也就是你在新闻推送中看到的信息，是分享者想要的真实信息，不一定是真实信息。关于如何处理错误信息有很多优秀的作品——我对错误信息的定义是没有证据证明它是正确的信息——但是这些作品通常会列出一长串大家用来欺骗我们的方法，很难全部记住和练习。管理人员需要的是一套简单的错误信息分类方法，这样他们就知道该注意些什么了。

作为一名社会科学家，我的工作是收集和解读数据。这项技能不仅可以用于研究，也可以用于评估和研究。我在新书中使用了社会科学研究的工具，提出了“错误推理步骤”，将错误信息分为四类误解。这个框架对于需要管理信息冲击的各级领导都非常有用。

首先，声明并非事实，因为声明可能不准确。由于喜欢某一声明的内容，我们有多少时候会轻易地接受和相信？举例来说，我的研究强调了公司治理的利益和利益相关者资本主义的价值。所以，我看到一个有影响力的社会组织发布的报告说，高ESG公司的表现比同行业其他公司好，所以我不假思索地接受了这种说法。这份调查报告的脚注里说这个结论是有证据支持的，所以我很容易觉得这就够了，然后就不细说了。

但是，如果想要更聪明地思考，第一步就是验证事实。在上面的例子中，我仔细检查了脚注，却发现来源的内容与报告中的说法相反。脚注引用的文章叫《ESG的失败》。文章副标题说:“虽然相关研究数不胜数，但从来没有准确的数据表明社会责任指标与优秀表现有关。”解释结尾的脚注并不一定表明脚注内容支持这一观点：解释并非事实。

错误的衡量方法也会导致不准确。一篇文章说，投资ESG的公司收获颇丰。但是如果你深入其中，你会发现文章的作者并没有衡量公司的ESG水平，只是问公司是否认为ESG比过去更重要——这和实际的ESG水平是两回事。即使某个解释与大量数据有关，数据也不一定衡量解释中的内容。

其次，事实并非数据，因为事实可能并不具有代表性。实例研究是一种非常流行和有效的教学方法。这个案例非常生动，能够清晰具体地呈现某一主题，比统计数据和回归分析更能鼓励领导者。案例不仅用于商学院教育，也用于畅销书和热门演讲——开头通常是一个吸引观众的故事。然而，专攻这一点的人通常会选择一个最适合展示重点的例子，这样的故事最能给人留下印象。一个故事-或几个故事-并不能说明什么，因为这些点可能并不全面。这个故事是个例外，不能证明规则。

很多管理公式的销售方式都是关于几家著名公司跟随公式取得成功的故事。但是，可能有数百个其他组织因为不符合故事要求而失败，所以不会提及这些组织。如果你想展示公式的效果，你应该考虑使用过这个公式的数百家公司——包括成功和失败的公司——将成功比例与未使用这个公式的对照组进行比较。

我们喜欢从成功的故事中学习，但是如果你不学习失败的案例，你就不能确定成功的因素。研究那些获得秘方但失败的公司，以及那些没有获得秘方但成功的公司。如果你只得到一个遵循公式并取得巨大成功的公司案例，那其实就是一组经过选择的样本。

三是要注意的是，数据并非证据，因为数据不一定是决定性的。大规模的数据可能是有代表性的，但这只是第一步，因为数据只是一组事实，而证据是一组可以得出结论的事实。证据不仅要支持你的理论，还要否定对手的理论——比如刑事案件中的证据必须能够锁定具体的嫌疑人。

在这一领域，社会科学家的素养也是派上用场的。要从数据中找出逻辑关系，判断一项研究是否成功理清了逻辑关系。

我看到的一项研究声称找到了公司治理可以提高公司业绩的决定性证据，其基础是有数据显示，治理好的公司业绩优于治理差的同行业公司。我个人的大部分研究都是关于良好治理的优势，所以我很高兴看到这个结论。但这真的足以说明公司治理提高了公司的业绩吗？

