View
26
Download
1
Category
Preview:
DESCRIPTION
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 - PowerPoint PPT Presentation
Citation preview
Reasoning the Fast and Frugal Way: Reasoning the Fast and Frugal Way:
Models of Bounded RationalityModels of Bounded Rationality
Gerd Gigerenzer and Daniel G. GoldsteinGerd Gigerenzer and Daniel G. GoldsteinMax Plank Institute for Psychological Research and University of ChicagoMax Plank Institute for Psychological Research and University of Chicago
P3_Entscheiden in komplexen SituationenP3_Entscheiden in komplexen Situationen
... präsentiert von Tim ... präsentiert von Tim TiefenbachTiefenbach
1.1. EinführungEinführung
2.2. AufgabeAufgabe
3.3. TheorieTheorie
4.4. UmgebungUmgebung
5.5. KonkurrenzKonkurrenz
6.6. VariantenVarianten
7.7. DiskussionDiskussion
Übersicht
Es präsentiert:Tim Tiefenbach
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
Einführung
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
5%
Es präsentiert:Tim Tiefenbach
• 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
Einführung
Beide Modelle sehen die Gesetze der Wahrschein-lichkeit als normativ, sind sich aber uneinig darüberob der Mensch diese Normen erfüllen kann.
Wicht
ig
Klassisches RationalitätsprinzipKlassisches Rationalitätsprinzip
Heuristik- und Bias ProgrammHeuristik- und Bias Programm
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
9%
Es präsentiert:Tim Tiefenbach
• 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
Einführung
Beide Modelle sehen die Gesetze der Wahrschein-lichkeit als normativ, sind sich aber uneinig darüberob der Mensch diese Normen erfüllen kann.
Wicht
ig
Klassisches Rationalitätsprinzip
Heuristik- und Bias Programm
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
9%
Es präsentiert:Tim Tiefenbach
• DDer 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
Einführung
Anmerkung :* Begründer der begrenzten Rationalität ist
Herbert Simon
**Modelle der begrenzten Rationalität Modelle der begrenzten Rationalität Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
13%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Die Aufgabe
Welche Stadt hat die größere Einwohnerzahl?
(a) Wiesbaden
(b) Mönchengladbach
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
Quelle:www.citypopulation.de
Stand: 01/01/2002
18%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Die Theorie
Besagt dass Schlussfolgerungen von unbekanntenGrößen auf „Wahrscheinlichkeits-Hinweisen“ (probability cues) beruhen
Diese Modelle benutzen begrenztes Wissen um schnelleSchlussfolgerungen zu ziehen
Die Suche nach relevanten Kriterien ist auf ein Minimum reduziert und es besteht keine Verflechtung
(Integration) der Informationen
Theorie der „Probabilistischen Mentalen Modelle“Theorie der „Probabilistischen Mentalen Modelle“
23%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Begrenztes Wissen
Elemente (z.B Städte): a,b,c,d,e ... Erkennungswert (Recognition): bekannt, unbekanntHinweise (Cue 1, ...): positiv, negativ, ? unbekannt
Städte
Ist mir die Stadt bekannt?Gibt es eine Universität
...
27%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Take The BestStart: a, b
Nein
Ja
Nein Ja
Erkennung
Gibt es andereHinweise?
Wähle denBesten Hinweis
Wähle dieAlternative mit +
Raten
oder
Flow-Diagram:
Angelehnt anFigure 2 , p. 653
32%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Take The Best
Abfolge in einzelnen Schritten:
Schritt 1: ErkennungSchritt 2: Nach „Hinweis-Werten“ schauenSchritt 3: Diskriminierungsregel > Hinweis 1
diskriminiertSchritt 4: Die Suche nach Hinweisen ist beendetSchritt 5: Die Testperson zieht den Schluss a ist größer
Beispiel:
Welche Stadt istgrößer a oder b?
Noch ein Beispiel?
36%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Die Umgebung
• 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 !]
