Först e9 litet experiment. Problemlösning och beslutsfa9ande. Vad är e9 beslut? Darwins egna anteckningar

Transkript

1 Först e9 litet experiment Problemlösning och beslutsfa9ande Annika Wallin LUCS och SCAS Medgivandeformulär Å9a ord som ska rankas Jag förklarar varför lite längre in i föreläsningen Ingen måste fylla i eller a9 lämna in Vad är e9 beslut? My Way is to divide half a Sheet of Paper by a Line into two Columns, writing over the one Pro, and over the other Con. Then during three or four Days Consideration I put down under the different Heads short Hints of the different Motives that at different Times occur to me for or against the Measure. When I have thus got them all together in one View, I endeavour to estimate their respective Weights; and where I find two, one on each side that seem equal, I strike them both out. Benjamin Franklin 1772 Darwins egna anteckningar MARRY Children (if please God) constant companion (friend in old age) who will feel interested in one, object to be beloved and played with better than dog anyhow Home, and someone to take care of house. Charms of music and female chit-chat. These things good for ones health. Forced to visit and receive relations but terrible loss of time NOT MARRY No children (no second life) no one to care for one in old age Freedom to go where one liked Choice of society and little of it. Conversation of clever men at clubs. Not forced to visit relatives, and to bend in every trifle to have the expense and anxiety of children perhaps quarrelling. 1

2 Savage Någon lagar omele9. När beslutet ska fa9as har personen knäckt fem färska ägg i en skål men det finns e9 sjä9e ägg. De9a ägg måste användas nu eller kastas. Vad ska beslutsfa9aren göra? Savage Tillstånd Handling Färskt Gammalt Knäck i skålen Knäck på tefat Kasta Omelett på sex ägg Ingen omelett och fem färska ägg i soporna Omelett på sex Omelett på fem ägg och ett tefat att ägg och ett tefat att diska diska Omelett på fem ägg och ett färskt ägg i soporna Omelett på fem ägg Savage Uppska9a ny#an (u'lity) med de olika Vllstånden (omele9 på sex ägg, omele9 på sex ägg och e9 tefat a9 diska etc. ). Uppska9a hur sannolikt det är a9 e9 ägg är gammalt. Använd de9a för a9 räkna ut den förväntade ny#an (expected u'lity) för varje handling. Välj handlingen med högst förväntad ny#a. Maximera förväntad ny9a.. en teori: for ravonal angels (Isaac Levi) Hur ser det ut i verkligheten? Hur fa9ar folk beslut då? Jämför beslutsfa9andet med normavva teorier Hi9a på beslutsregler som verkar ve^ga och testa på olika sä9 Ti9a på fakvskt beslutsfa9ande 2

3 Folk verkar inte funka så 1 skäl kan anges (Hoyer, 1984) 20 sekunder Passar folks besluda9ande in i den formella modellen? if economic man is a model for real men, then real men should always exhibit transivvity of real choices (Edwards, 1954) Medelantalprodukter i en amerikans supermarket 2010 Jämför med normavva teorier The accumulavon of demonstravons in which intelligent people violate elementary rules of logic or stavsvcs has raised doubts about the descripvve adequacy of ravonal models of judgment and decision making. Kahneman & Tversky (1982) p Exempel (som ni se9) Linda is 31 years old, single, outspoken and very bright. She majored in philosophy. As a student, she was deeply concerned with issues of discrimination and social justice and also participated in anti-nuclear demonstrations 3

4 Order the following statements aker how probable they are a) Linda is a teacher in a primary school b) Linda works in a bookstore and takes Yoga classes. c) Linda is an active feminist. d) Linda is a psychiatric social worker. e) Linda is a member of Women Against Rape. f) Linda is a bank teller. g) Linda is an insurance salesperson. h) Linda is a bank teller and is an active feminist Kahneman & Tversky % ordar svaren så a9 det blir mer troligt a9 Linda är feminisvsk banktjänsteman än banktjänsteman RepresentaVvitetsheurisVk? Kan leda Vll intransivva preferenser inte så bra för en Bayesian Varför är det här e9 problem? Klassiskt ravonalitetsbegrepp: Vad ska vi verkligen undvika? Ex: IntransiVvitet: A < B < C C < A Bro9 mot konjunkvonsprincipen kan leda Vll intransivvitet Pengapumpsargumentet Josefin tycker bä9re om vanilj än jordgubb, bä9re om choklad än vanilj och bä9re om jordgubb än choklad Byter jordgubb mot vanilj för en krona Byter vanilj mot choklad för en krona Byter choklad mot jordgubb för en krona Verkar okej a9 tycka a9 a är mer troligt än f a) Linda is a teacher in a primary school b) Linda works in a bookstore and takes Yoga classes. c) Linda is an acvve feminist. d) Linda is a psychiatric social worker. e) Linda is a member of Women Against Rape. f) Linda is a bank teller. E9 exempel Vll: framing Prospect theory en teori om hur vi värderar udall (Kahneman & Tversky, 1979) Risker kan formuleras som vinster eller som förluster Hur man beskriver dem borde inte påverka beslutsfa9andet 4

