未解之谜网

框架问题理应提醒我们，我们只要自动脑补就一定会犯错。我们确实向来如此。不过“人类”这个对象不同于 AI 研究人员开发的机器人或电脑，并不会让我们讶异到必须被迫改写思考时的整个心智模式。相反地，一旦我们知道答案，就似乎总能找出先前被忽略、后来明显相关的面向，就像拉扎斯菲尔德假想的《美国士兵》读者——他们在事后发现，每一个对立的结果都同样理所当然。

也许我们原本预期自己中了乐透之后会超级开心，结果中奖之后，却发现自己很郁闷，这个预测显然很糟糕。但当我们意识到自己预测错误时，同时也获得新的资讯，例如那些突然出现要借钱的亲戚。于是我们会心想，如果早点知道这些资讯，就可以正确预测未来的幸福状态，也许就不会去买乐透彩了。

因此，我们没有质疑自己预测未来幸福程度的能力，反而只是认为我们漏掉了一些重要的东西，并且确保自己不再犯相同错误。然而我们却一错再错。事实上，无论对于他人行为的预测失准了多少次，我们总是可以用当时未知的事情做为辩解。透过这种方式，我们掩盖了框架问题，一再说服自己下次会做好，却永远都不明白我们真正错在哪里。

图/envato

这种行为模式在动机与金钱报酬的关系中最为明显，也最难消除。例如，实施金钱奖励制度显然能提升员工表现，而且数十年来，职场上大幅出现以绩效为基础的薪资制度，最具代表性的就是高阶主管薪酬与股价挂钩。

当然，员工在意的显然不只薪水，还有内在的愉悦感、认同感，以及在个人职涯上的成长与晋升等因素，这些都会影响工作表现。

在其他条件都相同的情况下，适当的金钱奖励可以提升个人表现——这似乎理所当然。然而，多年来有多项研究显示，薪酬与工作表现之间的关系，实际上的复杂程度让人难以想象。

举个例子，最近我跟雅虎（Yahoo!）的同事梅森（Winter Mason）进行了一系列网络实验。我们给予受试者不同的薪资，并要求他们执行各种简单的重复性工作，例如：按照正确的时间顺序排列一组车流照片，或是在矩形网格上，找出隐藏在一堆英文字母中的英文单字。

所有受试者都是在亚马逊土耳其机器人（Amazon’s Mechanical Turk）这个外包网站上招募而来，这个网站是亚马逊公司于二○○五年推出，原先是用来找出重复的库存商品。现在有数百家企业使用土耳其机器人进行“群众外包”（crowd-source），处理五花八门的各种任务，像是标示图片中的物品、描述新闻报道的观点，或是判断两种说法中哪一个比较清楚。这个网站也是招募心理学实验受试者的一个有效方法，就像心理学家多年来在大学校园里张贴广告那样，不过土耳其机器人网站的“托客”（turkers）完成一件任务的报酬通常只需要几美分，只占了研究经费的一小部分。

图/envato

我们的实验总共纳入数百位受试者，完成了数万件任务。有些受试者完成一件任务只能得到 1 美分的酬劳，例如整理一组图片、找出一个单字。但是，有些受试者完成相同任务却会得到 5 美分或 10 美分。这在工资上是相当大的差异，要知道，美国电脑工程师的平均时薪只有联邦最低工资的六倍，所以你可以预期这个工资差异会对受试者的行为产生强烈影响。

结果确实如此。我们付的钱越多，受试者离开实验之前完成的任务就越多。我们还发现，不管工资多少，分配到“简单”任务（每一组有两张图片需要归类）的人，比分配到中等或困难任务（每一组有三至四张）的人完成更多任务。换句话说，这些都符合常理。

但接下来的问题是：虽然存在上述差异，我们发现这群受试者的工作品质，也就是归类图片的准确度，并不会因为工资不同而下降，即使只有正确完成才能拿到酬劳。

该如何解释这个结果?我们并不十分确定。在受试者完成任务之后，我们问了一些问题，包括他们认为自己的工作该得到多少报酬。有趣的是，他们的回答与工作难度无关，而是取决于获得的工资。平均而言，每件任务得到 1 美分的受试者，认为自己该得到 5 美分。得到 5 美分的认为自己该得到 8 美分，而得到 10 美分的则认为自己该得到 13 美分。

换句话说，不论他们实际上得到多少（还记得有些受试者的工资是别人的十倍吗），每个人都觉得工资过低。大家在直觉上会认为，给予金钱奖励就能够提升员工的动机，但这个实验告诉我们，即使是非常简单的工作，工作动机也会因爲员工的权利意识提升而大幅减弱。