决策疲劳心理学
做决策消耗心理能量。研究表明，一天中做出大量决策后，决策质量会下降——这种现象称为决策疲劳。这解释了为什么法官在一天晚些时候做出更严厉的判决，以及为什么高管在下午会议中做出更差的选择。
对于任何选择大致相当的低风险决策，将决策权交给随机选择器可以消除认知消耗，为真正重要的决策保留心理资源。
何时使用随机决策选择器
低风险选择
- 午餐吃什么（所有选项都可接受时）
- 看哪部电影（大家都不在意时）
- 做什么活动（所有选择听起来都同样有趣时）
- 先开始哪项工作任务（所有任务优先级相同时）
公平选择
- 选择谁在会议中先发言
- 抽奖或赠品中选出获胜者
- 决定游戏中的回合顺序
- 公平分配任务给团队成员
打破僵局
- 当团队在选项之间平分秋色时
- 经过彻底研究后摆脱选择悖论
- 承诺行动而非无休止地权衡
避免无意识偏见
人类在选择中存在无意识偏见。随机性可以消除这些偏见，用于研究中的样本选择、A/B测试组分配以及随机代码审查分配。
真正随机性如何工作
计算机难以实现真正的随机性——它们是确定性机器。为了生成随机数，它们使用两种方法：
伪随机数生成器（PRNG）
大多数 random() 函数使用数学算法生成看似随机但实际上可预测（如果知道种子）的序列。例如 Mersenne Twister（广泛用于 Python 和 PHP）和 Xorshift。这些适用于游戏和模拟等非安全应用。
密码学安全伪随机数生成器（CSPRNG）
对于安全敏感的随机性，硬件熵源（鼠标移动、键盘计时、硬件噪声）被混合到密码学算法中。例如浏览器中的 crypto.getRandomValues() 和 Linux/macOS 上的 /dev/urandom。
我们的随机决策选择器使用 crypto.getRandomValues()——确保每次选择都真正不可预测且公平。
赌徒谬误
一个常见的误解：如果正面连续出现5次，反面就“该出现了”。这是赌徒谬误。每次抛硬币都是独立的——过去的结果不影响未来的概率。
类似地，在随机选择器中，如果“披萨”连续被选中3次，它再次被选中的概率完全相同。任何选项的概率始终是1除以选项总数。
纯随机选择的替代方案
加权随机性
根据偏好或优先级给不同选项分配不同概率，同时在这些偏好内引入随机性。
淘汰轮次
移除最近被选中的选项，以确保随时间变化的多样性，防止同一选项过于频繁出现。
随机化轮询
随机遍历所有选项，然后重新洗牌并重复，确保每个选项在多次选择中出现的次数相等。
使用随机决策选择器
我们的工具设计简单且公平：
- 添加选项——每行输入一个选项或用逗号分隔
- 选择获胜者——点击按钮进行动画随机选择
- 重新选择——如果需要可再次选择（但为了真正公平，请坚持第一次选择！）
- 调整选项——随时添加、删除或编辑选项
该工具使用 Web Crypto API 的 crypto.getRandomValues() 实现真正的密码学随机性——而不是理论上可预测的 Math.random()。
“抛硬币启示”技巧
行为经济学中的一个有用技巧：抛硬币（或使用随机选择器）并注意你对结果的本能反应。如果你对结果感到失望，那揭示了你的真实偏好。将随机选择器不是作为最终答案，而是作为反映你真正想要的镜子。
随机性不是逃避责任——而是将决策能量引导到真正重要的选择上，并消除对任何选项都可接受的选择的决策疲劳。