Bedömningar & Beslutsfattande Linnea Karlsson R&I 2010 linnea.karlsson@physiol.umu.se 1
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 Det finns en skillnad i definition, även om man ofta talar om dem under ett och samma namn 2
Bedömningar & Beslutsfattande Klassisk beslutsteori Bounded rationality Heuristik & Biases Ekologisk rationalitet Multiple-Cue Judgment Genom historien kan man säga att det utvecklats olika paradigm/sätt att se på människan och hur hon fattar beslut. De är olika på flera sätt, ett av dem är vilken rationalitets-syn man förespråkar! 3
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 Människans förmåga till komplett informations-sökning och integrering enligt normativa regler. Optimering Reflekterar styrkor hos ett ekonomiskt perspektiv 4
Klassisk beslutsteori EUT (Expected Utility Theory): Sannolikhet x utility = Förväntat värde Normativa modeller bygger på expected utility theory Exempel: Vilket av två jobb ska jag välja? Båda ger samma ingångslön men: företag A företag B 50 % chans till 90 % chans till 10 % löneökning Utility ------ 20 % löneökning Förväntat värde: högst förväntat värde! 0.5x0.2 = 0.1 0.9x0.1 = 0.09 Välj den med 5
Klassisk beslutsteori SEUT (Subjective Expected Utility Theory) Seek pleasure, avoid pain Positiv negativ utility Subjektiv utility Subjektiv sannolikhet DOCK: beslutsprocessen mer komplex Vidareutveckling, alternativ mer subjektivt! Folk maximerar njutning, minimerar plåga Exempel: företag A: företag B: features: prob: features: prob: - + - + - + - + - + - + Features exempel: förmåner, tex vaccination mkt resor osv. olika männsikor ser olika positivt på olika fetures, tex småbarnsmamma negativt på resor. Sannolikhetsexempel: pessimist högre sannolikhet för negativa utilities 6
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 Känner vi till varje människas subjektiva utility och subjektiva sannolikhet kan vi predicera optimala beslut, om dessa fem steg utförs: 7
Bounded rationality Rationalitet, fast inom gränser! H.A. Simon (1957) Satisficing lägsta nivån av accepterbarhet Alternativ till denna starka rationalitets-syn växte fram med början på 50-talet. Vi har inte den mentala kapacitet som krävs för att optimera våra beslut på det viset. Ej optimerade snarare satisfierade! Satisficing: vi tittar på valen ett och ett och väljer det som nöjer oss eller vår minsta nivå av accepterbarhet. Exempel: köpa bil. gå till närmaste bilhandlare hittar bil som faller inom huvudsakligt kriterium och köp. ANNARS: vidare till nästa osv. 8
Tversky & Kahneman (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 Stort program växte fram på 70-talet; vi använder flera genvägar! 9
Representativeness Base-rate neglect Availability Anchoring & adjustment Framing effects Illusory correlations Overconfidence Ska nu gå igenom några av de vanligaste som man identifierat. 10
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. Vilka av följande påståenden om Linda är sanna? 11
Representativeness Linda: a) Lärare b) Bokhandel och tar yoga c) Aktiv i feministrörelsen d) Socialarbetare e) Banktjänsteman f) Säljer försäkringar g) Feministisk banktjänsteman Tex ranka påståendena Conjunction fallacy Uppskattad sannolikhet att Linda var feministisk banktjänsteman högre än att hon var banktjänsteman = fel! 12
Representativeness heuristic leder till sk conjunction fallacy Förklaring: Likhet till eller representativt för populationen Graden till vilket det reflekterar processen Exempel: GBGBBG 72 FAMILJERs exakta födelseordning BGBBBB hur många? Människor bedömer ofta mindre än 72 familjer Exempel: flip a coin spela på lotto! Jack, Linda Bebisarna: mer representativt för antal män/kvinnor i populationen och för att den första sekvensen verkar mer randomiserad, vilket är hur barn blir till 13
Representativeness Base-rate neglect Availability Anchoring & adjustment Framing effects Illusory correlations Overconfidence Relaterat till Representativeness Heuristic är dessa två tankefel: 14
Base-rate: den relativa frekvensen med vilken en händelse inträffar eller ett attribut är representerat i populationen Base-rate neglect Taxibils-exemplet En bias som uppkommer ur repr heuristiken: En taxi bil i smitningsolycka Två företag, gröna blå Dock: om man ändrar kausaliteten tar folk mer hänsyn till base-rates. 15
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? Lurigt: några av er fick denna uppgift 16
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? Rätt svar enligt Bayes teorem: P(Ha/D)/p(Hb/D) = p(ha)/p(hb) x p(d/ha)/p(d/hb) Blå taxibil= Ha. Prior probability = 0.15 Grön taxibil = Hb. Prior probability = 0.85 Sannolikheten att vittnet säger Blå när den är Blå = 0.80 Sannolikheten att vittnet säger Blå när den är Grön = 0.20 0.15/0.85 x 0.80/0.20 = 0.12/0.17 = 41 % sannolikhet att bilen är Blå och 59 % sannolikhet att den är Grön Flera olika base-rates: sannolikhet för golfare att få en viss poäng. Vad är baserates? Tidigare poäng på den banan under karriären, generella nivå? osv 17
