1 / 26

P3_Entscheiden in komplexen Situationen

P3_Entscheiden in komplexen Situationen. Reasoning the Fast and Frugal Way: Models of Bounded Rationality Gerd Gigerenzer and Daniel G. Goldstein Max Plank Institute for Psychological Research and University of Chicago. ... präsentiert von Tim Tiefenbach. Übersicht. Einführung Aufgabe

janina
Download Presentation

P3_Entscheiden in komplexen Situationen

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. P3_Entscheiden in komplexen Situationen Reasoning the Fast and Frugal Way: Models of Bounded RationalityGerd Gigerenzer and Daniel G. GoldsteinMax Plank Institute for Psychological Research and University of Chicago ... präsentiert von Tim Tiefenbach

  2. Übersicht • Einführung • Aufgabe • Theorie • Umgebung • Konkurrenz • Varianten • Diskussion

  3. Einführung Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Wie kann ein Organismus auf unbekannten Größen in seinem Umfeld rückschließen? Es gibt drei mögliche Erklärungsmodelle: • Klassisches Rationalitätsprinzip • Heuristik- und Bias Programm • Modelle der begrenzten Rationalität 5%

  4. Einführung Wichtig Klassisches Rationalitätsprinzip Heuristik- und Bias Programm Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion • Die Gesetze der menschlichen Inferenz sind die gleichen wie die Gesetze der Wahrscheinlichkeit • Der Mensch als Computer • Die Gesetze der Inferenz sind schnelle, ungenaue Heuristiken und nicht die Gesetze der Wahrschein-lichkeit Beide Modelle sehen die Gesetze der Wahrschein- lichkeit als normativ, sind sich aber uneinig darüber ob der Mensch diese Normen erfüllen kann. 9%

  5. Einführung Wichtig Klassisches Rationalitätsprinzip Heuristik- und Bias Programm Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion • Die Gesetze der menschlichen Inferenz sind die gleichen wie die Gesetze der Wahrscheinlichkeit • Der Mensch als Computer • Die Gesetze der Inferenz sind schnelle, ungenaue Heuristiken und nicht die Gesetze der Wahrschein-lichkeit Beide Modelle sehen die Gesetze der Wahrschein- lichkeit als normativ, sind sich aber uneinig darüber ob der Mensch diese Normen erfüllen kann. 9%

  6. Einführung Anmerkung :* Begründer der begrenzten Rationalität ist Herbert Simon * Modelle der begrenzten Rationalität Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion • Der Mensch ist begrenzt in seinen kognitiven Fähigkeiten, so dass er nur zu einem gewissen Gradrational Handeln kann • Anders als bei den Heuristiken wird die Norm der klassischen Rationalität hinterfragt • „Gutes Schlussfolgern“ liefert kein Optimales sondern ein effizientes Ergebnis, in Bezug auf Grenzen in Zeit, Wissen und rechnerischer Kapazität • Befriedigendes Ergebnis 13%

  7. Die Aufgabe • Welche Stadt hat die größere Einwohnerzahl? • Wiesbaden • Mönchengladbach Quelle: www.citypopulation.de Stand: 01/01/2002 Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Gruppe der „two-alternative-choice tasks“ • Schlussfolgerungen aus dem Gedächtnis • Schlussfolgerungen von Gegebenem Die Präsentation beschränkt sich auf Ersteres Wie kann man ohne das Ergebnis zu wissen, auf die Einwohnerzahlen rückschließen? 271.076 / Rank 23 262.963 / Rank 25 18%

  8. Die Theorie Theorie der „Probabilistischen Mentalen Modelle“ Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Besagt dass Schlussfolgerungen von unbekannten Größen auf „Wahrscheinlichkeits-Hinweisen“ (probability cues) beruhen Diese Modelle benutzen begrenztes Wissen um schnelle Schlussfolgerungen zu ziehen Die Suche nach relevanten Kriterien ist auf ein Minimum reduziert und es besteht keine Verflechtung (Integration) der Informationen 23%

  9. Begrenztes Wissen Gibt es eine Universität ... Städte Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Elemente (z.B Städte): a,b,c,d,e ... Erkennungswert (Recognition): bekannt, unbekannt Hinweise (Cue 1, ...): positiv, negativ, ? unbekannt Ist mir die Stadt bekannt? 27%

  10. Take The Best Erkennung Wähle die Alternative mit + Gibt es andere Hinweise? Raten Wähle den Besten Hinweis oder Angelehnt an Figure 2 , p. 653 Start: a, b Flow-Diagram: Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Nein Ja Nein Ja 32%

  11. Take The Best Noch ein Beispiel? Beispiel: Welche Stadt ist größer a oder b? Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Abfolge in einzelnen Schritten: Schritt 1: Erkennung Schritt 2: Nach „Hinweis-Werten“ schauen Schritt 3: Diskriminierungsregel > Hinweis 1 diskriminiert Schritt 4: Die Suche nach Hinweisen ist beendet Schritt 5: Die Testperson zieht den Schluss a ist größer 36%

