第一，我二十五啦！二十五啦！不要觉得我没化妆，背书包，打扮土，就这样侮辱我～呜呜呜～我会记仇，会记仇的！
第二，嘴上说着我像小学生，但还是让娃叫我阿姨！叫姐姐！要叫姐姐！凡是五岁以上的小朋友必须叫我姐姐！
啊啊啊～啊啊啊～[泪][泪][泪][泪]下次再让我遇到这种情况，我就豁命。。。。。。。
呜呜呜，令人难过的正月十五[泪] https://t.cn/z8x1ZDi
第二，嘴上说着我像小学生，但还是让娃叫我阿姨！叫姐姐！要叫姐姐！凡是五岁以上的小朋友必须叫我姐姐！
啊啊啊～啊啊啊～[泪][泪][泪][泪]下次再让我遇到这种情况，我就豁命。。。。。。。
呜呜呜，令人难过的正月十五[泪] https://t.cn/z8x1ZDi
温馨提示！还有5天就要开启新年假期了，相信很多的宝爸宝妈们早就规划好新年出行计划了吧~凡是带娃出行，装备一定要带齐！宝宝用的、吃的、喝的这些通通都要准备好~这里京东母婴也给大家备好了一份出行攻略，点击https://t.cn/A6JzRLOQ立刻能get！上面的母婴好物通通5折抢！轻松搞定出行烦恼#轻松育儿 玩出年味#
痞子娃，你好！
这里是吴军的《硅谷来信》第3季。之前的第226封信中，我分享了一个现实案例，说的是美国库帕蒂诺学区委员会对一个骚扰威胁中学女生的男生进行处罚的例子。有同学问，这样的处罚是不是太重了，对孩子处罚过重，是不是把孩子往坏人堆里推，反而让孩子学坏呢？
这封信我们就从这个问题出发，再谈一谈生活中如何以有逻辑的方式来思考。为了便于你理解，我们再简单介绍一下这个案例：
事件起因是，一个中学男生自称想要和一位女同学交朋友，为此不断骚扰甚至威胁这位女生，最后被学区勒令退学。我们把这件事简称为“实施处罚”。
有观点认为，对青少年施以这样的处罚，可能会导致这个男生以后开始和不好的人交往，以至于变得更坏。我们把这个结果也简称为“从此学坏”。
那么，我们要思考的问题就是，“实施处罚”和“从此学坏”之间到底有没有因果关系，或者退一步讲，有没有相关性？
如何分析因果关系？
我们先来把后续所有的可能情况都列举一下，分析一下是否存在因果关系。
第一种情况，对孩子“实施处罚”，之后所有被处罚的孩子都“从此学坏”。如果是这样，我们就可以说“实施处罚”和“从此学坏”有因果关系，这时我们可能就要考虑放弃“实施处罚”。注意，这里所说的是考虑，不是就必须放弃，因为还有其他的因素，这一点我们后面具体讲。
再看第二种情况，对孩子“实施处罚”后，一部分人“从此学坏”了，也有一部分人从此不再犯这样的错误了。这时就不能说明“实施处罚”和“从此学坏”有因果关系。
第三种情况，孩子犯错之后，对孩子“不实施处罚”，结果所有人都继续犯错，“从此学坏”了。这种情况说明“不实施处罚”和“从此学坏”存在因果关系。
第四种情况，孩子犯错之后，对孩子“不实施处罚”，结果一部分人“从此学坏”，但还有一部分人，虽然没有受到处罚，也从此改正了错误，以后不再犯了。这时，就说明“不实施处罚”和“从此学坏”也没有因果关系。
这四种情况可以覆盖所有的案例。我们和现实对照一下就会发现，第一种情况和第三种情况都非常绝对，在现实生活中不大可能发生。换句话说，不存在“实施处罚”，孩子就必然“从此学坏”的情况；也不存在“不实施处罚”，孩子就必然“从此学坏”的情况。
所以，我们其实不能用一个人是否可能“从此学坏”，作为是否对他“实施处罚”的根据，因为无论是实施处罚还是不实施处罚，他之后都有可能学坏，也有可能不学坏。也就是说，无论是实施处罚还是不实施处罚，都不构成这个人学坏或者不学坏的原因。因此，如果我们以“孩子是否会学坏”来衡量“应不应该给孩子处罚”，就犯了诉诸不当理由的逻辑谬误。
我们决定是否应该对一个人实施处罚，要看的是他是否触犯了相应的规则。如果学区规定清楚了，骚扰、威胁同学就会被开除，那么骚扰、威胁了同学的学生就应该被开除，否则学区纪律就形同虚设了。如果以“这个学生被开除了很可怜”来辩护，就犯了片面辩护的逻辑谬误。
