科學的能與不能4

科學的能與不能：科學的方法、侷限與迷思，兼論人文的價值

https://www.books.com.tw/products/0011044404?srsltid=AfmBOoo5pVlnyy8rDWNzqMBGzC94Aj0ux764St9CfWnjzy68NvhZw1bJ 

科學的能與不能3

科學的能與不能：科學的方法、侷限與迷思，兼論人文的價值

https://www.books.com.tw/products/0011044404?srsltid=AfmBOoo5pVlnyy8rDWNzqMBGzC94Aj0ux764St9CfWnjzy68NvhZw1bJ 

第二部　人體與人群的科學

相關性≠因果關係

9　臨床醫學：半是藝術，半是科學

威廉‧奧斯勒（William Osler）被尊為現代臨床醫學之父，他有兩句名言至今仍被醫學界廣泛傳述：「醫學是不確定性的科學，也是或然率的藝術。」「醫學的實踐是種藝術，它的基礎是科學。」

醫學界對人體與藥物的認識依舊不足，診斷所能仰賴的工具和所獲得的資訊又不夠精確、充足，而病人對療程的反應又有可觀的個人性差異和不可預測性，以至於臨床診斷的常態是處於高度的不確定性中。面對這些事實，醫師和病人都要能耐心地持續忍受不確定性，才有機會在反覆調整的診斷與治療過程中逐漸降低不確定性，從而持續提升診斷與治療的可靠性。

醫學是以生物學、生理學、藥理學等嚴格的自然科學為本，然而影響人體的因素繁多且機制複雜，而完整的證據蒐集又困難，因而在重大的醫療問題上不同的研究者所獲得的證據和結論不時相左，而導致專家的意見壁壘分明且爭議極端激烈。再加上不同個體對相同療程的反應不盡相同，甚至差異懸殊，以至於臨床的判斷更含著相當高的不確定性。

科學的能與不能2

科學的能與不能：科學的方法、侷限與迷思，兼論人文的價值

https://www.books.com.tw/products/0011044404?srsltid=AfmBOoo5pVlnyy8rDWNzqMBGzC94Aj0ux764St9CfWnjzy68NvhZw1bJ 

5　彗星的預測與太空梭的爆炸：科學的能與不能

科學始於精確而詳細的觀測，有了精確、詳盡而有系統的觀察紀錄後，接著要將紛雜繁複的紀錄轉化為簡潔且具普遍適用性的物理定律。這個過程考驗著科學家的智慧、洞見與數學分析能力。

此外還需要一點運氣。如果被研究的現象偏偏複雜到極其難以被簡化，不管有多精確、敏銳的儀器和多麼偉大、睿智的科學家，依然會無法找到現象背後的簡潔規則。

科學不是萬能：何時不能，因何不能？

「為什麼哥倫比亞號已經成功地執行過二十七次太空任務，卻還會在第二十八次升空時突然爆炸？」很多人都有這疑問。

科學的能與不能1

科學的能與不能：科學的方法、侷限與迷思，兼論人文的價值

https://www.books.com.tw/products/0011044404?srsltid=AfmBOoo5pVlnyy8rDWNzqMBGzC94Aj0ux764St9CfWnjzy68NvhZw1bJ 

序

1.幾個常見的迷思與謬見

同樣是實證科學，為什麼物理學的定律這麼難推翻，而被推翻時又這麼容易達成共識；醫學界的學說卻這麼容易被推翻，而建立共識又這麼困難？

物理學與醫學的前述差異有兩個主要成因。

1. 物理學的現象相對地單純而穩定（古典物理尤然），而醫學界的現象相對複雜而多變。
2. 物理學界平息爭議所需要的關鍵證據較容易完整齊備，且可以直接量測；而醫學界的證據通常很難齊全，且絕大部分是用間接量測的數據進行迂迴繁複的間接推敲，因而解讀時很容易有歧見。

也就是說，儘管物理學與當代醫學使用的實證科學方法大同小異，然而當這一套方法被用在不同的研究對象（領域）時，其結果就會有證據收集與解讀難易的明顯差距，因而影響其知識的可靠度，以及達成共識的難易程度。

譬如，經濟學家對股市與房市走勢的預測就不會像哈雷預測彗星軌跡那麼準；腦神經科學家用既有的知識去預測一對新婚夫妻的離婚機率，其結果也不必然會比占星術更準。

Safety I vs Safety II and Limitation of Resilience Engineering

是說流行HOP, Safety II與Resilience Engineering

言者頭頭是道，聽者點頭稱道(還是被搞糊塗暈頭轉向?) 

參考先前文章

https://eshmanager.blogspot.com/2026/03/learn-how-to-learn-via-ai.html

想說自己NotebookLM中剛好有一個相關的資料夾

問答與Brainstorming如下

「說明這個領域有哪些主要的人物大師、他們的主張與提出的理論為何? 」(Describe the main figures and masters in this field, their propositions, and the theories they proposed.)