5 Vi bemöter vinster... Förutom vad du äger innan har du få kronor. Nu får du välja mellan: 50% chans Vll 1000 kronor 500 säkra kronor Vi bemöter vinster... Förutom vad du äger innan har du få kronor. Nu får du välja mellan: 50% chans Vll 1000 kronor [16%] 500 säkra kronor [84%]... annorlunda än förluster Förutom vad du äger innan har du få kronor. Nu får du välja mellan 50% chans a9 förlora 1000 kronor Förlora 500 kronor rakt av... annorlunda än förluster Förutom vad du äger innan har du få kronor. Nu får du välja mellan 50% chans a9 förlora 1000 kronor [69%] Förlora 500 kronor rakt av [31%] Prospect theory : vi bemöter vinster annorlunda än förluster Förutom vad du äger innan har du få kronor. Nu får du välja mellan: 50% chans Vll 1000 kronor [16%] 500 säkra kronor [84%] Förutom vad du äger innan har du få kronor. Nu får du välja mellan 50% chans a9 förlora 1000 kronor [69%] Förlora 500 kronor rakt av [31%] Prospect theory ger bakgrund Vll framing Vi är mer rädda för förluster än vi uppska9ar vinster De flesta föredrar a9 spela vad det gäller förluster och a9 vara på den säkra sidan vad det gäller vinster 5

6 Prospect theory : bakgrund Prospect Theory (Kahneman & Tversky, 1979) förutsäger: De nega'va effekterna av en förlust är större än de posi'va effekterna av en vinst Framing - original: vinstversion Imagine the US is preparing for the outbreak of an Asian disease, expected to kill 600 people (N = 152 f.p.): If program A is adopted, 200 people will be saved 72% föredrar de#a If program B is adopted, there is one third probability that 600 people will be saved and two thirds probability that no people will be saved 28% föredrar de#a Framing : förlustversion Imagine the US is preparing for the outbreak of an Asian disease, expected to kill 600 people (N = 155 f.p.): If program C is adopted, 400 people will die 22% föredrar de#a) If program D is adopted, there is one third probability that nobody will be die and two thirds probability that 600 people will die 78% föredrar de#a Vår tanke I inget av fallen rör det sig om en vinst eller en förlust. Slutresultatet är allvd bä9re än utgångsläget. Enda skillnaden är val av ord Vad händer om man t.ex. inför ord som är olika posivvt och negavvt laddade? Ex: Be saved survive eller pass away - die Y9erst preliminära data Vad är framing egentligen? RA medel Die, lose one s life, pass away, be helped, survive, be saved PosiVvitet medel Delvis en kontexteffekt Vad vi vet påverkar vad vi ser Och hur vi tänker Betydelsen av representavoner Relevant för design! 6

7 Hur bra är de9a? Vi beter oss inte konsekvent i hur vi bemöter likvärdiga udall Vi bedömer sannolikheter på e9 inkonsekvent sä9 Vare sig ny9a eller sannolikheter verkar vi hantera på e9 rimligt sä9 det passar inte med den normavva modellen MEN These heuristics are highly economical and usually effective, but they lead to systematic and predictable errors. A better understanding of these heuristics and the biases to which they lead could improve judgments and decisions in situations of uncertainty (Kahneman & Tversky, p. 20). Bör vi oroa oss? Herbert Simon Ja Nej Human rational behavior is shaped by a scissors whose blades are the structure of the task environment and the computational capabilites of the actor (Simon, 1990, p. 7). Simon om savsficing SaVsficing Välj det första du hi9ar som är bra nog för a9 möta dina behov Passar beslutsfa9ande med Begränsad Vd Begränsad informavon Begränsade resurser 7

8 MEN Hur framgångsrik en strategi som savsficing är beror på miljön. Anpassade kognivva processer Hur omgivningen är strukturerad påverkar hur vi gör bedömningar och fa9ar beslut Men också vilka bedömningar och beslut som blir bra eller dåliga Vem gissar rä9? Vilken stad tror du är störst? (a) San Diego (b) San Antonio Vem gissar rä9? Vilken stad tror du är störst? (a) San Diego (b) San Antonio Studenter från University of Chicago Studenter från Münchens universitet Studenter från University of Chicago 62% rä9 Studenter från Münchens universitet 100% rä9 Gigerenzer & Goldstein, 1996; Goldstein & Gigerenzer, 1999; Goldstein & Gigerenzer, 2002 Gigerenzer & Goldstein, 1996; Goldstein & Gigerenzer, 1999; Goldstein & Gigerenzer, 2002 Less is more! Varför? New York 493 Los Angeles 300 Chicago 97 Houston 80 Philadelphia 63 San Diego 47 Phoenix 53 Dallas 39 San Antonio 4 Detroit 66 San Jose 13 Indianapolis 20 Berlin 3484 Hamburg 1009 München 1240 Köln 461 Frankfurt 1804 Essen 93 Dortmund 84 Stuttgart 632 Düsseldorf 381 Bremen 140 Duisburg 53 Hannover 260 8