Alle Paare in denen Hinweis i richtig istAlle Paare die von Hin i diskriminiert werden
⇒ vi =
• 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%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Die Umgebung
Hinweis vi di
Bundeshauptstadt 1.00 0.02
Ausstellungsstätte 0.91 0.25
Fußball-Mannschaft in der 1. Liga 0.87 0.30
Anschluss an den Intercity 0.78 0.38
Landeshauptstadt 0.77 0.30
Ist das Nummernschild einstellig 0.75 0.34
Universitätsstadt 0.71 0.51
Ist die Stadt im Industrie-Ring 0.56 0.30
War die Stadt früher in Ostdeutschland
0.51 0.27Mathematisch
eErklärung
Siehe Handout
45%
Bester Hinweis
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Die Umgebung
Hinweis vi di
Bundeshauptstadt 1.00 0.02
Ausstellungsstätte 0.91 0.25
Fußball-Mannschaft in der 1. Liga 0.87 0.30
Anschluss an den Intercity 0.78 0.38
Landeshauptstadt 0.77 0.30
Ist das Nummernschild einstellig 0.75 0.34
Universitätsstadt 0.71 0.51
Ist die Stadt im Industrie-Ring 0.56 0.30
War die Stadt früher in Ostdeutschland
0.51 0.27
50%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Begrenztes Wissen simulieren
• 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 einberechnetPilot-Studie
an der Uni Chicago N = 26 r = 0.8
Testpersonen wurden zu allen 3.403 Städtepaaren befragtInsgesamt 84 x 6 x 500 x 3.403 = 858 Millionen Abfragen
54%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Erster Test
Ergebnis:
Quelle:Figure 4 , p. 656
59%
Anzahl der bekannten Städte
Ric
hti
ge g
esc
hlu
ssfo
lgert
e F
älle
[%
]
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Konkurrenz
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 Modellai, bi = |1 wenn i-ter Hinweis positiv, -1 wenn negativ,
sonst 0
Gewichtetes Linear Modellai, bi = |1 • vi wenn i-ter Hinweis positiv, -1 • vi wenn
negativ, sonst 0
Multiple-RegressionMultiple
RegressionSiehe Handout
64%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Ergebnis
QuelleFigure 6 , p. 659
69%
Es präsentiert:Tim Tiefenbach
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Auswertung
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:
GroßdarstellungTable 2, p. 660
73%
Es präsentiert:Tim Tiefenbach
Auswertung
78%
Es präsentiert:Tim Tiefenbach
Varianten
• 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
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
„Take The Last“ Algorithmus
„Minimalist“ Algorithmus
82%
Es präsentiert:Tim Tiefenbach
Auswertung II
87%
Es präsentiert:Tim Tiefenbach
Diskussion
Merkmale der Algorithmen
• Ein-Grund Entscheidung (One-Reason decision making)
• Erkennungs-Prinzip• Begrenztes Wissen• Nichtlinearität• Intransitivität (Minimalist Algorithmus)
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
Durch die Algorithmen kann:
Schlussfolgern rational (normativ) und psychologisch (deskriptiv) beschrieben werden!
91%
Es präsentiert:Tim Tiefenbach
Diskussion
Fazit:
Ist das klassische Rationalitätsprinzip veraltet:?
Beschreibt der TTB den menschlichen Denkprozess?
Übersicht
1. Einführung
2. Aufgabe
3. Theorie
4. Umgebung
5. Konkurrenz
6. Varianten
7. Diskussion
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
94%
Dennoch erscheint das Modell der begrenzten Rationalitätplausibler als das klassische Rationalitätsprinzip !
EndübersichtEndübersicht:
präsentiert von Tim Tiefenbach
1.1. EinführungEinführung
2.2. AufgabeAufgabe
3.3. TheorieTheorie
4.4. UmgebungUmgebung
5.5. KonkurrenzKonkurrenz
6.6. VariantenVarianten
7.7. DiskussionDiskussion
WorterklärungWorterklärung
Mathematische ErklärungMathematische Erklärung
MultiregressionMultiregression
100%
Recommended