遗憾的是，这项研究的数据只显示了治理与绩效的相关性。数据符合“良好的治理带来良好的绩效”的结论，但也符合两种相反的观点。一是反向因果：也许业绩不佳的公司要到处灭火，只有在前景看好的时候才能把注意力转移到治理等长期问题上。第二个共同原因：或许一个优秀的CEO不仅可以改善治理，还可以提高业绩，而非前者带来后者。众所周知，相关性并不等于因果关系，但是如果是我们喜欢的观点，我们就会突然忘记这一点。

如果你参加过经济学大会，你会听到关于类似问题的冗长辩论。但是你不需要成为一名学者，你可以清楚地思考因果关系。仔细想想其他理论是否与你看到的数据一致。记住不要跳到你想要正确解释的地步。

最终要注意的是，由于可能不具有普遍性，证据并未得到证实。确认是绝对的。阿基米德确认圆的面积是圆周率乘以半径的平方，公元前三世纪古希腊的圆和现在的圆都是这样。但是，即使证据完美地导向了某个结论，也可能只适用于收集证据的环境，不一定适用于其他地方。

我自己的一项研究发现，员工满意度高的公司每年的长期股票收入比其他公司高2.3%到3.8%，累计高89%到184%，即使其他收入驱动因素得到控制，结果也是一样的。进一步分析表明，是员工满意度带来了良好的业绩，而不是好的业绩让公司能够投资员工满意度。

但这项研究仅限于美国。约瑟夫·亨里奇（Joseph Henrich）在一本有影响力的书中，强调大部分研究都是关注受过教育、社会工业化程度高、富有民主的西方人，结论可能不适合世界其他地区。在其他30个国家，我无法预测自己的研究成果，所以和几个合作伙伴一起把最初的研究扩展到其他30个国家。我发现，最初的结论通常是建立起来的，但并非总是建立起来。我国部分劳动力市场监管严格，员工满意度高的企业业绩不再优异。这一点可以解释为:当法律规定所有公司都必须提供一定水平的员工福利时，那些员工福利最高的公司可能已经超过了通过提高员工满意度来获得更多业绩增长的临界点。

面临信息，我们应该如何应用错误的推理步骤？能够思考以下问题：

第一，看一条解释，是否有数据支持？光看脚注是不够的。你应该实际看看脚注的内容。即使脚注的内容支持这个解释，也要注意数据真正衡量的是什么。

听到一件事，比如一个故事，这是有代表性的还是只强调某一点？作者是否考虑过其他有秘方但失败的公司和没有秘方但成功的公司？

如果看到大量的数据，是否有相反的结论同样符合这组数据？找到相反结论的一个技巧是想象研究发现了相反的结果——我们不满意的结果——想想我们将如何试图推翻这个结论。

如果遇到坚实的证据，它是否适用于我们感兴趣的环境？一项研究发现，赋予员工权力在科技领域取得了良好的效果，并不意味着这种行为适合采矿业。采矿业最重要的是安全和健康，规则更重要。

这类应对方法的重点是，理解数据不需要统计学专业知识，只需要常识、批判性思维和适当的怀疑。但是，如果每一次看到一条解释都要仔细阅读注释，每一次遇到证据都要仔细考虑适用环境，你也许什么也做不了。上述问题可遵循80/20原则，有选择地应用。假如结论和你的工作有关，而且你特别容易因为确定错误而轻信，那就要特别注意了。正如所有的新技能都被培养出来一样，这个技能也是越训练越熟练。

亚历克斯·爱德曼斯（Alex Edmans）|文

亚历克斯·爱德曼斯是伦敦商学院的经济学教授，他的研究领域是公司的金融、行为金融和社会责任。他在牛津大学获得学士学位，在麻省理工学院获得博士学位，曾担任福布莱特学者。

朔间|译 周强|编校

本文来自微信微信官方账号“哈佛商业评论”（ID：hbrchinese），作者：HBR-China，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com