如何分析相关性？
接下来我们再说一说相关性。确认了“实施处罚”和“从此学坏”没有因果关系，但如果确实有学生被处罚之后从此变坏了，能否说明二者有相关性呢？
对于相关性的判断就涉及到概率问题了，必须要做一些概率的计算。判断方法大致如下。
首先，我们需要计算出三个概率。
1. 学生犯错之后实施处罚的概率，我们把这个概率记为Pa。假如有1000个学生犯了错误，其中500个接受了处罚，那么实施处罚的概率Pa就是500/1000，等于0.5。
2. 犯错的学生之后学坏了的概率，注意，这里指的是犯错的学生，不论是否接受过处罚，最终学坏的概率，我们用Pb来表示。还是假设有1000个学生犯了错误，其中有300人最终“学坏”了，比如成为了不良少年或者触犯了法律，此时Pb就是300/1000，等于0.3。
3. 第三个要计算的概率，是犯错的学生被“实施处罚”并且“从此学坏”的概率。这涉及到两个随机因素，我们称之为联合概率。要计算这个联合概率，就要用被“实施处罚”并且“从此学坏”的学生人数，除以犯过错误的总人数，我们把这个概率用Pab表示。继续假设有1000个学生犯了同样的错误，其中有150个人既受到了惩罚，后来还变坏了，那么Pab就是150/1000，等于0.15。
那么，现在我们能否因为1000个学生中有150个被“实施处罚”的学生“从此学坏”了，就得出结论说，这两件事情有相关性呢？答案是不能。
因为在Pa=0.5，Pb=0.3的情况下，即使二者毫无相关性，是彼此独立的事件，在随机作用下，Pab就会达到0.15。因为我们计算两个独立事件同时发生的概率，方法就是用第一件事的概率乘以第二件事的概率，在这里就是Pa×Pb=0.5×0.3=0.15。换句话说，如果Pab=0.15，恰恰说明“实施处罚”和“从此学坏”两件事是彼此独立的，没有相关性。
我们再分析一下另外几种情况。
第一种情况，Pab＞0.15，也就是说，有超过150个“从此学坏”的学生来自被“实施处罚”的那500人，或者说，这两件事的联合概率Pab大于两个独立事件的联合概率Pa×Pb，那么这时我们可以认为这两件事存在正相关性。
并且，如果Pab达到它的最大值0.3，就意味着300个“从此学坏”的学生全都来自被“实施处罚”的500人当中，这时我们可以说“实施处罚”和“从此学坏”有着高度的正相关性。Pab越接近0.3，正相关性越强，越接近0.15，正相关性就越弱，如果是在误差允许的范围内，也基本上等于没有相关性。
另外，提醒一点，即使Pab=0.3，由于依然存在200个被“实施处罚”的学生没有“从此学坏”，因果关系依然是不成立的。
第二种情况，Pab＜0.15，也就是说只有不到150个“从此学坏”的学生来自被“实施处罚”的人当中，这时Pab＜Pa×Pb，这就说明这两件事是负相关的。这时Pab越接近0，负相关性越强。
第三种情况，Pab=0，没有任何一个“从此学坏”的学生是那些被“实施处罚”的学生，这说明这两件事是互斥的，也就是一件事发生，另一件事必然不会发生。
从以上的分析我们就可以明白，并不能因为有一些被“实施处罚”的人“从此学坏”了，就认为两件事有相关性，更不能认为它们之间有因果关系。这正是很多人会经常陷入的误区。
在现实生活中，最难的部分可能还不是分析，而是得到准确的统计数据，这正是社会学研究者们要做的工作。通过收集和分析数据，研究者就可以分析某项政策带来的长期结果。
通常，如果一项政策实施了很多年，好处大于坏处，就会继续实施下去，好处小于坏处的，就会慢慢被淘汰。因此，各种政策，但凡能够长期实施，通常都不会太坏。黑格尔那句“凡是现实的都是合乎理性的”，大致就是这个意思。而对于新政策，我们就需要更加注意观察它们带来的结果。
到底怎么做事才是讲究逻辑？
理解了上面的思考过程，我们回到逻辑这个话题。到底什么叫做有逻辑，或者说怎么做事才是讲究逻辑？