在韌性工程（Resilience Engineering, RE）與組織韌性領域，有多位核心大師奠定了該學科的理論基礎，他們提出的理論反映了從傳統安全管理（Safety-I）向現代韌性思維（Safety-II）的轉型。以下是該領域的主要人物、主張及理論：

Alex Sidorenko

 Alex Sidorenko

學歷背景

• 畢業於澳洲的 蒙納士大學 (Monash University)(2002-2005)，並獲得了風險管理文憑(是該大學風險管理專業第一屆的學生)。他的老師曾參與編寫澳洲的風險管理標準 4360，該標準後來成為國際通用的 ISO 31000 標準的基礎。

職涯經歷

• 畢業後(2005)，他立即在德勤 (Deloitte) 的「企業風險服務」部門開始了風險諮詢生涯，並在那裡工作了五年。
• 當時的風險管理領域尚處於早期，他指出即使在相對先進的澳洲，德勤該部門的百餘名員工中，幾乎沒有真正的風險管理專業人士，多數是內部稽核師、詐欺調查員或採購專家等。
• 之後他移居俄羅斯，加入了 普華永道諮詢 (PWC Consulting)。
• 在普華永道，他協助編寫了該公司在全球使用的風險管理方法論。
• 他也曾應澳洲證券交易所 (Australian Stock Exchange) 的要求，協助為中小企業制定風險管理指南，以改善上市公司在風險管理揭露和有效性方面的表現。
•  離開顧問界後，他進入了「實體領域 (real sector)」，擔任企業的風險負責人 (Head of Risk) 職位。
• 他曾是俄羅斯最大的政府創新中心風險負責人。
• 隨後，他轉職至一個政府投資基金（旗下擁有約 95 家投資組合公司，涵蓋微電子、製藥、能源和高科技等多個領域。這段經歷讓他有機會深入了解如何將風險管理整合到日常的投資決策中，並意識到傳統風險管理（季度或年度評估）的不足之處。），該基金專注於奈米技術投資，規模約 30 億美元，他擔任該基金的風險負責人。
• 他曾擔任EuroChem（一家價值 100 億美元的全球化肥公司）和 RUSNANO（一家價值 30 億美元的私募股權基金）的首席風險長 (Chief Risk Officer, CRO)，成功推動量化風險分析、基於風險的決策制定和神經科學的應用。

他在風險管理領域擁有超過 16 年的經驗，並有超過 10 年的風險管理培訓經驗。他的專長包括風險管理整合、基於風險的投資決策、價值創造和資產管理。

他熱衷於推動量化風險管理，並將其視為風險管理的「唯一途徑」，強調其在決策支持和決策制定中的核心作用。他將傳統的、定性的風險管理稱為「占星學」，而量化風險管理則是「天文學」，因為後者基於機率論、決策科學和神經科學等嚴謹學科。

透過應用量化風險分析，他曾僅從保險方面，在一年內為公司節省了超過 1300 萬美元。即使在保險金額翻倍或三倍的情況下，仍能實現節省，因為他能準確計算出合理的保單價格並與市場溝通。他也成功地在財政部辯護了公司的風險概況，獲得了超過 10 億美元的額外資金。

獎項與榮譽：

• 2021 年被FERMA (歐洲風險管理協會聯盟) 評選為「歐洲年度風險經理」。
• 獲得 RIMS (美國風險與保險管理協會) 的「榮譽獎」，該獎項為表彰他在歐洲「突破性的風險管理實踐」而特別設立。
• 2014 年被 RUSRISK 評為「年度風險經理」及「最佳企業風險管理實施」。
• 在 2013、2014 和 2015 年，他的培訓被 RUSRISK 評為「最佳風險管理培訓」。
• 2012 年起，他創立並經營 RISK-ACADEMY 公司，提供風險管理整合服務、風險建模、培訓和審計。
• 他也是年度大型會議 「風險意識週 (Risk Awareness Week, RAW)」的創辦人，該會議每年吸引數千名參與者。他表示創辦此會議的部分原因是因其「爭議性」觀點（主張科學化風險管理）而被其他主流會議拒絕發言。RAW 的目標是提供基於科學和底層技術的風險管理知識，不追求熱門話題，而是專注於永恆的基礎科學和技術。
• 他出版了兩本關於風險管理的書籍，其中一本免費書籍《Why Risk Management is Broken and How to Fix It》是全球最受歡迎的免費風險管理書籍，已被下載超過 20 萬次，並有三種語言版本。

找不到他講的這本書，只有找到Douglas Hubbard 的這本Failure of Risk Management : Why It's Broken and How to Fix It  (但兩本書的觀點似乎相同)

https://eshmanager.blogspot.com/2023/12/blog-post_30.html#more 

Sam L. Savage

Sam L. Savage

https://www.gfoa.org/bio/savage 

薩維奇博士在耶魯大學獲得計算複雜性博士學位，之後在通用汽車研究實驗室開始了他的數學家生涯。

此後，他曾在芝加哥大學商學院任教，之後轉任史丹佛大學。他目前是土木與環境工程的兼任教授。機率管理學科源自於2005年在劍橋大學賈奇商學院與Stefan Scholtes教授和Daniel Zweidler（當時任職於殼牌公司）合作進行的研究工作。薩維奇博士一直擔任賈奇商學院院士，任期至2022年。

成立的非營利機構

https://www.probabilitymanagement.org/ 

Probability Management – A Cure for the Flaw of Averages

https://www.youtube.com/watch?v=O5cqEIxLck0 

探討了統計學中的一個核心問題：「平均值的謬誤 (The Flaw of Averages)」，並介紹了他提出的解決方案：「機率管理 (Probability Management)」。

「平均值的謬誤」

• Savage 博士將「平均值的謬誤」或「強形式的詹森不等式 (Jensen's inequality)」定義為：「基於平均假設的計畫，平均而言是錯誤的」。這意味著，當您將平均值輸入到一個非線性模型中時，得到的結果通常不是實際的平均輸出。
• 指出這個問題無處不在，解釋了為什麼「所有事情都延遲、超出預算且低於預期」。

