В психологии эвристика « взять лучшее» [1] - это эвристика (простая стратегия принятия решений ), которая делает выбор между двумя альтернативами, выбирая на основе первой различающей их реплики, где реплики упорядочиваются по достоверности реплики (наивысшая к самому низкому). В исходной формулировке предполагалось, что реплики имеют двоичные значения (да или нет) или имеют неизвестное значение. Логика эвристики состоит в том, что она основывает свой выбор только на лучшем сигнале (причине) и игнорирует остальные.
Психологи Герд Гигеренцер и Дэниел Гольдштейн обнаружили, что эвристика на удивление хорошо помогает делать точные выводы в реальных условиях, например, определять, какой из двух городов больше. С тех пор эвристика была изменена и применена к областям медицины , искусственного интеллекта и политического прогнозирования . [2] [3] Также было показано, что эвристика может точно моделировать то, как эксперты, такие как таможенники аэропортов [4] и профессиональные грабители, принимают решения. [5] Эвристика также может предсказать детали когнитивного процесса., например, количество использованных реплик и время отклика, часто лучше, чем сложные модели, которые объединяют все доступные реплики; [6] [7] как таковой, это пример эффекта « меньше значит больше» .
Принятие решения по одной причине
Теории принятия решений обычно предполагают, что все соответствующие причины (особенности или сигналы) исследуются и интегрируются в окончательное решение. Однако в условиях неопределенности (в отличие от риска) не все релевантные сигналы, как и их точный вес и корреляция между сигналами, обычно не известны. В таких ситуациях разумной альтернативой может быть надежда только на лучший доступный сигнал, позволяющий принимать быстрые, бережливые и точные решения. Это логика класса эвристик, известных как «принятие решения по одной причине», который включает в себя выбор лучшего. [8] Рассмотрим реплики с двоичными значениями (0, 1), где 1 указывает значение реплики, связанное с более высоким значением критерия. Задача состоит в том, чтобы сделать вывод, какая из двух альтернатив имеет более высокое значение критерия. Примером может служить то, какая из двух команд НБА выиграет игру, исходя из таких сигналов, как домашний матч, и кто выиграл последний матч. Эвристика «взять лучшее» включает в себя три шага, чтобы сделать такой вывод: [9]
Правило поиска : просматривайте реплики в порядке их достоверности.
Правило остановки : остановите поиск, когда будет найдена первая реплика, в которой значения двух альтернатив различаются.
Правило принятия решения : предсказать, что альтернатива с более высоким значением реплики будет иметь более высокое значение переменной результата.
Достоверность v реплики определяется выражением v = C / (C + W), где C - это количество правильных выводов, когда реплика распознает, а W - количество ошибочных выводов, все оцененные по выборкам.
Лучшее для задачи сравнения
Рассмотрим задачу определить, какой объект, A или B, имеет более высокую ценность по числовому критерию. В качестве примера представьте, что кто-то должен судить, имеет ли немецкий город Кельн больше населения, чем другой немецкий город Штутгарт. Это суждение или вывод должны основываться на информации, предоставляемой двоичными сигналами, например «Является ли город столицей штата?». С формальной точки зрения задача представляет собой категоризацию: пара (A, B) должна быть отнесена к категории X A > X B или X B > X A (где X обозначает критерий) на основе информации о сигнале.
Реплики бинарные; это означает, что они принимают два значения и могут быть смоделированы, например, как имеющие значения 0 и 1 (для «да» и «нет»). Они ранжируются в соответствии с их достоверностью реплик , определяемой как доля правильных сравнений между парами A и B, для которых он имеет разные значения, т. Е. Различает A и B. Take-the-best анализирует каждую реплику, один за другим, в соответствии с ранжированием по достоверности и остановкой в первый раз, когда сигнал различает элементы, и заключением, что элемент с большим значением также имеет большее значение по критерию. Матрица всех объектов эталонного класса, из которых были взяты A и B, и значений реплик, которые описывают эти объекты, составляет так называемую среду. Гигеренцер и Гольдштейн, которые представили Take-The-Best (см. Gerd Gigerenzer & Daniel Goldstein , DG (1996) [10] ), рассматривали в качестве примера как раз пары немецких городов. но только с населением более 100 000 человек. Задача сравнения для данной пары (A, B) немецких городов в эталонном классе заключалась в установлении того, какой из них имеет большее население, на основе девяти ориентиров. Сигналы были двоичными, например, является ли город столицей штата или есть ли в нем футбольная команда в национальной лиге. Значения реплик могут быть смоделированы единицами (для «да») и 0 (для «нет»), чтобы каждый город можно было идентифицировать с помощью его «профиля реплики», т. Е. Вектора е из 1 и 0, упорядоченных в соответствии с рейтингом реплик.
Возник вопрос: как определить, какой из двух объектов, например, город A с профилем сигнала (100101010) и город B с профилем сигнала (100010101) , имеет более высокие баллы по установленному критерию, т. Е. Численности населения? Эвристика «взять лучшее» просто сравнивает профили лексикографически, так же, как сравниваются числа, записанные с основанием два: первое значение метки равно 1 для обоих, что означает, что первая метка не различает A и B. равно 0 для обоих, опять же без дискриминации. То же самое происходит с третьим значением метки, в то время как четвертое значение метки равно 1 для A и 0 для B, подразумевая, что A оценивается как имеющий более высокое значение по критерию. Другими словами, X A > X B тогда и только тогда, когда (100101010) > (100010101) .
