De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

TCPII Menselijk beslissen. Menselijk beslissingsgedrag wijkt vaak af van de norm Aanpassen norm: EU ipv EV 1.Van norm naar beschrijving 2.Van computationeel.

Verwante presentaties


Presentatie over: "TCPII Menselijk beslissen. Menselijk beslissingsgedrag wijkt vaak af van de norm Aanpassen norm: EU ipv EV 1.Van norm naar beschrijving 2.Van computationeel."— Transcript van de presentatie:

1 TCPII Menselijk beslissen

2 Menselijk beslissingsgedrag wijkt vaak af van de norm Aanpassen norm: EU ipv EV 1.Van norm naar beschrijving 2.Van computationeel (wat) naar algoritmisch niveau (hoe)

3 Allais paradox: a.1.00 kans op € 1000 b..89 kans op € kans op € kans op € 0 a..11 kans op € kans op € 0 b..10 kans op € kans op € 0 Van norm naar beschrijving: EU is niet genoeg.89 kans op € 1000 * * NB: EV(b) = = 1390!

4 Tversky & Kahneman Framing: “Aziatische ziekte” 600 doden tenzij: Plan A:200 gered Plan B:p(600 gered) = 1/3 p(0 gered) = 2/3 Plan A‘:400 doden Plan B‘:p(0 doden) = 1/3 p(600 doden) = 2/3

5 Keuze tussen: a..25 kans op € 30 b..20 kans op € 45 Stadium 1 Kans van.75 op niks Kans van.25 op meedoen met stadium 2 waarin keuze tussen: a.zeker € 30 b..80 kans op € 45 58% 78% EV : 7.5 9

6 Afwijkingen van het verwachte waardeprincipe Afwijkingen van consistent verwachte utiliteitsprincipe Winst en verlies verschillend behandeld Winst en verlies ten opzichte van manipuleerbaar referentiepunt Bij menselijk beslissen zien we:

7 Kahneman & Tversky’s Prospect Theorie V prospect = ∑π(p i )∙v(x i ) Waarinπ = p γ /(p γ +(1-p) γ ) 1/γ v = x α als x>0 (winst) v = -λ(-x) β als x<0 (verlies) Referentiepunt (x=0) subjectief en manipuleerbaar Herziening EU-principe die daarmee rekening houdt:

8 π p x v π : (γ =.61)v: (α =.55, β =.65, λ = 1.5 ) V prospect = ∑π(p i )∙v(x i )

9 Slovic e.a. (1979) p π

10 x v Risico mijdend bij winst maar risico zoekend bij kleine kans op winst (gokje) Risico zoekend bij verlies maar risico mijdend kleine kans op verlies (verzekering) π p

11 a.1.00 kans op € 1000 b..89 kans op € kans op € kans op € 0 a..11 kans op € kans op € 0 b..10 kans op € kans op € 0 onderschatting overschatting verschil overschatting Weer de Allais paradox: “onderwaardering”

12 Stadium 1 Kans van.75 op niks Kans van.25 op meedoen met stadium 2 waarin keuze tussen: a.zeker € 30 b..80 kans op € 45 Referentiepunt start tweede fase, Hier zekere winst vs risico  risico mijden Formulering manipuleert referentiepunt: a..25 kans op € 30 b..20 kans op € 45 onderschatting

13 Framing: “Aziatische ziekte” 600 doden tenzij: Plan A:200 gered Plan B:p(600 gered) = 1/3 p(0 gered) = 2/3 Plan A:400 doden Plan B:p(0 doden) = 1/3 p(600 doden) = 2/3 v x

14 Deze auto voor € is maar weinig aantrekkelijker dan voor € Als u voor € deze auto koopt, krijgt u €500.- korting of -een gratis navigatiesysteem ter waarde van €500.- Dat is een flinke winst!

15 Prospect theorie beschrijft relatie tussen problemen en keuzes Input-outputfunctie, maar weinig over hoe die tot stand komt! Geen menselijke beslisser gaat π = p γ /(p γ +(1-p) γ ) 1/γ v = x α als x>0 (winst) v = -λ(-x) β als x<0 (verlies) werkelijk uitrekenen!