範例：

• 網站開發專案：假設有 10 個團隊平行開發網站，每個團隊平均需要 6 週完成。如果您基於這個平均值估計專案總時程也是 6 週，那實際完成的機會只有約千分之一。這是因為專案的總時程取決於最慢的那個團隊。
• 喝醉酒的人在高速公路上遊蕩：他的平均位置是中線，但「平均而言，他已經死了」。這形象地說明了即使平均值看起來安全，實際結果卻可能非常危險。
• 聖誕平板電腦銷售：如果平均需求是 10 萬台，您預期訂購 10 萬台就能賺取 100 萬美元的平均利潤。但實際上，100 萬美元是最大利潤，而不是平均利潤，因為如果需求低於 10 萬台，利潤就會減少，但不會超過 100 萬美元。實際的平均利潤可能只有 60 萬美元。

解決方案：「機率管理」

• Savage 博士創立了 ProbabilityManagement.org，這是一個非營利組織，致力於為不確定性建立一套標準化的方法，就像阿拉伯數字之於數字一樣。
• 「不確定性的阿拉伯數字」—— Sips 與 Slurps：
• Sip (Stochastic Information Packet，隨機資訊封包)：它是「不確定性的阿拉伯數字」，本質上是一個蒙特卡洛試驗的向量（例如，一個包含 10,000 個試驗結果的數列）。Sip 解決了傳統蒙特卡洛模擬難以稽核的問題，因為它是「可稽核的數據形式的不確定性」。
• Slurp (Stochastic Library Unit with Relationships Preserved，關係保留的隨機函式庫單元)：當多個不確定變數之間存在相互關聯時（例如，石油價格與各探勘專案的關係），Slurp 能夠保留這些變數之間的關係，確保在模擬時這些關係得到正確的反映。
• 「邊緣分析 (Limbic Analytics)」：Savage 博士將其定義為連接「智力之座 (seat of your intellect)」與「直覺之座 (seat of your pants)」的方式。他認為，理解不確定性需要超越純粹的智力計算，融入直覺和感性理解。這體現在透過視覺化動畫和互動式模型，讓決策者直觀地理解不同情境的可能性。

Gerd Gigerenzer

Gerd Gigerenzer

https://en.wikipedia.org/wiki/Gerd_Gigerenzer 

德國心理學家，研究領域為有限理性和啟發式在決策中的應用

研究人類如何在有限的時間和知識條件下對世界進行推論。他認為，在不確定的世界中，機率論是不夠的；人們還會運用智慧啟發法，也就是經驗法則。他將理性決策概念化為適應性工具箱（個人或機構擁有的啟發法庫）以及為當前任務選擇合適啟發法的能力。啟發法稱為生態理性，取決於其與環境結構的適應程度。

吉格倫澤認為，啟發式方法並非非理性的，也並非總是次於最佳化，正如「準確性與投入權衡」觀點所假設的那樣。在「準確度與投入權衡」觀點中，啟發式方法被視為捷徑，用較少的努力換取較低的準確性。相反，他和相關研究人員的研究發現了「少即是多」的情況，即啟發式方法可以用較少的努力做出更準確的決策。這與傳統觀點相矛盾，傳統觀點認為，資訊越多越好，或至少在免費的情況下永遠不會有害。

Risk Savvy: How to Make Good Decisions

https://www.youtube.com/watch?v=KnRWVmWQG24 

摘錄：

區別風險與不確定性：

• 風險 (Risk)：指可以計算的情況，例如賭場或許多醫療情境，數據估計良好，可以使用機率理論或邏輯來計算最佳決策。
• 不確定性 (Uncertainty)：指無法計算風險的情況，因為不知道所有選項、所有後果或機率。這類情境需要不同的工具，例如直覺 (Intuition) 和啟發法 (Heuristics)。直覺是一種快速出現在意識中的判斷，通常基於經驗，但其潛在過程不完全為人所知。

Nassim N. Taleb

Nassim N. Taleb

https://en.wikipedia.org/wiki/Nassim_Nicholas_Taleb 

https://engineering.nyu.edu/faculty/nassim-nicholas-taleb 

https://nntaleb.medium.com/

1960 年 9 月 12 日出生於黎巴嫩阿米翁，父親是米涅瓦•戈恩，母親是納吉布•塔勒布，分別是腫瘤學家和人類學研究員。他的父母是希臘東正教徒，擁有法國國籍。是黎巴嫩裔美國人

在巴黎大學獲得了理學學士和碩士學位。(1982 ? )

1983年取得有賓夕法尼亞大學沃頓商學院的MBA學位，畢業後到金融業擔任交易員

1998年取得巴黎大學（第九大學）的管理學博士學位(1988年入學?)

1999 年創立了 Empirica Capital (在 2000 年市場低迷期間，Empirica 的 Empirica Kurtosis LLC 基金據報導獲得了 56.86% 的回報率。在2000 年納斯達克暴跌期間，塔勒布的投資策略持續取得巨大成功。隨後幾年市場波動性持續較低，報酬率也不那麼驚人，Empirica 於 2004 年倒閉)

