Vi är alla bedömare och beslutsfattare!

Transkript

1 Högre kognitiva funktioner: Beslutsfattande/Bedömningar och Resonemang Patrik Hansson Vi är alla bedömare och beslutsfattare! Bör jag köpa? Hur många poäng får Finland i år? Vad är sannolikheten för regn i morgon? 1

2 I många yrken är bedömningar avgörande Bedömningar & Beslutsfattande Bedömningar: processer som används för att dra slutsatser från den kunskap och de erfarenheter som finns tillgängliga för oss Beslutsfattande: att välja bland olika möjligheter/alternativ 2

3 Bedömningar & Beslutsfattande Klassisk beslutsteori Bounded rationality Heuristik & Biases Ekologisk rationalitet Klassisk beslutsteori Homo Economicus (e.g. Peterson & Beach, 1967) Ekonomer, statistiker, filosofer Matematiska modeller Rationell tanke om beslutsfattare: Vet allt om möjligheter och utfall Känner obegränsat av skillnaden mellan olika möjligheter Maximerar vad som betyder något 3

4 Klassisk beslutsteori EU(T) (Expected Utility Theory): Sannolikhet x utility = Förväntat värde Klassisk beslutsteori SEU (Subjective Expected Utility Theory) Seek pleasure, avoid pain Positiv negativ utility Subjektiv utility Subjektiv sannolikhet DOCK: beslutsprocessen mer komplex 4

5 Klassisk beslutsteori Optimala beslut! Sker detta? Alla möjliga alternativ tas hänsyn till Maximal tillgänglig information beaktas Noggrann vägning av costs & benefits Noggrann beräkning av sannolikheten för olika utfall En maximal nivå av sunt resonemang Intuitiva statistiker Peterson, C. R., & Beach, L. R. (1967). Man as an intuitive statistician. Psychological Bulletin, 68, Laboratorieexperiment Bedöma egenskaper hos fördelningar(medelvärde, varians, sannolikhet, etc), [G, R, G, G, R, G, R, G, G, G] Sannolikheten för grön? [12, 16, 9, 22, 17, 15, 12, 19] Medelvärdet? [(2, 5), (4, 8), (1, 4), (6, 7)] Vad är korrelationen? Fp s prestation uppvisade god överensstämmelse med sannolikhetsteori och statistisk teori (norm) 5

6 Bounded rationality Rationalitet, fast inom gränser! H.A. Simon (1957) Satisficing lägsta nivån av accepterbarhet Heuristik & Biases Kahneman & Tversky (70 talet) Heuristik: mental genväg Bias: tankefel Utgångspunkt 1: HUR fattas beslut? Utgångspunkt 2: Det finns okontroversiella normativa lösningar till alla problem Ekonomiska och effektiva leder dock till systematiska och predicerbara fel 6

7 Heuristik & Biases Representativeness Availability Anchoring & adjustment Framing effects Heuristik & Biases Representativeness Linda är 31 år gammal, singel, utåtriktad och mycket smart. Som student var hon väldigt engagerad i diskrimineringsfrågor och social rättvisa och deltog även i demonstrationer mot kärnkraft. Rangordna följande alternative efter hur sannolika de är (1 = minst och 8 mest)? 7

8 Heuristik & Biases Representativeness Representativeness Linda: a) Lärare b) Bokhandel och tar yoga c) Aktiv i feministrörelsen d) Socialarbetare e) Banktjänsteman f) Säljer försäkringar g) Feministisk banktjänsteman Heuristik & Biases Representativeness Katastrofal jordbävning i Kalifornien under nästa år som dödar mer än människor > Katastrof någonstans i USA under nästa år som dödar mer än människor K K&J&C

9 Heuristik & Biases Representativeness Representativeness heuristic leder till sk conjunction fallacy Förklaring: Likhet till eller representativt för populationen Graden till vilket det reflekterar processen K K&J&C (Miss)uppfattning angående slump Fördelning över krona/klave: Vilken händelse är mest sannolikt om man singlar slant? a) H H H H H H T T T T T T b) H T T H T H H T T T H H c) H H H H H H H H H H H H Många bedömer b som mer sannolikt än a och a mer sannolikt än c Måhända är några händelser mer representativta för en slumpmässig händelse [b > a > c] men det är lika stor chans att de inträffar. 9