其实，讲究逻辑并不是到处去寻找各种因果关系，把没有因果关系的两件事强行联系到一起，而是真正使用逻辑方法的工具做出客观准确的判断：识别出假的因果关系，找到事物之间真正的联系，从而找到事物真正的原因和可能的结果。同样的道理，看到一些同时发生的事情就觉得其中有相关性，这也不是讲逻辑；真正讲究逻辑，是要能够对巧合给出合理的解释。
此外，在讲究逻辑的基础上，还要注意不能陷入片面的思维。比如，在学区是否应该处罚学生这个问题上，不仅要看某种做法是否对“犯错学生”的成长有利，还要看对其他学生的成长有何利弊。
比如，如果有人作弊而学校不处理，以后就会作弊成风，这时，即使严惩作弊者会影响作弊者个人的前途和发展，为了整个学校的风气，为了几十几百个其它学生的成长，学校也应该严肃处理。
再比如这封信开头讲的例子里，在决定是否对犯错的学生实施处罚时，比起考虑对犯错学生的影响，更应该考虑的是对于受害学生的影响。如果不对犯错的学生实施处罚，受害者的人身安全、心理健康、个人名誉都会确定无疑地受到伤害，那么对犯错的学生“实施处罚”就是应当的。
事实上，这正是学区和学校制定规则的初衷之一：保护每一个人、特别是那些容易受到伤害的人的安全和权益。如果有规矩不执行，那比没有规矩更糟糕。
今天在美国的职场，对于性骚扰这类事情，一旦有证据，处罚得都非常重。性骚扰的范围也不仅限于发生性关系或者动手动脚，语言上甚至眼神上的挑逗，都可能被认定为性骚扰行为。当这种事情被受到骚扰的一方捅出来、告上去之后，通常都是职级低的一方获胜。
这种带有倾向性的处理方式是有道理的，因为如果没有这种倾向性，职级高的、强势的一方，就会利用自己的优势为自己谋利。学校里面严禁师生恋，也是同样的道理。当然你可能会问，如果有下属碰瓷怎么办？答案是，如果职级高的一方没有很有利的证据，就只能自认倒霉，这也会让强势的一方更加谨慎。比如老板在和异性下属一对一谈工作时，一定会把办公室的门敞开，就怕万一有事说不清。
最后再补充一点，学校对那些骚扰其他同学的人严厉处罚很多时候还有一个原因，就是要避免自己陷入官司。作为被骚扰的受害者，如果他觉得自己的权益没有得到维护，正义没有得到声张，他有可能把学校告上法庭。因此绝大部分情况下学校会严肃处理犯错误的学生，让受害者满意，按照符合校规校纪的方式来做事，其他人也无话可说。
小结
总结一下，这封信我们用“学校处罚犯错误的学生”这个例子，讲解了一下我们应该如何用概率和逻辑工具来分析事情。如果你也有类似的例子，或者对这封信的分析有什么自己的理解，不妨在评论区分享出来。
这里是吴军的《硅谷来信》第3季。之前的第226封信中，我分享了一个现实案例，说的是美国库帕蒂诺学区委员会对一个骚扰威胁中学女生的男生进行处罚的例子。有同学问，这样的处罚是不是太重了，对孩子处罚过重，是不是把孩子往坏人堆里推，反而让孩子学坏呢？
这封信我们就从这个问题出发，再谈一谈生活中如何以有逻辑的方式来思考。为了便于你理解，我们再简单介绍一下这个案例：
事件起因是，一个中学男生自称想要和一位女同学交朋友，为此不断骚扰甚至威胁这位女生，最后被学区勒令退学。我们把这件事简称为“实施处罚”。
有观点认为，对青少年施以这样的处罚，可能会导致这个男生以后开始和不好的人交往，以至于变得更坏。我们把这个结果也简称为“从此学坏”。
那么，我们要思考的问题就是，“实施处罚”和“从此学坏”之间到底有没有因果关系，或者退一步讲，有没有相关性？
如何分析因果关系？
我们先来把后续所有的可能情况都列举一下，分析一下是否存在因果关系。
第一种情况，对孩子“实施处罚”，之后所有被处罚的孩子都“从此学坏”。如果是这样，我们就可以说“实施处罚”和“从此学坏”有因果关系，这时我们可能就要考虑放弃“实施处罚”。注意，这里所说的是考虑，不是就必须放弃，因为还有其他的因素，这一点我们后面具体讲。
再看第二种情况，对孩子“实施处罚”后，一部分人“从此学坏”了，也有一部分人从此不再犯这样的错误了。这时就不能说明“实施处罚”和“从此学坏”有因果关系。