Математически это означает , что сигналы , найденные для сравнения позволяют квази- изоморфизм порядка между объектами по сравнению с критерием, в данном случае городов с их населением, и их соответствующие двоичные векторы. Здесь «квази» означает, что изоморфизм, в общем, не идеален, потому что не идеален набор реплик.
Что удивительно, так это то, что эта простая эвристика имеет большую производительность по сравнению с другими стратегиями. Одна очевидная мера для определения эффективности механизма вывода определяется процентом правильных суждений. Более того, важнее всего не только эффективность эвристики при подборе известных данных, но и при обобщении известного обучающего набора на новые элементы.
Черлински, Гольдштейн и Гигеренцер сравнили несколько стратегий с «Take the best»: простой подсчет или модель единичного веса (также называемая «правилом Дауэса» в этой литературе), взвешенная линейная модель сигналов, взвешенных по их достоверности (также называемая «Правило Франклина» в той литературе), линейная регрессия и минимализм. Их результаты демонстрируют устойчивость «Take-the-best» в обобщении.
Например, рассмотрим задачу выбора большого города из двух городов, когда
- Модели соответствуют набору данных о 83 городах Германии.
- Модели выбирают больший из пары городов для всех пар городов 83 * 82/2.
Процент правильных ответов был примерно 74% для регрессии, «Возьми лучшее, линейный удельный вес». В частности, баллы составляли 74,3%, 74,2% и 74,1%, поэтому регрессия выиграла с небольшим отрывом.
Однако в документе также рассматривается обобщение (также известное как прогноз вне выборки).
- Модели соответствуют набору данных случайно выбранной половины из 83 немецких городов.
- Модели выбирают больший из пары городов, взятых из * другой * половины городов.
В этом случае, когда использовалось 10 000 различных случайных разбиений, регрессия давала в среднем 71,9% правильных ответов, Take-the-best - 72,2% правильных, а единица с линейной - 71,4% правильных. В этом случае эвристика Take-the-best была более точной, чем регрессия. Эти результаты представлены в [13].
Смотрите также
Рекомендации
- ^ Гигеренцер, G. & Goldstein, DG (1996). «Рассуждая быстро и экономно: модели ограниченной рациональности». Психологическое обозрение, 103, 650-669.
- ^ Грефе, Андреас; Армстронг, Дж. Скотт (2012). «Прогнозирование выборов из наиболее важного вопроса: проверка эвристики« бери лучшее » . Журнал принятия поведенческих решений . 25 (1): 41–48. DOI : 10.1002 / bdm.710 .
- ^ Czerlinski J., Goldstein, DG, & Гигеренцер, Г. (1999). «Насколько хороши простые эвристики?» В Gigerenzer, G., Todd, PM & the ABC Group, Простая эвристика, которая делает нас умными . Нью-Йорк: Издательство Оксфордского университета.
- ^ Pachur, Т. & Маринельо, Г. (2013). Экспертная интуиция: как смоделировать стратегию принятия решений таможенниками аэропорта? Acta Psychologica, 144, 97–103.
- ^ Garcia-Retamero, R., & дхи, MK (2009). Воспользуйтесь лучшими стратегиями принятия решений экспертом и новичком в случае кражи со взломом. Психономический бюллетень и обзор, 16, 163–169
- ^ Bergert FB, и Nosofsky, RM (2007). Подход на основе времени отклика для сравнения обобщенных рациональных и оптимальных моделей принятия решений. Журнал экспериментальной психологии: обучение, память и познание, 331, 107–129.
- ^ Бродер, А. (2012). Стремление к лучшему. В PM Todd, G. Gigerenzer, & the ABC Research Group, Экологическая рациональность: интеллект в мире (стр. 216–240). Нью-Йорк: Издательство Оксфордского университета
- ^ Гигеренцер, Г., и Gaissmaier, W. (2011). Принятие эвристических решений. Annual Review of Psychology, 62. 451–482.
- ^ Гигеренцер, G., & Goldstein, DG (1996). Обсуждение быстрого и экономного пути: модели ограниченной рациональности. Психологическое обозрение, 103, 650–669.
- ^ Гигеренцер & Goldstein, 1996 - APA Psynet - Рассуждая быстрый и скудный путь: Модели ограниченной рациональности
- ^ Czerlinski J., Goldstein, DG, & Гигеренцер, Г. (1999). «Насколько хороши простые эвристики?» В Gigerenzer, G., Todd, PM & the ABC Group, Простая эвристика, которая делает нас умными . Нью-Йорк: Издательство Оксфордского университета.
- ^ MH. Martignon & Hoffrage (2002) - Быстро, бережливо и удобно: простая эвристика для парного сравнения
- ^ Czerlinski J., Goldstein, DG, & Гигеренцер, Г. (1999). «Насколько хороши простые эвристики?» В Gigerenzer, G., Todd, PM & the ABC Group, Простая эвристика, которая делает нас умными . Нью-Йорк: Издательство Оксфордского университета.