9 Nu bygger vi ut idén Ibland bä#re a9 vara slarvig Vilken stad är störst: München eller Dortmund? Har staden hak en världsutställning? Har staden e9 allsvenskt fotbollslag? Stannar e9 intercity tåg i staden? Finns där e9 universitet? Ligger staden i industribältet? Vilken stad är störst? Känner du igen e9 alternavv? Ta det. Om inte: Gå igenom informavonen fråga för fråga (ordnad eker hur väl den förutsäger svaret). Om det blir en skillnad mellan städerna på någon fråga, välj den Vll vars fördel frågan talar. Icke- kompensatorisk strategie Vilken stad är störst? Take The Best Regression Minimal (väljer cues slumpmässigt) Bayesianska nätverk Hur går det? Strategi Infoanv. Fitting Gen. TTB % 73% Regr % 68% Överanpassning Träna på en del av datan (städerna) och försöka förutsäga för nästa del av datan Om man anpassar sig för mycket Vll träningsmängden kan man anpassa sig Vll en massa slumpmässiga faktorer - och därmed bli sämre på a9 förutsäga Minimal % 65% 9

10 TTB i en mängd olika miljöer Steve Bauer Tour de France 1991 Vann första dagen, 97:e av 200 i slutet Bostadspriser i Pennsylvania Hur många som hoppar av high school i Chicago Hemlöshet i olika städer Arrende i Minnesota Professorers löner på olika universitet Dödlighet Vad ska vi dra för slutsats? Koherenstolkningen The accumulation of demonstrations in which intelligent people violate elementary rules of logic or statistics has raised doubts about the descriptive adequacy of rational models of judgment and decision making Kahneman & Tversky, 1982, 124 Korrespondenstolkningen Vad tycker ni? The norms for evaluating reasoning have been too narrowly drawn, with the consequence that judgments deviating from these norms have been mistakenly interpreted as cognitive illusions. Gigerenzer & Goldstein, 1996,

11 Hur ser äkta beslutsfa9ande ut? Generaliserbarhet? I princip alla försök a9 studera beslutsprocesser har gjorts med system som mouselab Payne index A9 spåra beslutsfa9andet Många beslutstrategier verkar omöjliga a9 använda på stora mängder informavon Oka konstruerade för parvisa jämförelser Många förutsä9er a9 all Vllgänglig informavon används Det finns strategier för a9 minska valmängden (t.ex. EBA) A9 spåra beslutsfa9ande Projekt med KersVn Gidlöf och Kenneth Holmqvist Hur fa9ar folk beslut i vardagliga situavoner med många val? Vad V9ar de på? A9 spåra beslutsfa9ande Hur mycket informavon tar folk in? Hur gör de? Håll utkik eker den gula pricken! 11

12 Beslutsfa9ande i affären Står vi inför för många val? Vi V9ar bara på en liten mängd alternavv och egenskaper Strategier verkar variera med produktkategori Det tar längre Vd a9 köpa pasta än både sylt och mjölk Liksom hur bra beslut vi fa9ar Sämst beslut när vi köper sylt Hur gör vi när vi står inför svåra beslut i vardagen? Passar tradivonella beslutsmodeller? Finns det alternavva modeller? Kan beslutssvårighet reduceras? Hur gör vi? Gör vi det rimligt bra? Herbert Simon 1955 How simple a set of choice mechanisms can we apply and still obtain the gross features of observed adaptive choice behavior? Vilken miljö studeras? PsychArVcles Chess 602 arvklar Grocery shopping 156 arvklar Folk verkar inte funka så Iyengar och Lepper (2000) 24 sorters sylt 60% smakar 3% av dessa köper 6 sorters sylt 30% smakar 30% av dessa köper Too much choice Försökspersoner som får välja mellan fler sorters choklad känner sig mindre säkra på si9 val (Chernev, 2003) Ju fler pensionsplaner du kan välja mellan ju mindre sannolikt a9 du investerar i en (Huberman et al 2007) Om du får välja mellan för många (eller för få) presendöpackningar är du mindre nöjd (Reutskaja & Hogarth,

13 Valmöjlighetens paradox Fler val och fler valmöjligheter Vi föredrar många valmöjligheter Vi påverkas negavvt av många valmöjligheter 13