决策分析的三种方式

这三种分析信息的方式，能帮你理解不同类型的陈述。描述性陈述告诉你实际存在或发生的事，比如“人们早上醒来往往第一件事就是看手机”。规范性陈述表达对理想状态的价值判断，比如“我们应该少花些时间使用电子设备”；处方性陈述则给出具体的行动指引，比如“吃晚饭时关掉手机”。 请注意：分清你听到或说出的是哪类陈述，能帮你了解自己正在运用哪种推理方式。

这三种分析方式能帮你区分事实、价值观和建议。描述性思考关注观察现实、解释规律，不作价值判断。它通过记录实际的行为、结果或关系，回答“实际是什么样”的问题。规范性思考关注价值观、伦理和理想，根据原则、标准或目标，回答“应该是什么样”的问题。它为判断一件事是否好、是否正确或是否值得追求提供标准。

处方性思考以这两者为基础，提出具体行动建议，回答“我们应该怎么做”的问题。它把价值观与行动联系起来，给出明确的指引。比如，一位医生可能观察到，经常锻炼的患者恢复得更快（描述性）；认为身体健康很重要（规范性）；然后向一位患者推荐具体的锻炼项目（处方性）。

在企业中，一位经理可能注意到，远程办公的员工报告的满意度更高（描述性）；同时重视灵活性与协作（规范性）；然后制定一份结合远程办公与到岗办公的工作安排（处方性）。这个框架能帮你避免混淆观察和建议，让推理更清晰、更有效。

规范性陈述与描述性陈述的区分有深厚的哲学根源，尤其体现在大卫·休谟以及后来的科学哲学家所阐述的事实与价值之分中。从经济学、伦理学到人工智能，这一区分都是各学科清晰思考的基础。

在经济学中，规范性与描述性的区分，将实证经济学（描述经济如何运行）与福利经济学（对经济应该如何运行作出价值判断）区分开来 [1]。在伦理学中，休谟提出的“是与应当”问题表明：如果没有连接两者的前提，就无法从描述“事实如何”的陈述中，在逻辑上推导出关于“应当如何”的规范性陈述 [2]。

人工智能研究者用这些区别对系统进行分类：描述性人工智能预测结果，规范性人工智能评估选项，处方性人工智能推荐行动 [3]。

休谟（1739）：论证了如果没有额外的规范性前提，就无法仅凭关于世界的事实，在逻辑上确定道德价值 [1]。

西蒙（1997）：说明了决策既需要描述人们实际如何选择的描述性模型，也需要说明人们应该如何选择的规范性模型 [2]。

罗素与诺维格（2020）：解释了人工智能系统如何区分感知（描述性）、评估（规范性）和行动（处方性）能力 [3]。

在实际应用中，这三种方式的界限可能会变得模糊。看似描述性的陈述，往往会通过措辞或表述角度，带入隐藏的规范性假设。处方性建议有时会伪装成描述性观察，让自己显得更客观。此外，人们经常在无意识中切换这些思考方式，导致沟通中的混淆。文化差异会影响人们将什么视为事实、将什么视为价值判断。在有争议的话题上，不同的人对哪些陈述属于描述性、哪些属于规范性，也可能有很大的分歧。