1. 一个具体问题
连续看到几条账号被盗的新闻后，你突然觉得所有线上服务都危险，却很少检查更常见的弱密码和权限误配。脑中最容易浮现的故事占据了注意力，但新闻出现得多，不等于自己面临的发生率同步增加。
2. 一句话解释
可得性启发式是依据例子被想起的容易程度，来估计事件的频率或可能性。
3. 出处与原意
Tversky 与 Kahneman 将可得性列为不确定判断中的一种捷径。它经常能节约时间，因为常见事件通常容易想起；问题在于记忆还受到新近性、情绪强度、报道方式及个人经历的影响。容易回忆与实际频率并不是同一个量。
4. 原理与机制
当完整统计资料不可得，人会用检索体验替代频率判断。一次强烈失败可能比几十次平稳运行更鲜明；同一个案例被多家媒体反复报道，也容易被误当成多次独立事件。这里需要区分警觉和概率：一个罕见但损失很大的风险仍值得防护，只是不能用故事数量直接给它定概率。
对小概率事件，单个故事主要帮助理解失效过程，总体数据主要帮助估计频率，两者作用不同。好的风险讨论可以同时保留二者：先用个案提出需要检查的问题，再用可比数据决定资源优先级，而不强迫其中一种完全取代另一种。
5. 一个完整案例
假设案例：社区组织者听说外地活动遭遇暴雨，准备把全部应急预算用来租大型雨棚。她整理本地过去活动记录：最常发生的是排队拥堵和志愿者缺勤，天气停办较少，但后果严重。于是分别列出发生可能性、损失和可替代安排：保留室内备用场地，把部分预算用于分时入场和替班人员。外地事故仍成为检查清单的线索，却不再独占资源。决策来自多种风险的比较，而不是压下担忧。
活动团队还应记录那些没有产生新闻的小故障，例如补签、换岗和场地入口拥堵。这些普通记录容易被遗忘，却构成下一次判断的分母。若某次异常提示新的天气条件，再单独更新假设，不把新增风险平均到完全不同的旧活动中。
6. 适用条件与反例
这种方法不要求凡事等待完美数据。发现新型风险时，生动个案可能是重要预警；若总体环境已改变，旧频率也会失效。应核对案例是否独立、与自身场景是否可比，以及分母是什么，而不是自动用长期平均否定当前警报。
7. 今天可以尝试的行动
写下最近让你担心的一件事，列出想到的三个案例，检查是否来自同一事件。再找一个能提供分母的数据来源，区分“发生次数增加”和“报道增加”。最后把概率判断与值得采取的低成本预防行动分开记录。
8. 参考资料与关联条目
- Tversky、Kahneman（1974），Judgment under Uncertainty: Heuristics and Biases。