競爭假設分析(ACH)
ACH 是 CTI 最重要的結構化分析技術。它強迫你針對所有顯著的證據,評估所有合理的假設,從而減少認知偏差(尤其是確認偏誤)的影響。
何時使用 ACH
- 歸因問題:「這場行動的背後是誰?」
- 模糊情況:存在多種合理的解釋。
- 高風險評估:判斷錯誤會帶來重大後果。
- 爭議性分析:分析師對結論意見分歧。
逐步操作程序
步驟 1:生成假設
列出所有合理的假設。包含不太可能的假設——關鍵在於避免過早縮小範圍。
規則:
- 最少 3 個假設(如果你只有 2 個,那就是二元思維)。
- 至少包含一個與你最初直覺相悖的假設。
- 假設之間應盡可能互斥。
- 在適當情況下,將「未知行動者」或「巧合」也列為假設。
步驟 2:列出顯著證據
列舉所有與假設相關的證據與論點。
對於每項證據,記錄:
- 證據描述。
- 來源(附帶海軍上將量表評級)。
- 是直接證據、間接證據,還是證據缺失。
步驟 3:建立一致性矩陣
將每個儲存格標記為:
- C(一致)——證據支持該假設。
- I(不一致)——證據與該假設矛盾。
- NA(不適用)——證據與該假設無關。
矩陣範本
| 證據 | 來源評級 | H1: [名稱] | H2: [名稱] | H3: [名稱] | H4: [名稱] |
|----------|:---:|:---:|:---:|:---:|:---:|
| E1: [描述] | B2 | C | I | C | NA |
| E2: [描述] | A1 | C | C | I | C |
| E3: [描述] | C3 | I | C | C | NA |
| E4: [描述] | B2 | C | I | I | C |
| E5: [描述] | D4 | C | C | C | I |
| **不一致次數** | | **1** | **2** | **2** | **1** |
步驟 4:分析矩陣
關鍵原則:專注於反駁假設,而非證明它們。
確認偏誤讓我們傾向尋找能證實我們偏好假設的證據。ACH 透過聚焦不一致之處來扭轉此一傾向。
- 計算每個假設的不一致次數。
- 根據證據品質對不一致進行加權(A1 級別的矛盾比 D4 更重要)。
- 具有最少(且最弱)不一致性的假設可能性最高。
步驟 5:評估敏感性
針對每項證據提問:
- 如果這項證據是錯的,它是否會改變排名?
- 哪些證據是「關鍵證據」(移除它們會改變結論)?
- 是否有任何關鍵項目來自單一來源?
步驟 6:得出結論
- 說明最可能的假設及其信心水準。
- 解釋備選假設為何被拒絕(哪些證據與它們矛盾)。
- 找出最能區分各假設的關鍵證據。
- 註明關鍵證據及其可靠度。
- 標記結論是否對一兩項證據特別敏感。
步驟 7:撰寫報告
## ACH 分析:[問題]
### 評估的假設
1. H1:[描述]
2. H2:[描述]
3. H3:[描述]
### 一致性矩陣
[來自步驟 3 的矩陣]
### 評估結果
[最可能的假設,附帶信心水準與理由]
### 關鍵區別性證據
[最能區分各假設的證據]
### 敏感性分析
[哪些證據是關鍵?什麼會改變結論?]
### 被拒絕的假設
- H2 被拒絕,因為:[與之矛盾的具體證據]
- H3 被拒絕,因為:[與之矛盾的具體證據]
### 注意事項
[限制、情報缺口、假設]
常見錯誤
- 假設過少 — 2 個假設是二元思維,不是 ACH。
- 標記時的確認偏誤 — 對偏好的假設過於寬鬆地標記為「C」。
- 忽略證據缺失 — 「沒叫的狗」可能意義重大。
- 加權不當 — A1 級別的不一致應比 D4 級別更重要。
- 太早停止 — ACH 在有新證據出現時重新審視矩陣效果最佳。
- 將其視為投票 — ACH 關注的是不一致性,而非一致性次數。