首本非技術性著作《隨機致富的傻瓜》於 2001 年出版，講述了人們低估隨機性在生活中的作用

2002年左右開始試圖轉向學界

2006 年將他的職業重心轉向數學研究。

第二本非技術性書籍《黑天鵝》講述的是不可預測的事件，於 2007 年出版

2008 年起，他一直以風險工程傑出教授的身份在紐約大學坦登工程學院授課。

《反脆弱：從無序中獲益》於 2012 年 11 月出版

2014 年 9 月起擔任學術期刊《風險與決策分析》的共同主編

《Skin in the Game：日常生活中隱藏的不對稱》於 2018 年 2 月出版。

Todd Conklin & HOP

Todd Conklin

https://www.hophub.org/conklin-bio 

新墨西哥州大學組織行為學博士學位

洛斯阿拉莫斯國家實驗室擔任組織和安全文化高級顧問長達25年

HOP的倡導者

著作

• “Simple Revolutionary Acts: Ideas to Revitalize Yourself and Your Workplace.” 2004.
• “Pre-Accident Investigations: An Introduction to Organizational Safety.” 2012.
• “Pre-Accident Investigations: Better Questions – An Applied Approach to Operational Learning.” 2016.
• “Workplace Fatalities: Failure to Predict – A New Safety Discussion on Fatality and Serious Event Reduction.” 2017.
• "The 5 Principles of Human Performance:
• A contemporary update of the building blocks of Human Performance for the new view of safety." 2019
• "When The Worst Accident Happens: A field guide to creating a restorative response to workplace fatalities and catastrophic events." 2020

HOP的相關理念與原則

安全思想家- Sidney Dekker

Sidney Dekker是David Woods的學生，Erik Hollnagel 的老婆幫Dekker顧過小孩

Dekker跟提倡HOP的Todd Conklin兩人又是志同道合的麻吉

Dekker提倡的Safety Differently 與 Todd Conklin 提倡HOP 都可以算是Erik Hollnagel提出的Safety II觀念的實戰化與通俗應用

https://en.wikipedia.org/wiki/Sidney_Dekker

https://sidneydekker.com/ 

1969年出生荷蘭阿姆斯特丹附近，父親是政府官員，母親是荷蘭歸正教會的首批女牧師之一，他是家中的老二 

1991荷蘭奈梅亨大學工業與組織心理學碩士

1992荷蘭萊頓大學實驗心理學碩士

1996美國俄亥俄州立大學認知系統工程博士 師事David Woods的學生

1996-2004其間任職於Centre for Human Factor in Aviation, Linkoping Institute of Technology(林雪平技術學院) 

2004 瑞典林雪平大學正教授

2006 Lund University, School of Aviation

2008波音737 Sterling（後來的Cimber）航空公司副機長 (他演講戲稱是因為買不起機票所以去學開飛機，但個人認為他是因為研究與調查飛行事故+Just Culture的理念，覺得自己也需要學習飛行以設身處地、以飛行員的視角來看待事故可能因素)

2012 澳洲布里斯本格里菲斯大學人文、語言和社會科學學院的教授，創立安全科學創新實驗室

2019 澳洲布里斯本法律學院認證調解員

2023 澳洲NTS牧師(經國家培育訓練的諮商牧師)

於 2012 年提出的「安全差異化」 (Safety Differently) 理念代表了傳統安全管理的根本性轉變。該理念認為，安全並非指負面事件的不存在，而是指人員、團隊和流程中存在的積極能力，這些能力能夠使事情順利進行。它挑戰了傳統的安全思維：人不是需要控制的問題，而是需要利用的資源。組織可以做的不是阻止事情出錯，而是為員工的成功做好準備。

2014 年提出了「恢復性公正文化」 (Restorative Just Culture) 理念，並在英國利物浦的默西護理 NHS 基金會信託 (Mersey Care NHS Foundation Trust) 首次大規模實施。此方法將恢復性司法原則融入組織對事件和不良事件的回應中，識別事件的影響並滿足其產生的需求，並建立前瞻性的問責制，規定糾正錯誤、修復信任和重建關係的義務。

他的演講風趣、超具魅力

https://www.youtube.com/watch?v=DsOIgv_GxDk 

https://www.youtube.com/watch?v=9fwJ9xgvu3A

安全思想家- Nancy Leveson

Nancy Leveson

https://en.wikipedia.org/wiki/Nancy_Leveson 

加州大學洛杉磯分校獲得電腦科學、數學和管理學位，於1980年獲得博士學位

麻省理工學院航空航太學教授

美國國家工程院（NAE）院士

相關網址

http://sunnyday.mit.edu/

http://psas.scripts.mit.edu/home/ 

安全思想家- Erik Hollnagel

Erik Hollnagel

https://erikhollnagel.com/cv/

哥本哈根大學心理學碩士

奧胡斯大學（丹麥）心理學博士學位

 

Erik Hollnagel跟David Woods都是心理學博士，兩人在40+年前合作認知系統工程 (CSE)結識，合寫很多文章，是Resilience Engineering的開山宗師

 

經歷

瑞典林雪平大學 (LIU) 電腦與資訊科學系 (IDA) 名譽教授。(2021-)

延雪平大學（瑞典）病人安全高級教授（2017-2021）

中央昆士蘭大學（澳洲）兼任教授（2016-2019）。

南丹麥大學教授（2011 - 2017 年）。

南丹麥地區品質改善中心首席顧問（2011-2017 年）。

法國 MINES ParisTech（原巴黎高等礦業學院）教授兼工業安全主席（2006-2011 年）。

挪威特隆赫姆挪威科技大學（NTNU）工業經濟與技術管理系（IØT）客座教授（II 級教授）。

瑞典林雪平大學電腦與資訊科學係人機互動教授（1999-2006/2008）

瑞典林雪平大學機械工程系客座教授（1997-1999）

挪威哈爾登 OECD 哈爾登反應器計畫首席顧問 (1995-1999)

英國蘭開夏郡道爾頓 Human Reliability Associates Ltd. 技術總監 (1993-1995)

丹麥哥本哈根電腦資源國際公司資深研究員、部門經理，後任首席科學家 (1985-1993)

丹麥哥本哈根大學心理學實驗室副教授（1985-1986）

挪威哈爾登，經合組織哈爾登反應器計畫人機互動研究部負責人（1982-1985）

丹麥羅斯基勒里索國家實驗室電子系研究員（1978-1982）

丹麥奧胡斯大學心理學研究所副教授（1971-1978）

電腦程式設計師。 I/S Datacentralen 於 1959 年，丹麥哥本哈根。 (1962-1968)

