决策转盘

很多转盘工具的运作方式是从动画反向推导的:先把转盘旋转到某个视觉上好看的停止角度,再读出指针恰好落在哪一格作为结果。这听起来无害,但会引入一种微妙的统计偏差,因为把一个连续的旋转角度转换成一个离散的中选格子,涉及的浮点数运算无法在任意数量的选项之间被均匀整除——某些格子最终落在指针下的次数,会因为这种舍入过程本身的产物而略微多于其他格子,而不是因为转动本身存在任何真正的不公平。这个工具的运作方式正好相反:先用真正的密码学随机源选出中选者,转盘的旋转动画纯粹是一种视觉点缀,停在一个早已确定的结果上——这个动画从来不会影响哪个选项真正获胜。

把一个随机数变成"从 N 个选项里选一个"最常见的方式,是取一个随机整数,计算它除以 N 的余数——但除非 N 恰好能整除这个随机数所取自的那个范围,否则这会引入一种微小但真实的偏差,让某些选项比其他选项有着微微更高的中选概率,纯粹是这个除法无法整除所产生的一个副产物。拒绝采样完全避免了这个问题:它抽取一个随机值,如果这个值恰好落在那一小段分布不均匀的余数区间里,就丢弃它、重新抽取,如此反复,直到抽到一个落在这个范围里能被整除部分的值。每一个选项最终得到的概率,是精确相等,而不只是近似相等——这是一个真正的公平保证,而不是一个接近公平的近似值。

每次转动后都把全部选项留在池子里,适合重复出现也没关系、甚至是理想情况的场合——决定今晚吃什么,并不需要排除昨天的答案。而在每次转动后移除中选者,则是在模拟统计学家所说的无放回抽样,这是每个选项在一系列转动中最多只应该被选中一次时,公平且恰当的模式——在团队里分配一套固定的任务、从一份名单里抽出多位不同的获奖者,或者在一堂课上点名学生、且不在其他人都轮过一遍之前重复点到同一个名字。

一个只有几个条目的转盘,能给每一个条目分配一块宽裕的扇形区域,有足够的空间放下完整的标签,而同样的转盘被分成五十个条目时,每一块扇形只能分到一小片圆环,塞进一个狭窄楔形里的文字很快就会缩小或被截断。大约五十个选项左右,是标签在一个常规尺寸的转盘上开始真正变得难以辨认的临界点——无论添加了多少条目,底层的随机选择始终保持同样公平,但视觉呈现是一份长列表值得留意的实际限制。