Representativeness Base-rate neglect Availability Anchoring & adjustment Framing effects Illusory correlations Overconfidence 18
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 R först eller som tredje bokstav? Fler ord som slutar på ng än..n.? ng uppskattas finnas oftare. 19
Representativeness Base-rate neglect Okänslighet för sample-storlek Availability Anchoring & adjustment Framing effects Illusory correlations Overconfidence 20
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 8x7x6x5x4x3x2x1 estimerat svar: 2250 1x2x3x4x5x6x7x8 estimerat svar: 512 Rätt svar: 40320 % afrikanska länder medlemmar av FN. Över eller under ett visst värde? Om ankare 10 mediangissning 25 Om ankare 65 mediangissning 45 21
Representativeness Base-rate neglect Okänslighet för sample-storlek Availability Anchoring & adjustment Framing effects Illusory correlations Overconfidence 22
Framing effects: Hur ett problem är presenterat styr hur vi utför bedömningar Exempel: bedöm behandlingseffekt Exempel: Asian Desease Problem Troligt en asiatisk sjukdom härjar i USA 600 kan dö Program A: Program B 200 räddas 1/3 chans alla räddas, 2/3 chans ingen räddas 72 % valde program A Program A Program B 400 dör 1/3 chans ingen dör 2/3 chans alla dör 78 % program B Dessutom: vid mindre grupp, 60 & 6, så märks inga framing effects Vi tenderar att göra val som erbjuder en liten men säker vinst hellre än en större men osäker vinst Vi tenderar även att göra val som erbjuder en stor men osäker förlust hellre än en liten men säker förlust 23
Representativeness Base-rate neglect Okänslighet för sample-storlek Availability Anchoring & adjustment Framing effects Illusory correlations Overconfidence 24
Illusory correlations Felaktig bedömning att vissa händelser och kategorier hör ihop Exempel: (Chapman & Chapman ~1970) Politiker/moral: Vi förväntar oss att en politiker från ett givet parti ska visa en viss moral eller karaktär. Instanser från minnet som bekräftar dessa förväntningar plockas lättare fram än de som motsäger dem! Paranoia: Personlighetstest där man skulle rita, försöksledare (forskare) föreslog att personer med paranoia ritade gubbar med större ögon än andra, psykiatriker tyckte sig se denna falska korrelation! 25
Representativeness Base-rate neglect Okänslighet för sample-storlek Availability Anchoring & adjustment Framing effects Illusory correlations Overconfidence 26
Over- /underconfidence En individs övertro (undertro) på sina egna förmågor, kunskap eller bedömningar Kalibrering: rapporterar säkerhet X % - är korrekt X % Burmas befolkning över/under 8 miljoner? Under Skatta 50-100 % hur säker man är (half range) okalibrerade Full range nästan perfekt 27
Overconfidence Formatberoende: Minsta möjliga intervall inom vilket du är 80 % säker på att (mer överkonfident) Burmas befolkning ligger mellan x och y invånare. Sant eller falskt, 0-100 % (mindre överkonfident) Dock, varför lite oklart! Förslag: Folk inser inte hur lite de kan De inser inte vad de antar när de återhämtar sin kunskap De ignorerar faktumet att deras information kommer från opålitliga källor 28
Representativeness Base-rate neglect Availability Anchoring & adjustment Framing effects Illusory correlations Overconfidence 29
Slutsatser: människan beter sig ej justerat normativt utan inte normativt alls! Kritik: Vaghet Negativ bild av mänsklig kapacitet Irrationalitet i förhållande till vad? Ignorerar ekologins roll! Slutsatser från detta program: ej normativ människa Dock; kritik: Vaghet: när används specifika heuristiker? Ignorera ekologins roll: H&B kognition i vakuum, NU: kognition i interaktion med ekologin 30
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 Gerd Gigerenzer ABC Take-the-best 31
Multiple-Cue Judgment Linsmodellen (Brunswik) CUES TASK SYSTEM Criterion COGNITIVE SYSTEM Judgments 32
Multiple-Cue Judgment Probe C 1 C 2 Inference Criterion C j En doktor gör en diagnos på bas av symptom En meterolog bedömer risken för nederbörd på bas av tecken hos vädret En aktiemäklare gör en bedömning av ett företag på bas av ekonomiska fakta 33
Multiple-Cue Judgment Har ofta beskrivits mha statistisk modellering Allmänna resultat: Bedömningar beskrivs väl av en additiv, linjär modell Inkonsistens hög Använder oftast <4 cues Ger cues olika vikt Svårigheter beskriva sitt eget beteende Stora individuella skillnader 34
Multiple-Cue Judgment Cognitive Continuum Theory (Hammond, 1996) Kognitiv Process Intuition Quasi-rationalitet Analys Uppgift (Miljö) 35
Multiple-Cue Judgment & Kunskapsprocesser Knowledge Representation and Cognitive Processes in Judgment Factors Shaping Process and Representation in Multiple- Cue Judgment - A Unified Model of the Judgment Process Knowledge Through Intervention Confidence Judgments the Naïve Sampling Model The Cognitive Substrate of Subjective Probability The Effects of Delayed/Limited Feedback 36