 

Hollnagel的研究與提出的觀念

https://erikhollnagel.com/ideas/

安全思想家- David D. Woods

David Woods

https://en.wikipedia.org/wiki/David_Woods_(safety_researcher)

1974年卡尼修斯學院獲得心理學學士學位。

1977年，普渡大學獲得認知心理學碩士學位。

1979年，普渡大學獲得認知心理學博士學位，研究方向為人類感知與注意力。

1979 年至 1988 年，在西屋研究與發展中心擔任資深工程師，致力於改善發電廠控制室設備介面。

1979年三哩島事故發生後，Woods 和 Erik Hollnagel 提出了一種新的方法來思考監督控制領域的人機互動 (HCI)，即認知系統工程 (CSE)，該方法側重於人、技術產品和工作之間的互動。在這種方法中，一組互動的人類和軟體代理被視為一個聯合認知系統，其中整個系統本身被視為執行認知任務。提出用視覺動量來衡量一個人在執行任務的過程中導航到新螢幕並整合所見資訊的難易程度，在這樣的使用者介面中很容易迷失方向。有效的操作介面應該能夠幫助使用者確定下一步該看什麼，並且可以透過利用人類感知系統（例如模式識別）來改進虛擬資訊空間的導航，而人類感知系統已經針對此功能進行了優化。

 

自 1988 年起，他在俄亥俄州立大學整合系統系任教，目前是該校的名譽教授。

https://ise.osu.edu/people/woods.2

安全思想家- James Reason

James Reason  1938年5月1日 - 2025年2月4日

 

https://en.wikipedia.org/wiki/James_Reason

https://www.ioshmagazine.com/2025/02/21/remembering-james-reason-household-name-human-error

https://www.nytimes.com/2025/03/13/science/james-reason-dead.html

https://www.flightsafetyaustralia.com/2025/02/the-absent-minded-professor-who-made-a-safer-world/

 

1938年5月1日出生於倫敦西北部赫特福德郡加斯頓村。他的父親史丹利·圖特爾於1940年二戰期間去世，當時他在自家凸窗打牌時被彈片擊中。他的母親希爾達·圖特爾在他十幾歲時去世。本來的名字是James Tootle

詹姆斯是他的祖父托馬斯·奧古斯都·里森 (Thomas Augustus Reason) 撫養長大的，詹姆斯也隨了他的姓氏。James T. Reason

 

1962年畢業於曼徹斯特大學，他最初學的是醫學(研究感官迷向與動暈症)，但在醫院餐廳裡注意到一群興高采烈的學生後，他轉而學習心理學。其中一位名叫雷婭·賈裡（Rea Jaari）的學生後來成為了他的妻子，兩人於1964年結婚。 (師生戀，老婆是印度人?)

於1964年至1976年在萊斯特大學任教，之後擔任心理學副教授，並於其間獲得博士學位。

1977年，他回到曼徹斯特大學，擔任心理學教授直到2001年。

1990年發表成名著作

1991年跟John Wreathall共同創立了Wreathall & Co.公司

2002年，他被阿伯丁大學授予榮譽理學博士學位。2006他被授予皇家全科醫學院榮譽院士。

Fellow of the British Academy, the British Psychological Society and the Royal Aeronautical Society

 

在他的職業生涯中，Reason的姓氏都是一個可靠的輕鬆來源：「reason（理性）一詞在英語中被廣泛使用，但它並不能描述吉姆真正為人熟知的”錯誤”」《國際認知、技術與工作期刊》的創始編輯Erik Hollnagel在里森教授自傳的前言中寫道。 「事實上，『錯誤』幾乎與『reason』截然相反。」

 

Reason 現身說法(買了真的cheese)講解Swiss Cheese Metaphor

https://youtu.be/KND5py-z8yI?si=3l1IyXO0dgYFeTcC

安全思想家- Jens Rasmussen

Jens Rasmussen

1926年5月11日-2018年2月5日

https://en.wikipedia.org/wiki/Jens_Rasmussen_(human_factors_expert)

出生於丹麥裡伯。

1950年，他獲得電子工程碩士學位

取得學位後，他在無線電接收機研究實驗室工作了數年。

1956年，拉斯穆森受聘於丹麥原子能委員會工作。

幾年後，他被任命為里瑟原子能研究機構（後來更名為里瑟國家實驗室）電子學部門負責人。1981 年，拉斯穆森被任命為丹麥技術大學和里索國家實驗室的研究教授。

1983提出了技能、規則、知識 (SRK) 框架。(邱強零錯誤一書的重要依據)

1997發表對於風險管理的框架=>成為後來Nancy Leveson STAMP的基礎

2013當選美國國家工程院院士，因其「對人為錯誤和可靠性的科學與工程，以及人類行為建模的貢獻」

Resilience Assessment

溫故知新

https://eshmanager.blogspot.com/2016/12/high-reliability-organization-and.html#more

https://eshmanager.blogspot.com/2017/09/resilience-engineering12-academic.html

https://eshmanager.blogspot.com/2017/09/resilience-engineering22-practical.html

https://eshmanager.blogspot.com/2016/03/vulnerabilityresilience.html

評估或衡量系統（包括組織系統）韌性的指標、因素或能力：

關鍵指標與因素：

韌性能力的核心構面 (The Four Cornerstones of Resilience Engineering)： 

• 預期 (Anticipate)： 預期可能發生的事情對偵測和應對意外事件至關重要。這在很大程度上取決於「必要想像力」(Requisite imagination)，即預見未來問題的能力。
• 監控 (Monitor)： 監控系統的變化和風險狀況。
• 回應 (Respond)： 在變化發生期間或之後調整功能和流程。
• 適應 (Adapt)： 事前、期間或事後調整系統功能以維持運作。準備程度對於能夠在事件發生前進行適應和調整功能與流程至關重要。