16 Waardegedeelte zelfde Decisiegewichten ( ≈ π) verschillende parameter voor winst en verlies bepaald voor verschil van cumulatieve waarschijnlijkheden P: Hoe nemen mensen zo’n beslissing? Geldt nog meer voor latere uitbreiding: cumulative prospect theory p P.60 kans op € 96.60π(.60)∙v(96).20 kans op € (π(.80)-π(.60))∙v(14).20 kans op € 12 1 (π(1)-π(80))∙v(12) π(tenminste14 ) π( beter dan 14)

17 Begrensde rationaliteit: -Beperkte informatie over situatie -Beperkte kennis van normatieve principes -Beperkte rekencapaciteit (voor “nieuwe” berekeningen) H. A. Simon ( ) (?!) Satisficing i.p.v. optimaliseren

18 A. TverskyD. Kahneman Heuristics and Biases Startpunt: intuitieve oordelen wijken af van norm – zelfs als norm gekend wordt 1. Achterhalen heuristische principes achter die intuitieve oordelen: hoe komen keuzes tot stand? 2.Beschrijving van wat mensen als gevolg daarvan kiezen  prospect theory In termen van Marr:

19 wat hoe waarmee

20

21 Intuitief oordeel (impressie) lijkt op perceptie - onmiddellijk (maar hoe het werkt is niet onmiddellijk toegankelijk!) - referentieafhankelijk - niet-ambigue Een pan en een deksel kosten samen € 11.- De pan kost € 10.- meer dan het deksel Hoeveel kost het deksel?

22 Systeem 2 superviseert de output van systeem 1 (niet altijd even zorgvuldig) Systemen of continuum? Diverse vergelijkbare indelingen: rationality 1 rationality 2 onbewust bewust skill-based rule based knowledge based (slips/lapses mistakes mistakes)

23 Voorbeeld intuitief oordeel: Na de aanslag van 11 september 2001 vermeden veel reizigers in de VS het vliegverkeer …ten koste van naar schatting 1595 mensenlevens (256 vliegtuigpassagiers stierven op 11 september 2001). (Normale maxima en minima in die maanden) en namen de auto (Gigerenzer, 2006):

24 Illustreert overschatting kleine en onderschatting grote kansen Beschikbaarheidsheuristiek? Affectheuristiek ?

25 Systeem 1 hanteert heuristische principes Availability Representativeness Affect heuristic Prototype Anchoring Atribuutsubstitutie: toegankelijk kenmerk in plaats van niet-toegankelijk kenmerk Extra toegankelijke waarde (vaak: begin) domineert oordeel over attribuut Prototype attribuut i.p.v. Extensieattribuut

26 1. How happy are you with your life in general? 2.How many dates did you have last month? Volgorde 1,2: r 12 ≈ 0 Volgorde 2,1: r 12 =.66 Strack, Martin & Schwarz, (1988) [doelattribuut, moeilijk!] [heuristisch attribuut, gemakkelijk!]

27 Linda is 31 years old, outspoken and very bright, She majored in philosophy. As a student, she was deeply concerned with issues of discrimination and social justice and also participared in antinuclear demonstrations Linda is a bank teller Linda is a feminist and a bank teller Conjunction fallacy

28 Waarschijnlijkheid vervangen door representativiteit In Bayesiaanse termen: p(beschrijving|Feminist&Bankteller) i.p.v. p(Feminist&Bankteller|beschrijving) N.B. de a-priori kans op Bankteller & Feminist is niet zo groot!!!