  12. Die Umgebung Alle Paare in denen Hinweis i richtig ist Alle Paare die von Hin i diskriminiert werden • vi = Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion • Alle 83 Städte mit über 100.000 Einwohner in Deutschland • Zielvariable: Einwohnerzahl • 9 binäre ökologische Hinweise zu den Städten • Die Hinweise sind sortiert nach der ökologischen Validität (vi) [Handout: Wahrheitswert !] • Diskriminierungsrate (di) zeigt in wie viel Prozent der Fälle ein Hinweis zwei Städte „erfolgreich diskriminiert“, bezogen auf alle Vergleiche zweier Städten innerhalb der 83 Gegebenen. 41%

  13. Die Umgebung Bester Hinweis Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Mathematische Erklärung Siehe Handout 45%

  14. Die Umgebung Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion 50%

  15. Begrenztes Wissen simulieren Pilot-Studie an der Uni Chicago N = 26 r = 0.8 Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion • 84 Personentypen die zwischen 0 und 83 Städten erkennen. • 6 Personentypen denen innerhalb der Städte die sie erkennen 0%, 10%, 20%, 50%, 75% oder 100% der Hinweiswerte bekannt waren • 500 Personen von jedem Typ mit unterschiedlichen Zufallswerten innerhalb der obengenannten Größen Problem: In der Realität nicht jede Stadt gleich bekannt! Korrelation zwischen Bekanntheit und Größe wurde mit in das Experiment mit einberechnet Testpersonen wurden zu allen 3.403 Städtepaaren befragtInsgesamt 84 x 6 x 500 x 3.403 = 858 Millionen Abfragen 54%

  16. Erster Test Quelle: Figure 4 , p. 656 Ergebnis: Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Richtige geschlussfolgerte Fälle [%] Anzahl der bekannten Städte 59%

  17. Konkurrenz Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Auszählung (Tallying) ai, bi = |1 wenn i-ter Hinweis positiv, sonst 0 Gewichtete Auszählung (Weighted Tallying) ai, bi = |1 • vi wenn i-ter Hinweis positiv, sonst 0 Einheit-gewichtetes Linear Modell ai, bi = |1 wenn i-ter Hinweis positiv, -1 wenn negativ, sonst 0 Gewichtetes Linear Modell ai, bi = |1 • vi wenn i-ter Hinweis positiv, -1 • vi wenn negativ, sonst 0 Multiple-Regression Multiple Regression Siehe Handout 64%

  18. Ergebnis Quelle Figure 6 , p. 659 Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion 69%

  19. Auswertung GroßdarstellungTable 2, p. 660 Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Schnelligkeit: Im Durchschnitt wurden von den möglichen 20 Hinweisen nur 5.9 tatsächlich vom TTB untersucht. • Damit ist er durchschnittlich dreimal schneller als die Konkurrenten Genauigkeit: 73%

  20. Auswertung 78%

  21. Varianten „Take The Last“ Algorithmus „Minimalist“ Algorithmus Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion • Nimmt anstatt den „Besten Hinweis“, den Hinweis der bei der letzten Frage diskriminiert hat • Falls dieser nicht existiert, wird nach einem beliebigen vorher festgelegten Verfahren vorgegangen(z.B. Start wie „Take The Best“ Algorithmus) • Nimmt anstatt den „Besten Hinweis“, irgendeinen zufällig gewählten Hinweis 82%

  22. Auswertung II 87%

  23. Diskussion Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Merkmale der Algorithmen • Ein-Grund Entscheidung (One-Reason decision making) • Erkennungs-Prinzip • Begrenztes Wissen • Nichtlinearität • Intransitivität (Minimalist Algorithmus) Durch die Algorithmen kann: Schlussfolgern rational (normativ) und psychologisch (deskriptiv) beschrieben werden! 91%

  24. Diskussion Übersicht 1. Einführung 2. Aufgabe 3. Theorie 4. Umgebung 5. Konkurrenz 6. Varianten 7. Diskussion Fazit: Ist das klassische Rationalitätsprinzip veraltet:? Beschreibt der TTB den menschlichen Denkprozess? Kritik: Der „Take The Best“ Algorithmus schummelt! Durch die Verwendung des Besten Hinweises greift er auf eine zusammengefasste Form der Daten zurück! Das menschliche Gehirn hat vielleicht nur eine vage Vorstellung von dem „Besten Hinweis“ zu einer Frage Dennoch erscheint das Modell der begrenzten Rationalität plausibler als das klassische Rationalitätsprinzip ! 94%

  25. Endübersicht Endübersicht: • Einführung • Aufgabe • Theorie • Umgebung • Konkurrenz • Varianten • Diskussion Worterklärung Mathematische Erklärung Multiregression präsentiert von Tim Tiefenbach 100%

More Related