第三种情况，孩子犯错之后，对孩子“不实施处罚”，结果所有人都继续犯错，“从此学坏”了。这种情况说明“不实施处罚”和“从此学坏”存在因果关系。
第四种情况，孩子犯错之后，对孩子“不实施处罚”，结果一部分人“从此学坏”，但还有一部分人，虽然没有受到处罚，也从此改正了错误，以后不再犯了。这时，就说明“不实施处罚”和“从此学坏”也没有因果关系。
这四种情况可以覆盖所有的案例。我们和现实对照一下就会发现，第一种情况和第三种情况都非常绝对，在现实生活中不大可能发生。换句话说，不存在“实施处罚”，孩子就必然“从此学坏”的情况；也不存在“不实施处罚”，孩子就必然“从此学坏”的情况。
所以，我们其实不能用一个人是否可能“从此学坏”，作为是否对他“实施处罚”的根据，因为无论是实施处罚还是不实施处罚，他之后都有可能学坏，也有可能不学坏。也就是说，无论是实施处罚还是不实施处罚，都不构成这个人学坏或者不学坏的原因。因此，如果我们以“孩子是否会学坏”来衡量“应不应该给孩子处罚”，就犯了诉诸不当理由的逻辑谬误。
我们决定是否应该对一个人实施处罚，要看的是他是否触犯了相应的规则。如果学区规定清楚了，骚扰、威胁同学就会被开除，那么骚扰、威胁了同学的学生就应该被开除，否则学区纪律就形同虚设了。如果以“这个学生被开除了很可怜”来辩护，就犯了片面辩护的逻辑谬误。
如何分析相关性？
接下来我们再说一说相关性。确认了“实施处罚”和“从此学坏”没有因果关系，但如果确实有学生被处罚之后从此变坏了，能否说明二者有相关性呢？
对于相关性的判断就涉及到概率问题了，必须要做一些概率的计算。判断方法大致如下。
首先，我们需要计算出三个概率。
1. 学生犯错之后实施处罚的概率，我们把这个概率记为Pa。假如有1000个学生犯了错误，其中500个接受了处罚，那么实施处罚的概率Pa就是500/1000，等于0.5。
2. 犯错的学生之后学坏了的概率，注意，这里指的是犯错的学生，不论是否接受过处罚，最终学坏的概率，我们用Pb来表示。还是假设有1000个学生犯了错误，其中有300人最终“学坏”了，比如成为了不良少年或者触犯了法律，此时Pb就是300/1000，等于0.3。
3. 第三个要计算的概率，是犯错的学生被“实施处罚”并且“从此学坏”的概率。这涉及到两个随机因素，我们称之为联合概率。要计算这个联合概率，就要用被“实施处罚”并且“从此学坏”的学生人数，除以犯过错误的总人数，我们把这个概率用Pab表示。继续假设有1000个学生犯了同样的错误，其中有150个人既受到了惩罚，后来还变坏了，那么Pab就是150/1000，等于0.15。
那么，现在我们能否因为1000个学生中有150个被“实施处罚”的学生“从此学坏”了，就得出结论说，这两件事情有相关性呢？答案是不能。
因为在Pa=0.5，Pb=0.3的情况下，即使二者毫无相关性，是彼此独立的事件，在随机作用下，Pab就会达到0.15。因为我们计算两个独立事件同时发生的概率，方法就是用第一件事的概率乘以第二件事的概率，在这里就是Pa×Pb=0.5×0.3=0.15。换句话说，如果Pab=0.15，恰恰说明“实施处罚”和“从此学坏”两件事是彼此独立的，没有相关性。
我们再分析一下另外几种情况。
第一种情况，Pab＞0.15，也就是说，有超过150个“从此学坏”的学生来自被“实施处罚”的那500人，或者说，这两件事的联合概率Pab大于两个独立事件的联合概率Pa×Pb，那么这时我们可以认为这两件事存在正相关性。
并且，如果Pab达到它的最大值0.3，就意味着300个“从此学坏”的学生全都来自被“实施处罚”的500人当中，这时我们可以说“实施处罚”和“从此学坏”有着高度的正相关性。Pab越接近0.3，正相关性越强，越接近0.15，正相关性就越弱，如果是在误差允许的范围内，也基本上等于没有相关性。
