偏见与刻板印象：头脑里的捷径，制度里的回声

刻板印象不是"坏人"才有的东西，它是范畴化（categorization）这个正常认知功能的副产品。大脑必须把无限的个体压成有限的类别才能高效运转——代价是，类别会自动带上情感与预期，并在你意识不到的层面影响判断。

Gordon Allport 在《偏见的本质》(1954) 就指出：范畴化是思维不可避免的工具，偏见是它的"过度泛化"。现代证据显示偏见有双系统：外显态度（你能报告、也能控制）与内隐联想（自动激活）。神经层面，杏仁核对陌生外群面孔有快速威胁反应，前额叶（mPFC）负责事后调控——这解释了为什么"我不歧视"的真诚信念，能与一个自动闪过的联想并存。Susan Fiske 的刻板印象内容模型进一步发现：我们沿"温暖"与"能力"两轴给群体定位，由此生出怜悯、羡慕、轻蔑等不同偏见。

不同群体的人接触能减少偏见——这是社会心理学最稳健的发现之一。但接触不是万灵药：把人塞进同一空间若伴随竞争或地位不平等，偏见可能加剧而非缓解。质量比数量重要。

Allport 提出接触的四个促进条件：平等地位、共同目标、群体间合作、制度支持。Pettigrew 与 Tropp (2006) 对 515 项研究、25 万人的元分析证实：接触平均显著降低偏见，且即使四条件未全满足，效果依然存在（只是更弱）。机制有三：减少群际焦虑、增加共情换位、提供反刻板的新知识。更妙的是"延伸接触"——光是知道自己人里有人与外群是朋友，就能降低偏见，让干预可规模化。

偏见的危害最大处，往往不在某个人的恶意，而在制度、流程与算法里。一个系统可以没有任何一个种族主义者，却稳定地产出系统性的不平等——因为偏见已被编码进"看似中立"的规则。

三条路径：(1) 历史不平等的累积——过去的差距成为今天"中立规则"的起点；(2) 中立规则放大既有差距，如"按现有人脉推荐"会复制原有的同质性；(3) 算法继承数据偏见——模型从历史数据学习，若历史含歧视，模型会自动化并放大它。经典证据：Bertrand & Mullainathan (2004) 把相同简历配上不同族裔暗示的姓名投出，"白人姓名"获得回电的概率显著更高——同一份能力，不同的门。对 AI 从业者尤其切身：模型不会因为你"没有恶意"就公平。

偏见研究里有几块"明星砖头"，在更严格的复制检验下松动了。诚实的态度不是站队，而是分清两件事：偏见与歧视的现象是否真实（很真实），与某个特定的测量工具或干预手段是否有效（证据强弱不一）。

三处需要降温：(1) IAT（内隐联想测验）——重测信度偏低（约 0.5），单次得分对个体实际行为的预测力很弱（Oswald 等 2013 元分析）；(2) 内隐偏见培训——Forscher 等 (2019) 元分析发现，能改变 IAT 分数的干预，几乎不改变实际行为，且效果短暂；(3) 刻板印象威胁（Steele & Aronson 1995 的经典效应）——在大样本预注册研究里效应明显缩水。但要划清界线：歧视的田野证据（如简历审计）相当稳健——动摇的是某些室内测量与培训，不是歧视本身。