29 Tom W. [beschrijving typische nerd] Waarschijnlijkheid dat hij …………….studeert Men houdt geen rekening met het feit dat veel meer mensen psychologie studeren dan (b.v.) natuurkunde : “ignoring base rates” psychologie natuurkunde

30 Overeenkomstig mechanisme N.B. bij signaaldetectieproeven kunnen mensen best rekening houden met base rates!

31 Anchoring: 8x7x6x5x4x3x2x1 = ? 1x2x3x4x5x6x7x8 = ? m = 512 m = Englich e.a Rechters beinvloedbaar -door irrelevante vraag (journalist: “denkt u dat vonnis lager of hoger dan …jaar zal uitvallen?”) -door random bepaalde eis van officier Zelf dobbelen (3/9 mnd voorwaardelijk): m = 5.38 sd 3.21 m = 7.81sd 3.51 Expertise beïnvloedt alleen de zekerheid

32 Leiden heuristics altijd tot biases? G. Gigerenzer (Adaptive Behavior and Cognition groep) Ecologische rationaliteit: In veel reële situaties werken fast & frugal heuristics erg goed. Recognitie Take the best Weinig kennis is soms erg handig! Voorspellen uitslagen Wimbledon 2003 Novices 73% experts 69%

33 Keuzen tussen alternatieven met meerdere kenmerken: wat goed werkt hangt af van de omgeving ! Recognitieindien bekendheid valide cue TTBverschillen cue validiteit redundantie Tallyingweinig verschillen cuevaliditeit, lage cue validiteit

34 Priority Heuristic: (Brandstädter e.a. 2006) ▪ hoogste minimale winst d(minw)≥ 0.1∙maxw  ▪ laagste p minimale winst d(p) ≥ 0.1  ▪ hoogste maximale winst a.05 kans op € kans op € 450 b.10 kans op € kans op € 500 b? a!

35 Analoog: Priority Heuristic bij verlies; ▪ laagste minimale verlies d(minv)≥ 0.1∙maxv  ▪ hoogste p minimale verlies d(p) ≥ 0.1  ▪ laagste p maximale verlies

36 Voorspelt Allais paradox: a.1.00 kans op € 1000 b..89 kans op € kans op € kans op € 0 a..11 kans op € kans op € 0 b..10 kans op € kans op € 0 Minimale winst 1000 vs 0 Minimale winst 0 vs 0 Kans daarop:.89 vs.90 Maximale winst 5000 vs 1000 (verschil beide alternatieven.89 kans op 1000)

37 Plan A: 200 gered Plan B: p(600 gered) = 1/3 p(0 gered) = 2/3 Plan A: 400 doden Plan B: p(0 doden) = 1/3 p(600 doden) = 2/3 Voorspelt framing effect hoogste minimale winst laagste minimale verlies Voorspelt ook andere keuzes. De reactietijd neemt toe met aantal beoordelings-stappen

38 Ze bezien maar beperkt aantal gevallen (bijna gelijke EV’s): Vgl.a. p.99, € 200 p.01, € 0 b. p 1, € 100 Wordt misschien toegepast, maar niet altijd en door iedereen! Gigerenzer c.s. proberen aan te tonen dat priority heuristic een betere theorie is dan prospect theory (Is dat een goed idee?)

39 Is supervisie door systeem 2 altijd een goede zaak? Dijksterhuis (2004, 2006): Think differently: d.w.z. onbewust -Onmiddellijk beslissen -3 minuten nadenken -3 minuten 2-backtaak Kiezen kamers, posters, producten in winkels Gemakkelijke beslissing: beter bewust nadenken Moeilijke beslissing: niet bewust nadenken. Onbewust wordt veel informatie opgepikt en geintegreerd (maar hoe?)

40 Ook hier blijkt replicatie lastig! Newell e.a. (2009) Maar: soms is “intuitie” niet zo slecht en levert ordelijk en bewust nadenken niet zoveel op

41 Kunnen mensen beter ? Kennis (voor systeem 2) Attenderen op bias (n.b. soms overcompensatie) Trainen (ook voor systeem 1: kost zeer veel tijd: expertise) Representatie (frequenties toegankelijker dan waarschijnlijkheden; helpt tegen base rate neglect)

42 Of moeten we accepteren dat de meeste mensen het nu eenmaal niet goed kunnen, de beslissingen aan experts (of expertsystemen) overlaten en de rest met zachte hand in de gewenste richting duwen? Maar hoe goed zijn die experts eigenlijk?


Download ppt "TCPII Menselijk beslissen. Menselijk beslissingsgedrag wijkt vaak af van de norm Aanpassen norm: EU ipv EV 1.Van norm naar beschrijving 2.Van computationeel."

Verwante presentaties


Ads door Google