1. 关开门

1.1. clopening

1.2. 指的是一个职员工作到很晚，关闭门店或者咖啡店，几小时后又在天亮之前回来开门

1.3. 极度不规律的工作时间安排越来越常见

1.3.1. 首当其冲的是星巴克、麦当劳和沃尔玛等企业的低薪职工

1.3.2. 不规律的工作时间安排是数字经济带来的

1.4. 筛选模型从过去的记录中学会了不公平的运作方式，将有害偏见编入模型之中的

1.5. 关开门”只是这种趋势的表现之一

1.5.1. 随着监控设备在工作场所的普及，在数字经济因此而进一步发展壮大的同时，其带来的副作用也将进一步恶化

1.6. 在大数据时代，负责分析的是许多博士，辅助以功能强大的计算机

1.6.1. 分析的目的是尽可能地降低成本，其有助于企业维持最低限度的人力，同时确保业务繁忙时段有充足的人力支援

1.6.2. 新的人力安排软件为公司提供了丰富得多的选择

1.6.2.1. 它们能够处理不断更新的数据流，从天气到路人的行为模型皆可纳入考量

1.6.3. 情况随时都在变化，企业必须合理配置人力以匹配不断波动的需求，否则就意味着浪费金钱

1.6.4. 通过调整人力安排省下的钱自然直接进入了老板的口袋

1.6.5. 在借助电脑程序进行的人力配置下，职员每一分钟都很忙

1.6.5.1. 程序可能会随时给员工分配临时的工作安排，包括周五晚上负责下班关门、周六一大早负责开门

1.7. 在低效率的经营模式下，职员不仅有可预测的工作时间，而且还有固定的闲暇时间

1.8. 以提高盈利为目的

1.8.1. 这一目的同时反映在了它们的企业文化和激励措施上，也对它们的运营管理软件产生了越来越大的影响

1.9. 维持最低人力成本已成为企业文化的一部分

1.9.1. 管理层的薪酬都取决于他们的人力运用效率，以员工每工作一小时为公司创造多少营收为衡量标准

1.10. 从员工的角度来说，问题出在低薪劳工供给过剩上

1.10.1. 劳动力供给过剩，加上有影响力的工会极为少见，劳工几乎毫无议价能力可言

2. 人力调度模型

2.1. 人力调度软件是一种更为可怕的数学杀伤性武器

2.1.1. 美国约有13%的高速公路交通事故是由睡眠不足引起的

2.2. 将员工的每周工作时间限制在30小时之内，这样，公司就不必为员工提供医疗保险

2.3. 因为工作时间非常不稳定，这些劳工多数无法挪出时间做第二份工作

2.3.1. 软件就是为了惩罚低薪劳工，令他们无法出头一般

2.4. 如果父母的工作时间不规律，又或者常在标准的日间工作时间之外外出工作，他们的孩子（儿童或青少年）的认知和行为表现就可能会低于平均水平

2.5. 当孩子在学校表现不好或出现各种行为问题时，父母可能只会责怪自己

2.6. 真正的罪魁祸首其实往往是导致这些家长只能去做工作时间不固定的工作的贫困处境，以及那些进一步压榨这些贫穷家庭的人力调度模型

2.7. 需要监管部门有效地约束企业，强大的工会组织劳工、放大劳工的诉求，以及政治家立法遏制企业的恶劣行为

3. “准时制”（Just in Time）制造系统

3.1. 汽车组装厂不会在仓库里事先储存大量的汽车零组件

3.2. 根据需要实时向供货商订购零组件

3.3. 丰田汽车和本田汽车都建立了复杂的供应链，实现了随传随到的零组件供应系统

3.4. 汽车业仿佛成了一个完整的有机体，有了自身的体内平衡控制系统（homeostatic control systems）

4. 创意

4.1. 越好的创意越容易在互联网上得到广泛的传播

4.2. 笑话一般也会流传甚广，而软件系统很可能将其与创意混为一谈

4.3. 八卦也传播得很快

4.4. 笑话和八卦遵循一定的模式，程序可以通过学习这些模式将其筛除出去

4.4.1. 久而久之，系统就能逐渐辨认出一段段更有可能代表创意的文字

4.5. 系统得出结论，一部分人是创意生成者

4.6. 另一部分人则充当着连接器，就像分布式网络中的神经元，他们负责传递信息

4.7. 不管该模型是否能有效地评估创意流，其假设本身没有危害

4.7.1. 约会对象配对算法

5. 软技能

5.1. 计算机系统无法将这些抽象的软技能数字化

5.2. 软技能数据没有被收集，而且即便收集了也难以赋值，所以往往会被模型遗漏

6. 反馈数据

6.1. 科学家需要错误反馈来做取证分析，查明系统哪儿出错了，什么变量被误读了，什么数据被忽略了

6.1.1. 系统则在此过程中得以学习并进化

6.2. 系统根本不知道自己做了多少错误的判断

6.3. 有人被鉴定为失败者，然后被开除，也许他之后又找到了其他的工作，发明了很多专利，但这些数据往往不在系统的收集范围之内

6.4. 大量的数学杀伤性武器，从再犯模型到教师评估模型，只不过是在打造它们自己所定义的现实

6.5. 似乎只有工厂的工人和服务业的雇员会被模型化、最大化利用

6.6. 律师、化学工程师等高智商群体则能够避免数学杀伤性武器的伤害，至少在工作当中如此

6.6.1. 科技行业有很多公司正通过研究白领职员的交流模式来最大化地挖掘并利用他们的潜在价值。谷歌、脸书、亚马逊和IBM等科技巨头尤其热衷于使用最优模型

6.7. 被某一模型给出差评的员工有可能被另一模型给出高分评价

6.7.1. 一个统一的行业标准将会出现，那时，我们都将陷入一个无望之地

7. 辛普森悖论

7.1. 某个条件下，两组数据在分别讨论时都满足了某种性质，可是一旦合并考虑，就可能导致相反的结论

7.2. 数据误读贯穿整个教师评估史

7.2.1. 数据误读经常发生

7.3. 在富人学校中，医生和律师的子女上了精英大学，将这完全归功于教师的教学是不对的

7.4. 对贫民区的教师评分也不该采用同样的考核标准，我们不能期待他们创造教学奇迹

8. 统计缺陷

8.1. 从理论上来说，统计趋势在大样本中会表现得更明显

8.2. 凭借着并没有实际意义的评估分数，增值模型造成了广泛而恶劣的影响

8.3. 一旦人们识别了这些模型并了解这些模型的统计缺陷，他们就会要求对学生和老师都更公平的评估方法

8.4. 如果一个模型的目标本来就是找个人承担责任，恐吓教师或者员工，那么，如我们所见，这一给出随机分数的数学杀伤性武器完美地实现了这个目标