1、文人善用煽情、追求道德和美感（即弘扬真善美、鞭挞假恶丑）。而理科思维注重“取舍”、“妥协”和“数据”。
GREEN：理科思维的基础是足够公平合理的规则和制度下的决策机制（或选拔机制），让人可以摒除道德因素去做决策。如果你的科学合理的方案因为某一为谋取私利的利益集团的阻碍而反其道行之，此刻的理科思维就英雄无用武之地了。我建议用理科思维去把“决策机制”、“选拔机制”、“政治”、“说理辩论”解构，让它成为一门普及而公众认可的科学，再谈种种具体的决策。而文人思维的可贵之处在于“人文关怀”，很多时候我们用的理科思维仅仅是一种工具，达到“人文关怀”的工具。人文关怀都关怀了每个人的生理利益、安全利益、社交利益、项目本身利益、尊重利益、方式强调利益。至于文人对美的追求，其实除了愉悦美、愁苦美、病态美、悲壮美、失败美甚至变态美之外，还有一个应当研究的是智识美、科学美、思辨美这一类。
2、人们普遍存在“确认偏误”——先验信念（或旧有信念）会导致人们系统地忽视那些不支持先验信念的观点和信息，选择性地接收能支持他们先验信念的观点和信息。有些媒体也依据人们普遍存在的确认偏误而只提供能验证人们心中已有观点的新闻评论和文章，他们是“肯定贩卖者”，这就导致错误的观点一旦占了大多数，正确的做法就可能不会被执行。对立的双方阵营的策略也因为确认偏误而变成只是争取中间派。
GREEN：我认为首先，每个人应该意识到每篇文章的“事实”、“价值观”、“方法论”是分开的。“事实”包括：事物性状观测值、真实统计数据、客观规律、历史。“价值观”是基于客观事实的主观推论。“方法论”是为了达到一定的目标而整合各种条件的方法步骤。对于事实，我们需要达成共识，确定它是真实的。对于价值观，对称多元化观点的产生是非常正常的，对于方法论这个重点，中间派显得尤为重要，他们需要兼听对称多元化的观点，来让最后的措施在多元辩驳撞击之后趋于妥协到一个适度的精准点。就拿全球变暖这个议题来说，一派认为人类活动产生的二氧化碳是全球变暖的罪魁祸首，如果不采取激烈手段限制生产，未来的气候就会不堪设想；另一派则认为气候变化是个复杂的问题，现有的模型并不可靠，二氧化碳没那么可怕。注意了，我们这两派价值观最终都要落脚到方法论的，我们更需要中间派考虑限制生产到什么程度比较合适，依据各种权重指标：比如模型可靠率、模型排放上限值、历史与趋势值、经济承受率、科技解决率、公民适应率、企业适应率等等。
3、诺贝尔奖得主罗伯特·奥曼发表一篇传世论文《agreeing to disagree》利用数学定理证明了：如果是两个理性而真诚的真理追求者争论问题，争论的结果必然是两人达成一致。换句话说如果争论不欢而散，那么其中必然有一方是虚伪的。
GREEN：然而现实中很多情况不仅仅是真诚的问题，还有“理性”的问题。这里的理性包括“正确的逻辑”、“真实的证据”、“精确的数据”。有时候并不是辩论的一方因为虚伪不真诚而故意拿出虚假的信息、混乱的逻辑，而是他们不知道自己接收的是虚假的信息或还没有学会正确的逻辑。而另一方有没有纠正逻辑错误摆出真实信息的能力也很关键，所以我建议网络上的有效争论，以真诚为基础，更加注重逻辑证据数据。
4、人们普遍存在“损失厌恶”——得知有关自身会受到损失的信息，大脑中的特定区域杏仁核就会兴奋，这个区域一旦兴奋就会产生一种负面情绪。我们更容易觉得坏比好更重要，当一个坏消息和一个好消息摆在面前，我们更容易纠结坏消息。这使得我们需要突破自己的本能去理性地做出决策。
GREEN：我们做决策，一般需要进行“风险-收益评估”，如果我们摆脱负面情绪，进行一个科学计算的过程作为参考，我们对决策结果会更无愧于心，而不是被杏仁核绑架。另外，负面评论会激发我们的损失厌恶，让我们产生负面情绪，这也未必是件坏事，只需要把这种负面情绪转换升华为重新审视、行走犹豫空间的动力和改进的力量就好。另外，我们除了需要批判精神，也需要发现亮点的精神，做到这一点需要超越你的杏仁核，对世界对别人抱着足够谦卑足够敬畏的心态，这并不容易，但是一旦我们都既能批判也能发现亮点，就会形成良好的社会激励，让社会变得再美好一点。
5、最简单概率论的五个智慧：一、随机（有些事情是无缘无故发生的，没有目的没有原因，充满了不可控的偶然）；二、误差（我们总是在测量结果上加一个误差范围，真实值非常不易得，因为在我们测量的时候，很难将所有偶然因素排除在外）；三、赌徒谬误（随机性不意味着均匀，大数定律不意味着跟过去搞平衡，很多事情是完全独立的随机事件，这意味着下一次结果跟以前所有结果没有任何联系，已经发生了的事情不会影响未来）；四、在没有规律的地方发现规律（独立随机事件的发生是没有规律和不可预测的，不是所有事物都存在规律）；五、小数定律（如果数据少，随机现象可以看上去“很不随机”，产生一些没有被破解的所谓“规律”）。
GREEN：尽管现实生活中充满了不确定性，但是预测又是人们不得不做的事，这就让我们更加重视大数据的运用。我们无法排除所有的偶然因素来做预测，但是当数据与测量次数足够多，就能降低误差，提高预测结果准确的概率。