另外，提醒一点，即使Pab=0.3，由于依然存在200个被“实施处罚”的学生没有“从此学坏”，因果关系依然是不成立的。
第二种情况，Pab＜0.15，也就是说只有不到150个“从此学坏”的学生来自被“实施处罚”的人当中，这时Pab＜Pa×Pb，这就说明这两件事是负相关的。这时Pab越接近0，负相关性越强。
第三种情况，Pab=0，没有任何一个“从此学坏”的学生是那些被“实施处罚”的学生，这说明这两件事是互斥的，也就是一件事发生，另一件事必然不会发生。
从以上的分析我们就可以明白，并不能因为有一些被“实施处罚”的人“从此学坏”了，就认为两件事有相关性，更不能认为它们之间有因果关系。这正是很多人会经常陷入的误区。
在现实生活中，最难的部分可能还不是分析，而是得到准确的统计数据，这正是社会学研究者们要做的工作。通过收集和分析数据，研究者就可以分析某项政策带来的长期结果。
通常，如果一项政策实施了很多年，好处大于坏处，就会继续实施下去，好处小于坏处的，就会慢慢被淘汰。因此，各种政策，但凡能够长期实施，通常都不会太坏。黑格尔那句“凡是现实的都是合乎理性的”，大致就是这个意思。而对于新政策，我们就需要更加注意观察它们带来的结果。
到底怎么做事才是讲究逻辑？
理解了上面的思考过程，我们回到逻辑这个话题。到底什么叫做有逻辑，或者说怎么做事才是讲究逻辑？
其实，讲究逻辑并不是到处去寻找各种因果关系，把没有因果关系的两件事强行联系到一起，而是真正使用逻辑方法的工具做出客观准确的判断：识别出假的因果关系，找到事物之间真正的联系，从而找到事物真正的原因和可能的结果。同样的道理，看到一些同时发生的事情就觉得其中有相关性，这也不是讲逻辑；真正讲究逻辑，是要能够对巧合给出合理的解释。
此外，在讲究逻辑的基础上，还要注意不能陷入片面的思维。比如，在学区是否应该处罚学生这个问题上，不仅要看某种做法是否对“犯错学生”的成长有利，还要看对其他学生的成长有何利弊。
比如，如果有人作弊而学校不处理，以后就会作弊成风，这时，即使严惩作弊者会影响作弊者个人的前途和发展，为了整个学校的风气，为了几十几百个其它学生的成长，学校也应该严肃处理。
再比如这封信开头讲的例子里，在决定是否对犯错的学生实施处罚时，比起考虑对犯错学生的影响，更应该考虑的是对于受害学生的影响。如果不对犯错的学生实施处罚，受害者的人身安全、心理健康、个人名誉都会确定无疑地受到伤害，那么对犯错的学生“实施处罚”就是应当的。
事实上，这正是学区和学校制定规则的初衷之一：保护每一个人、特别是那些容易受到伤害的人的安全和权益。如果有规矩不执行，那比没有规矩更糟糕。
今天在美国的职场，对于性骚扰这类事情，一旦有证据，处罚得都非常重。性骚扰的范围也不仅限于发生性关系或者动手动脚，语言上甚至眼神上的挑逗，都可能被认定为性骚扰行为。当这种事情被受到骚扰的一方捅出来、告上去之后，通常都是职级低的一方获胜。
这种带有倾向性的处理方式是有道理的，因为如果没有这种倾向性，职级高的、强势的一方，就会利用自己的优势为自己谋利。学校里面严禁师生恋，也是同样的道理。当然你可能会问，如果有下属碰瓷怎么办？答案是，如果职级高的一方没有很有利的证据，就只能自认倒霉，这也会让强势的一方更加谨慎。比如老板在和异性下属一对一谈工作时，一定会把办公室的门敞开，就怕万一有事说不清。
最后再补充一点，学校对那些骚扰其他同学的人严厉处罚很多时候还有一个原因，就是要避免自己陷入官司。作为被骚扰的受害者，如果他觉得自己的权益没有得到维护，正义没有得到声张，他有可能把学校告上法庭。因此绝大部分情况下学校会严肃处理犯错误的学生，让受害者满意，按照符合校规校纪的方式来做事，其他人也无话可说。
小结
总结一下，这封信我们用“学校处罚犯错误的学生”这个例子，讲解了一下我们应该如何用概率和逻辑工具来分析事情。如果你也有类似的例子，或者对这封信的分析有什么自己的理解，不妨在评论区分享出来。
✋热门推荐