影響韌性的管理與組織因素： 

• 承諾管理 (Commitment management)、 高層管理承諾 (Top management commitment)
• 報告文化 (Reporting culture)
• 學習/訓練 (Learning/training)意識 (Awareness)。
• 準備程度/預期 (Preparedness/anticipate)。
• 彈性 (Flexibility)： 這同樣被認為是石化廠研究中最重要的一個因素。
• 自我組織 (Self-organization)、團隊合作 (Teamwork)
• 冗餘 (Redundancy)、容錯能力 (Fault-tolerant)
• 組織結構與職責 (Structure and responsability)
• 文件與記錄 (Documentation and records)
• 法律要求 (Legal requirements)
• 危害識別與風險評估 (Hazard identification and risk assessment)
• 危害應對 (Hazard responses)
• 管理稽核與審查 (Management Audit and Management review)
• 採購與合約 (Procurement contracting)
• 管理系統整合 (Management systems integration)
• 持續改進 (Continual improvement)
• 工人參與 (Worker participation)

人為因素(認知與能耐) 

• 必要想像力 (Requisite imagination)
• 個體適應能力 (Individual adaptive capacity)
• 工作滿意度 (Job satisfaction)
• 工作安全感 (Job security)
• 工作壓力 (Work stress)
• 整體工作量 (Overall workload)

Disclaimer: 使用NotebookLM 進行整理

如何預測與預防重大職災

雖然預測效力正確性只有60-70% (比亂猜50%)好一些，總比事後獵巫人為疏失與業務過失來得好

Matthew R. Hallowell(他當教授前做過工地工人)與Carren Spencer(Director, Safety & Health Policy at Edison Electric Institute)的文章

Safety Classification and Learning Model: Defining and Classifying Potential Serious Injuries and Fatalities (February 2024贏得 American Society of Safety Professionals 2025 Professional Paper Awards) 

用事故因果理論來進行預測

近期讀到的文章與使用AI助力學習的心得感想

 

第一篇文章是事故因果理論與模型的回顧

The development history of accident causation models in the past 100years: 24Model, a more modern accident causation model

該文章pdf版(約12M)可下載後上傳至notebookLM對話研討

 

在"密涅瓦的思考習慣訓練"一書當中提到，兩種運用邏輯與數學來認識世界的科學方式與觀點：

• 形式分析Formal Analysis: 用符號、邏輯與模型來proxy問題與世界的規律
• 實證分析Empirical Analysis：用觀察與實驗的方式來發現運作的規律 

各種安全與事故理論≒形式分析Formal Analysis：

• 理論=一種說明而非證明、一種詮釋而非解釋，用於proxy真實問題與現實世界的規律
• 人所能理解的不是問題與世界的真實全貌，而是自己腦中的那套因果邏輯與理論(≠真實)

 

 

事故因果模型的用途，包含以下幾點：

• 事故分析： 事故因果模型提供了一個系統化的框架，可以幫助分析人員更全面地了解事故發生的原因、過程和 contributing factors。 模型可以引導分析人員關注系統中不同的層面，例如技術、組織、人員和環境等，避免僅關注單一原因或歸咎於人為疏失。
• 識別潛在風險與導致事故發生的因素： 通過事故調查，分析發生的原因和 contributing factors，事故因果模型可以幫助識別系統中潛在的風險因素。 這有助於組織採取主動 proactive 的安全管理措施，降低事故發生的可能性。
• 系統改進(不要頭痛醫頭/打補釘)： 事故因果模型可以幫助識別系統中的設計缺陷、管理漏洞和操作問題。 基於分析結果，組織可以針對性地改進系統，例如更新設計、完善流程、加強培訓等，以提升系統的安全性。
• 累積經驗、知識管理： 通過分析事故案例，組織可以從中吸取教訓，避免重蹈覆辙。 事故因果模型可以幫助組織將事故分析的結果與相關數據轉化為可學習的經驗與資訊資料庫，並將這些經驗、知識與資訊應用於日後的安全管理中。
• 溝通和決策： 事故因果模型可以提供一個共同的語言和框架，方便不同領域的專家和管理人員進行溝通和交流。 模型可以幫助組織更有效地傳達安全資訊，並制定更科學的決策。

不同的事故因果模型適用於不同的情境，需要根據具體的分析目標和系統特點來選擇。 例如，瑞士乳酪模型適用於分析簡單的事故，而 STAMP 模型則更適合分析複雜系統中的事故。