10 Heuristik & Biases Representativeness Base rate neglect Availability Anchoring & adjustment Framing effects Heuristik & Biases Representativeness Base rate: den relativa frekvensen med vilken en händelse inträffar eller ett attribut är representerat i populationen Base rate neglect Taxibils exemplet 10

11 Heuristik & Biases Representativeness En taxibil var inblandad i en smitningsolycka en kväll. Två taxiföretag, det Gröna och det Blå, har verksamhet i staden. Du får följande information: a) 85% av taxibilarna i staden är Gröna, och 15% är Blå, och b) under rättegången identifierade ett vittne taxibilen som en Blå bil. Vittnets förmåga att identifiera taxibilar testades dock under liknande visuella omständigheter som rådde under olyckskvällen. När vittnet fick se en serie taxibilar, hälften Blå och hälften Gröna, så gjorde vittnet en korrekt identifiering i 80% av fallen och en felaktig identifiering i 20% av fallen. Vad var sannolikheten att taxibilen som var inblandad i olyckan var Blå hellre än Grön? Heuristik & Biases Representativeness Base rate neglect Resultat: mer tro till vittnet än till antal blåa/gröna taxibilar! Möjlig förklaring: vi har lärt oss att det kan ligga lite värde i base rates; vi klarar oss bra utan? 11

12 Heuristik & Biases Representativeness Availability Anchoring & adjustment Framing effects Heuristik & Biases Availability Finns fler ord i engelska som.. Börjar på r Har r på 3:e plats Typiskt svar Rätt svar 12

13 Heuristik & Biases Availability (Kahneman & Tversky, 1974) Fråga till fp: Vilken av följande är den vanligaste dödsorsaken? (a) trafikolycka (b) magcancer Heuristik & Biases Availability (Kahneman & Tversky, 1974) Typisk gissning trafikolycka = 4 x magcancer Faktiska värden trafikolyckor, magcancerfall i USA Hur rapporterade tidningarna de olika fallen? 137 (trafik) mot 1 (magcancer) 13

14 Heuristik & Biases Availability Sannolikheter och frekvenser bedöms utifrån hur lätt olika instanser kommer oss till minnes Tversky & Kahneman (1973) Förklaring: Lättåtkomst i långtidsminnet Frekvens av tidigare erfarenheter Heuristik & Biases Representativeness Base rate neglect Okänslighet för sample storlek Availability Anchoring & adjustment Framing effects 14

15 Heuristik & Biases Anchoring and Adjustment (Kahneman & Tversky, 1974) Steg 1: Är andelen Afrikanska medlemsländer i FN högre eller lägre an 65% [10%]? Steg 2: Vad är din bästa gissning för andelen Afrikanska medlemsländer i FN? Anchoring effect: 10% anchor grupp, medelgissning: 25% 65% anchor grupp, medelgissning: 45% Heuristik & Biases Anchoring and Adjustment (Kahneman & Tversky, 1974) Vilket produkt är störst? a = 7 x 6 x 5 x 4 x 3 x 2 x 1 b = 1 x 2 x 3 x 4 x 5 x 6 x 7 15

16 Heuristik & Biases Anchoring and adjustment Människor utför estimat av ett okänt värde med utgångspunkt från ett känt värde justerar sedan utifrån detta Dock: leder till tankefel: ankaret får för stort inflytande Exempel: multiplikationsprodukt Heuristik & Biases Representativeness Base rate neglect Okänslighet för sample storlek Availability Anchoring & adjustment Framing effects 16

17 Heuristik & Biases Framing Framing effects: Hur ett problem är presenterat styr hur vi utför bedömningar Exempel: bedöm behandlingseffekt Heuristik & Biases Framing Förutsättning: 600 människor riskerar att dö i en epidemi 62% 38% Formulerat som möjlig vinst (risk aversion): Om vaccin A används så räddas livet på 200 Med vaccin B är det en sannolikhet på.33 att alla 600 räddas och en sannolikhet på.66 att alla 600 dör 22% 78% Formulerat som möjlig förlust (risk seeking): Om vaccin C används så dör 400 Med vaccin B är det en sannolikhet på.33 att alla 600 räddas och en sannolikhet på.66 att alla 600 dör 17

18 Heuristik & Biases Framing Formuleringen av alternativen påverkar oss: Vi undviker att ta risker när ett av alternativen är formulerat i termer av vinst. Vi tar risker när ett av alternativen är formulerat i termer av förlust. Heuristik & Biases Representativeness Availability Anchoring & adjustment Framing effects 18

