理性决策模型（rational decision making model）把一个选择拆成看得见的动作：定义问题、找出标准、列出选项、比较各自预期的后果，然后选定行动。它是一个用来整理思路的参照工具，不是对人们实际怎么决策的描述，也不保证结果最优。信息、时间和注意力都有限，标准里也可能掺着主观判断。用这个模型的目的，是把这些假设摆到明面上，而不是藏进一个分数里。把硬性要求和个人偏好分开，检验合理的改动会不会改变排序，并记下行动之后要如何复盘。
模型步骤
不同教学版本把这个过程拆成不同数量的步骤。关键的动作是：
- 定义要做的决定和期望的结果。
- 找出可行性要求和相关标准。
- 生成并检视可用的选项。
- 把假设和证据写明。
- 用合适的方法比较这些选项。
- 选定行动、执行，然后复盘。
OpenStax 对有限理性的讨论解释了为什么完整信息和穷尽式比较通常不现实。所以这个模型的作用是让一个选择更可检查，而不是声称每个后果都已知。
要求（requirement）是某个选项必须满足的条件。偏好（preference）帮你在满足要求的选项之间排序。一个容量不达标的场地，不该因为成本得分高就赢。
实例拆解
假设一个团队在两个都可行的场地之间选。两边都满足最低容量和无障碍要求。接下来团队用一个说明性质的 1 到 5 偏好量表，比较便利程度和成本，分数越高越好。
便利程度的权重给 0.60，成本给 0.40，两个权重加起来是 1。它们代表团队说出口的偏好，不是经过实验验证的数值。
| 标准 | 权重 | A 场地得分 | B 场地得分 |
|---|---|---|---|
| 便利程度 | 0.60 | 5 | 3 |
| 成本偏好 | 0.40 | 2 | 5 |
A 的总分是 0.60 × 5 + 0.40 × 2 = 3.8。
B 的总分是 0.60 × 3 + 0.40 × 5 = 3.8。
这个矩阵算出了平局。它并没有挖出一个隐藏的赢家。团队需要去检查假设、必要时补一个能定胜负的事实，或者用一条事先声明的、和目标相关的破局规则。
对给定的输入来说，算术是精确的。分数和权重是判断。5 分不一定恰好值 1 分的五倍，偏好总分也不是钱，更不是概率。
其他方法以及什么时候用，见决策框架。
敏感性检验
设 w 是便利程度的权重，成本是 1-w。A 的分数是 5w + 2(1-w)，也就是 2 + 3w。B 的分数是 3w + 5(1-w)，也就是 5-2w。
平局出现在 2 + 3w = 5-2w 的时候，也就是 w = 0.60。
| 便利程度权重 | A 总分 | B 总分 | 分数更高 |
|---|---|---|---|
| 0.50 | 3.5 | 4.0 | B |
| 0.60 | 3.8 | 3.8 | 平局 |
| 0.70 | 4.1 | 3.6 | A |
所有数值都是假设。这张表说明排序对权重很敏感。它并不构成”只为了让自己喜欢的场地赢而去改权重”的理由。
去问：支持某项标准重要性的证据或讨论是什么。如果合理的参与者之间存在分歧，把分歧记下来，并明确谁有拍板权。计算本身没法自动解决价值观上的分歧。
批判性思维帮你评估分数背后的证据。群体决策帮你保住独立的意见和清楚的决策权归属。
适用边界
选项不全： 模型只能比较你放进来的选项。一张做得很细致的表格，如果漏掉了一个可行的替代方案，照样可能导向一个糟糕的选择。
预测不确定： 预期的后果会变。不要把预计的收益当成已经观察到的事实。
主观量表： 分数把判断压成了数字。写清每个分数代表什么，不要制造虚假的精确。
义务冲突： 伦理要求或者不可谈判的硬条件，不该被平均进一个偏好总分里就消失掉。
信息成本： 继续分析会推迟行动。问一句：下一个事实会不会实质性地改变这个决定，为了知道它而花的时间值不值。
OpenStax 关于提升决策质量的讨论支持比较备选方案、检查推理过程这件事。场地矩阵和阈值计算是原创的教学工具。
留一份简短的决策记录：目标、要求、选项、标准、证据、不确定的假设、选定的行动、负责人、复盘条件。可逆的低风险选择，记录可以很短。涉及实质承诺的选择，要留够细节，让别人能看懂当初为什么这么选。
决策总览给出了更完整的流程。伦理决策看的是数字矩阵定不了的那些利益和义务。
常见问题
这个模型和加权矩阵是一回事吗？
不是。加权矩阵只是更大流程里的一种比较工具。定义问题、要求、备选方案和复盘机制，这几步一步都不能省。
如果最高分和某条硬性要求冲突呢？
这个选项在那条要求下根本不可行。先筛要求，再排偏好，不要指望一个高总分能补偿不合规。
更细的打分能保证更好的选择吗？
不能。只有标准、证据和假设都贴合这个决定时，细节才有帮助。算术上的精确，不等于判断上的确定。