而各種安全與事故理論有如不同的光譜濾鏡或不同的視角，可以讓人看見被疏忽的地方，也會過濾讓人只看見某部份事物，換言之存在誤導的可能，相關潛在問題如下：

• 過度簡化事故成因：各種方法與因果邏輯依賴結構化的分析，而忽略了複雜的人為因素、組織文化、以及管理決策等在事故中扮演的角色。事故描述可能因為資訊不足，無法全面了解事故發生的根本原因，或是過度聚焦於直接的行為，而忽略了潛在的系統性問題。
• 引導依賴「屏障(硬體防護機制)」：屏障的概念能激發人們思考各種安全措施+硬體防護機制比人可靠，但過度依賴屏障與硬體機制所導致的虛假安全感是另一種風險。如果屏障設計不良、未能有效執行或被錯誤使用，乃至於各種硬體防護機制其實可靠度不如預期，遭遇意外與出錯反而會導致嚴重的事故。
• 安全與管理都是系統與組織運作的一部份：各種研究分析把安全或管理機制當成獨立的可控變因，實際上安全或管理機制的良莠往往受組織運作所制約(The richer the safer)，各種安全文化理論訴求管理階層的決策和資源分配對安全至關重要，但正因管理高層與組織資源分配忽視安全，所以才導致組織安全績效不彰，安全文化理論的訴求落入緣木求魚與雞生蛋蛋生雞的邏輯誤謬。
• 人是最大的變異(不可控)因素：事故因果描述中，往往提及「未辨識危害」、「不了解原因」等，這暗示了人的認知、判斷、以及決策在事故中的重要性+提升的可能性。然而「人」的行為、認知限制、以及決策過程，就是不受控、無法預料；訴求制定標準作業程序、硬體防呆機制與訓練宣導，某個層次而言，也是主事者的一廂情願/自我感覺良好+訴諸應為能為而不為的獵巫。
• 找出問題原因=「改善」，是一種誤解：問題的發生往往有如冰凍三尺非一日寒，「持續改善」一詞意味著：「改善」並非一次到位+藥到病除，而是持續的過程。如果對「系統」運作與系統動力的理解不夠深入，所謂的改善也可能是逆行倒施+助紂為孽，導致更大的風險潛勢蓄積+直到爆發更重大(無法掩蓋)的問題重複。

Accident Causation Models: The Good the Bad and the Ugly

 

該不該相信理論推理與模式預測的結果?  

 

就科學的角度(波普提出的可否證性)而言，一個理論的好壞，要看它的預測效力(如同愛因斯坦的相對論取代了牛頓的力學理論)

以預測效力而言，以上事故理論偏向社會科學(模擬兩可)而非自然科學(非黑即白)：可以套用各種理論來進行事故分析(見人見智)或用來進行事故預防(看看還有哪些沒注意到與忽視的地方)，但很難拿這些理論來預測事故是否發生(變因太多&各變因之間存在複雜的交互作用)

試想：

將相關主被動指標、安委會報告、風險評估、各種巡檢稽核記錄灌入資料庫，由人工智慧(Machine Learning)套入各種模式進行與預測與分析，然後它告訴你：有95%的信心水準，你所服務的公司工廠1年内發生工傷(可能是踩空跌到、化學品噴濺或切割傷)的機率是10%，3年是20%，5年是40%；發生火災相關事故的或然率1年内的機率是0.1%，5年是1%，10年是5%

 

請問以上用統計或然率與信心水準表述的工廠安全氣象預報，對您有幫助嗎？(能比禱告或拜拜更能讓人睡得更安穩？ 老闆會比較相信風水還是統計與數理模型?)

Predicting occupational injury causal factors using text-based analytics: A systematic review

再來如果各種事故預測模型，其信度與效度存在問題與瓶頸(備註：信度是指方法的一致性和可靠性，而效度是指方法是否能準確衡量其預期的目標。例如假設有ABCDE等5 種事故預測模型，如果這5種模型，預測同一家工廠在5年内發生事故的機率約為80-90%，且信心水準高達95-99%，那麼這5種預測模型間有高度的一致性=具備相當的信度，但五年過去，這間工廠卻沒發生事故，顯然預測失準與預言失效=預測不準/沒有效度。通常有信度才有效度可言，沒有信度責無效度可言)，不同模型推估與預測的差異很大，那麼該如何做出判斷與與取捨? (類似中央氣象局的颱風路徑預報與模擬，各國模式跑出來的預測路徑天差地別，不知道該不該做防颱準備與要不要放颱風假...)

Back to the future: What do accident causation models tell us about accident prediction?

 

在這個AI應用與爆發的時代，嘗試詢問(號稱地表最聰明的AI)Grok 3 (deep search)：

如何預測與預防事故的發生？台灣未來的職災率？納入少子化、高齡化與產業結構轉型等考量，預測台灣未來職災率變化，與提示主管機關管理重點

 

以下是其答覆

https://grok.com/share/bGVnYWN5_d7a9ab81-d7ab-4ad7-b17a-e647c6b39c51

 

 

讓人感到欽佩(與恐怖)的不是其答覆，而是其推理思考過程(與列出相關參考文獻)

 

30+年前，一個研究生讀一篇國外期刊文獻，可能要花上一個月，現在用NotebookLM只需要大概幾個鐘頭

而以上職災率的預測，可以是花上一年的碩士論文研究或是幾年的博士論文研究，Grok花70秒，掃瞄了144份資料來源，提供了答案如下

  

面對以上AI大爆發與AI比多數人的思考能力更強(不論是廣度還是深度)的(悲催)情境，人該如何不被取代?