19 Heuristik & Biases Slutsatser: människan beter sig ej normativt! Kritik: Vaghet Negativ bild av mänsklig kapacitet Irrationalitet i förhållande till vad? Ignorerar ekologins roll! Ekologisk rationalitet All rationalitet måste förstås i relation till den miljö i vilken den rationella handlingen äger rum! Heuristiker används där de passar strukturen i miljön 19

20 Heuristics that make us smart Book (and numerouis papers) by Gigerenzer & the Adaptive Behavior and Cognition (ABC) group (1999): Simple heuristics that make us smart Ekologisk rationalitet Sannolikhetsbegreppet och statistisk teori är relativt nya påfund. Våra förfäder behövde troligen också göra bedömningar under osäkerhet (sannolikhetsbedömningar). I form av frekvenser (5 av 10 lyckade försök). 20

21 Frekvenshypotesen Fiedler (1988) genomförde en frekvensversion av Linda-problemet Linda är 31 år gammal, singel, utåtriktad och mycket smart. Som student var hon väldigt engagerad i diskrimineringsfrågor och social rättvisa och deltog även i demonstrationer mot kärnkraft. Orginalversionen: Rangordna följande alternative efter hur sannolika de är (1 = Mest och 8 minst). Frekvensversion: Det finns 200 personer som passar in på beskriving ovan. Hur många av dessa är... I orginalversionensvarade 91% att det var högre sannoliket för att Linda var feministisk baktjänsteman än banktjänsteman I frekvensversionen gjorde bara 22% detta misstag Ekologisk rationalitet Gigerenzer alternativa förhållningssätt till heuristik skiljer sig från Kahneman och Tversky s strategi. Ekologisk rationalitet i stället för logiska rationalitet. Enkla heuristiker kan vara överlägsna mer informationshungriga processer ( less is more ). 21

22 Vilken av följande Amerikanska städer har flest invånare? San Diego eller San Antonio? Amerikaner: 62% rätt Tyskar: 100% rätt Tyskar är bättre på att bedöma Amerikanska städer än Amerikaner. Amerikaner är bättra på att bedöma Tyska städer än Tyskar!? Goldstein & Gigerenzer, 2002, Psychological Review Recognition heuristic Om du enbart känner igen ett av objekten, välj detta. Om du inte känner igen något av objekten, gissa! 22

23 Resonemang Resonerande Deduktion Induktion. Resonemang Det generella DEDUKTION Logik INDUKTION Det specifika 23

24 Resonemang Deduktion Det generella DEDUKTION Logik Studeras utifrån LOGIK: problemen som människor får utföra beskrivs i logiska termer Det specifika Premisser slutsats! Hur gör människor detta? Resonemang Wason s-selection Task Exempelregel: Om en konsonant på ena sidan så ett jämnt nummer på andra sidan S 3 A 2 p q p q 24

25 Resonemang Conditional Reasoning Logiskt giltiga slutledningsregler: Modus ponens Modus tollens p q p q p ~q q ~p Resonemang Wason s-selection Task Problem att formulera negativa test (negationer) Som tumregel väljer man de symboler som nämns i regeln Premisserna modifieras av förståelseprocesser Andra resultat med konkreta material Uppfattar om, så som om och endast om 25

26 Resonemang Wason s-selection Task Effekter av innehåll: Griggs & Cox (1982) Exempelregel: Om en person dricker öl så måste den vara över 18 år ÖL Cola p p q q Resonemang Kategoriska Syllogismer Alla Z är Y Alla Y är X Alla Z är X (valid slutsats) 26

27 Resonemang Kategoriska Syllogismer Alla psykologer är löpare Alla löpare är kockar Alla psykologer är kockar (valid slutsats?) Resonemang Mentala Modeller (Johanson-Laird) Vi försöker skapa mentala modeller utifrån premisserna De mentala modellerna konstrueras utifrån vad som är sant (positiva instanser) Falsifikation sker genom upptäckt av alternativa mentala modeller, men negationer konstrueras ej pga av ökad memory load Arbetsminnet begränsar slutledningsförmågan (skapandet av alternativa modeller) 27

28 Resonemang Induktion Det generella Logik INDUKTION Hypotestestning Confirmation bias Det specifika Kausala slutledningar Tolkar korrelationer felaktigt Kategorisering Slutsatser från prototyper 28