一、双系统思考模型的核心框架
丹尼尔·卡尼曼（Daniel Kahneman）提出的双系统思考模型，将人类决策过程划分为两套并行的处理机制：一套为依赖直觉、启发式判断的快处理路径，一套为依赖逻辑计算、理性推演的慢处理路径。快处理路径可降低决策的认知成本，也会使决策结果出现系统性、可预测的偏离（Kahneman, 2011）。
二、二分类决策阈值的运营场景
在企业运营管理中，二分类预测模型广泛应用于设备故障预警、客户投诉预判、交易风险识别等场景。模型输出的事件发生概率，需通过决策阈值完成向二元分类结果的转换。阈值设置的核心目标，是最小化两类错误带来的总期望成本：一类为误报（false positive），即对未发生的事件做出正向判断，产生不必要的处置成本；一类为漏判（false negative），即对已发生的事件做出负向判断，产生事件实际发生带来的损失。
三、阈值设置决策的实验验证与偏差规律
相关研究通过受控激励式实验室实验，验证了阈值设置中的决策行为规律。实验向参与者充分提供计算最优阈值所需的全部信息，包括正负类样本分布、单例错误成本、模型预测性能等，参与者的收益与决策带来的总成本直接挂钩（Moder et al., 2026）。
实验数据显示，84.3%的决策结果偏离成本最优阈值，偏离带来的平均额外误分类成本为52.7%。决策偏差呈现固定规律，参与者选择的阈值普遍向0.5的中间值靠拢，当最优阈值处于0-1区间的两端时，偏离幅度会出现提升。
实验结果显示，决策偏差的核心来源，是参与者对快处理路径的依赖，具体对应丹尼尔·卡尼曼（Daniel Kahneman）提出的锚定效应（anchoring effect），以及另一类核心决策效应——冲动平衡均衡偏好（impulse balance equilibrium）。两类效应具体体现为固定的决策倾向：第一类为锚定效应的直接体现，参与者会默认将0.5的中间值作为决策初始锚点，再向最优值方向调整，调整幅度普遍不足；第二类为冲动平衡均衡偏好，参与者会倾向于选择让误报与漏判的期望总成本相等的阈值，而非让两类成本加总最小的阈值。
四、双系统模型在产业场景中的落地延伸
双系统思考模型的核心价值，在于对人类决策偏差的可预测性。现有研究多聚焦于实验室环境下的偏差验证，而该实验完成了对特定产业场景的偏差量化，同时验证了在信息充分透明、激励充分匹配的环境下，快处理路径带来的决策偏差依然存在。
针对已验证的决策偏差，研究提出两类可落地的处置方式。第一类为决策信息呈现优化，将不同阈值对应的总成本变化曲线，以固定可视化形式呈现于决策界面，降低慢处理路径的认知成本；第二类为决策参数适配调整，基于已验证的偏差规律，对向决策者呈现的成本参数进行适配性调整，使参与者基于直觉做出的决策，更接近真实成本下的最优阈值。
五、总结
双系统思考模型为产业场景中的人工决策优化提供了底层分析框架。对决策偏差的量化验证与规律总结，可帮助企业在AI模型落地过程中，规避人工决策带来的额外成本，提升模型应用的实际效果。
参考文献
Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
Moder, P., Hoberg, K., & Papier, F. (2026). Decision Threshold Setting in Binary Classification Problems—A Behavioral Lens. Journal of Operations Management. https://doi.org/10.1002/joom.70040