Hint：讓AI當你/妳的研究生，而自己有要能力當指導教授

1.專業的問題不能問ChatGPT，它的長項在於Chat聊天，而非提供科學證據或研究論述

The risks of using ChatGPT to obtain common safety-related information and advice

2.專業的問題，通常有更聰明與更認真的先進能人大德思考過+找出解答了，而他/她們的研究成果通常發表在專業期刊上，需要去撈出下載人家的研究成果，上傳NotebookLM等輔助工具進行閱讀與問答，回饋的結論與建議會相對言之有物(或至少有所依據)

 

3.要能夠看出AI推理過程的漏洞，e.g., 假設前提是否合理，推理模型是否完整 ？是否低估高估或疏漏某些因素？ 相較於自己的猜想，AI的預測至少提供一個對比的基準，可以協助驗證與檢驗推理模型與真實情境發展進行校準。你要有自己的因果模型，而非依賴AI

用AI而非被AI所用(變得BI 悲哀)

1. 隨便什麼問題，AI都可以給你個答案(只是需要花時間+有那個腦力去判斷那個答案的可信度與效度)；AI給個答案的好處在於：讓人想清楚"知道了答案又如何？" 很多問題與研究其實是庸人自擾、無病呻吟，問對問題比找出解答更重要與攸關。
2. 承擔風險與願意面對不確定性，才能做出決策+伸張：生為人的能動性與自由。如果凡事問AI聽從AI指示選擇所謂的最佳方案，那麼你沒有自由可言，而是AI與演算法的奴隸。(如同某些信徒凡事占卜請求老天指示)
3. 人有七情六慾與愛恨情仇，習慣憑感覺衝動意氣用事(因為系統二思考非常耗費腦力)，現在AI可以輔助理性思考，讓人的行為與決策更週延。(以往的年代，人被當成小螺絲與工具人，現在AI的輔助，每個人都是主人與企業家=>沒有學會的會被淘汰)

這在AI天翻地覆的年代，如何教育與學習

1. 養成密涅瓦的思考習慣
2. AI識讀，能夠判斷與不被AI給的答案所呼巄誤導
3. 批判性思考與問問題的能力，比考試或找答案更攸關

學習方式的改變與AI的危害風險

AI比人類強的長處

• 運算、閱讀與計算速度
• 接受資訊與學習的能力
• 沒有成見與偏見(=沒有定見)

AI的問題與限制

• 像大型語言模型LLM這樣的 AI，其「理解」是基於對人類語言和文化概念的重建（reconstruction），而非真正意義上的理解。透過分析大量文本數據來學習模式並生成回應，這與人類基於經驗、情感和社會互動形成的理解有本質區別(對LLM而言，它只是在玩文字接龍，對於輸出的文句其實沒有意義感；反而是使用者對於它輸出的文句(或圖片/音樂)產生情感)
• AI必須被訓練與調教，其模型=訓練與調教過程輸入的偏見 (訓練資料庫當中沒有的知識或資訊=欠缺的知識與資訊)
• AI理解表述的是相關性(可謂是天馬行空文學作品)，而非真實世界當中的因果或物理法則(=不受限制)=>人類透過經驗學習(什麼可能、什麼不可能)；AI透過調教與訓練，學習投其所好(猜測輸出使用者想看的內容=投放廣告)
• AI的意見與建議，看似完備有模有樣，其實要非常小心與謹慎=>它不知道它在講什麼? 提供的意見與建議是否正確? (它沒有辦法判斷與宣告提供意見建議的可信度與正確性；責任落在使用者身上)

AI怎麼用

• LLM(ChatGPT)可以用來創意發想、寫腳本與腦力激盪沒問題
• 需要可信度的規劃提案，可以用Grok DeepSearch來輔助，但要一一查證資料來源、確認推理流程與邏輯
• 如有可信度的研究報告或期刊文章，可上傳NotebookLM對話，會更言之有(依)據
• AI提供意見與建議的可信度與嚴謹性=其資料來源的可信度與嚴謹性

當人類不再自己思考與探索，完全透過AI代勞時，也會是人類與AI共同停滯(=死亡)的時候

閱讀期刊文章的心路歷程

30年前念碩班(一個月讀一篇，點狀式閱讀，理解深度約50-70%)

1. 心力被英文卡住，不知期刊文章重點所云(時間花在英文閱讀翻譯)
2. 沒有人可以問，只能跟老師說自己沒讀懂，期待老師會解釋(有些老師也很聰明，知道不要叫研究生讀期刊文章以免自找麻煩自討苦吃)
3. 閱讀數量少，通常就是老師指定或學期中的那幾篇"經典"文章(以管窺天+期末報告文章就還給老師了)

10年前讀博班(一週讀一篇，線狀與脈絡式閱讀，理解深度約80-95%)

1. 英文閱讀能力變強，文章理解深度提升不少(一知半解會被老師鞭打策，自己臉皮薄繃得比較緊)
2. 老師交待：師父引進門，修行在個人(自己要勤快一點，主動去讀相關與參考文獻)
3. 閱讀數量增加+老師指引方向+提供學門脈絡地圖：比較有方向感與全貌感，知道讀到的文章，在學海中的大致定位與經緯度

現在的學習與閱讀(透過perplexity與notebookLM 輔助，主題與搜索式閱讀，一個鐘頭可以讀一篇，理解深度約70-80%，但廣度與關聯性大增)

1. 直接去那些有哀的期刊(SCI/SSCI)搜尋下載相關文章或搜尋有興趣的主題，pdf灌入notebookLM
2. 透過發問來學習(問比學重要，善問者如撞鐘，叩之以小者則小鳴，叩之以大者則大鳴；但AI與LLM會唬爛穿鑿附會，使用者需謹慎判斷+從回答中進行第二階的詢問與搜尋)，透過雙項問答，對於文章内容的理解深度與效率大增
3. 以子之矛攻子之盾，同樣的問題可以問不同來源的期刊文章(notebookLM中的筆記本)=>看出不同回答間的交集與聯集，乃至於意識到：AI與LLM的答覆係依據你提供的文獻資料=>如果有些更高明的文獻沒有納入，那麼AI與LLM 無法產出那些洞見給你(你不知道的比知道的更重要，而一般人通常不知道自己不知道，對於自己的無知無感+被AI/LLM自愚愚人)
4. 創意發想與想法掃雷補遺，Grok DeepSearch比Google好用

以下是測試問題與筆記