Эвристика «Возьми лучшее»
В психологии эвристика «возьми лучшее» [1] — это эвристика (простая стратегия принятия решений ), которая делает выбор между двумя альтернативами, выбирая на основе первого признака, который их различает, где сигналы упорядочены по достоверности сигнала (от самого высокого до самого низкого). В исходной формулировке предполагалось, что сигналы имеют двоичные значения (да или нет) или неизвестные значения. Логика эвристики заключается в том, что она основывает свой выбор только на лучшем сигнале (причине) и игнорирует все остальное.
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 модифицирована и применена к областям медицины , искусственного интеллекта и политического прогнозирования . [2] [3] Также было показано, что эвристика может точно моделировать, как эксперты, такие как сотрудники таможни аэропорта, [4] и профессиональные грабители принимают решения. [5] Эвристика также может предсказать детали когнитивного процесса , такие как количество используемых сигналов и время реакции, часто лучше, чем сложные модели, которые интегрируют все доступные сигналы; [6] [7] как таковой, это пример эффекта « меньше значит больше» .
Принятие решений по одной причине [ править ]
Теории принятия решений обычно предполагают, что все соответствующие причины (особенности или сигналы) ищутся и интегрируются в окончательное решение. Тем не менее, в условиях неопределенности (в отличие от риска) соответствующие сигналы, как правило, не все известны, равно как и их точные веса и корреляции между сигналами. В таких ситуациях разумной альтернативой может быть использование только лучшего доступного сигнала, позволяющего принимать быстрые, экономные и точные решения. Это логика класса эвристик, известного как «принятие решений по одной причине», который включает в себя выбор лучшего. [8] Рассмотрим сигналы с двоичными значениями (0, 1), где 1 указывает значение сигнала, которое связано с более высоким значением критерия. Задача состоит в том, чтобы сделать вывод, какая из двух альтернатив имеет большее значение критерия. Примером может служить какая из двух команд НБА выиграет игру, основываясь на таких признаках, как домашний матч и кто выиграл последний матч. Эвристика «возьми лучшее» включает в себя три шага для получения такого вывода: [9]
Правило поиска : Просматривайте подсказки в порядке их достоверности.
Правило остановки : Остановите поиск, когда будет найден первый сигнал, в котором значения двух альтернатив различаются.
Правило принятия решения : спрогнозируйте, что альтернатива с более высоким значением сигнала будет иметь более высокое значение выходной переменной.
Достоверность v сигнала определяется выражением v = C/(C+W), где C — количество правильных выводов, когда сигнал различает, а W — количество неправильных выводов, все они оцениваются на основе выборок.
Возьмите лучшее для задачи сравнения [ править ]
Рассмотрим задачу сделать вывод, какой объект, A или B, имеет более высокое значение по численному критерию. В качестве примера представьте, что кто-то должен оценить, имеет ли немецкий город Кёльн большее население, 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 классифицирована как X A > X B или X B > X A (где X обозначает критерий) на основе ключевой информации.
Сигналы являются двоичными; 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 достоверностью их сигналов , определяемой как доля правильных сравнений между парами A и B, для которых он имеет разные значения, т. е. для которых он различает A и B. Функция Take-the-best анализирует каждый сигнал, один за другим, в соответствии с ранжированием по достоверности и остановкой в первый раз, когда сигнал различает элементы, и делается вывод, что элемент с большим значением также имеет большее значение по критерию.
Матрица всех объектов эталонного класса, из которых взяты A и B, и значений сигналов, описывающих эти объекты, образует так называемую среду. Гигеренцер и Гольдштейн, которые ввели принцип «бери лучшее» (см. Герд Гигеренцер и Дэниел Гольдштейн , DG (1996) [10] ) рассматривал в качестве проходного примера именно пары немецких городов. но только те, в которых проживает более 100 000 человек. Задача сравнения для данной пары (A, B) немецких городов эталонного класса заключалась в том, чтобы на основе девяти признаков определить, в каком из городов больше населения. Сигналы имели двоичное значение, например, является ли город столицей штата или есть ли в нем футбольная команда в национальной лиге.
Значения сигналов могут быть смоделированы как 1 (для «да») и 0 (для «нет»), чтобы каждый город можно было идентифицировать по его «профилю сигнала», то есть вектору из 1 и 0, упорядоченному в соответствии с рейтингом. реплик.
Вопрос заключался в следующем: как можно сделать вывод, какой из двух объектов, например, город А с профилем кия (100101010) и город Б с профилем кия (100010101) , набирает более высокие баллы по установленному критерию, т.е. по численности населения? Эвристика «возьми лучшее» просто сравнивает профили лексикографически, так же, как сравниваются числа, записанные по основанию два: первое значение сигнала равно 1 для обоих, что означает, что первый сигнал не различает A и B. Второе значение сигнала равно 0 для обоих, опять же без дискриминации. То же самое происходит с третьим значением сигнала, тогда как четвертое значение сигнала равно 1 для A и 0 для B, что означает, 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 признаки, найденные для сравнения, допускают квазипорядковый изоморфизм между объектами, сравниваемыми по критерию, в данном случае городами с их населением и соответствующими им двоичными векторами. Здесь «квази» означает, что изоморфизм, вообще говоря, несовершенен, поскольку набор сигналов несовершенен.
Удивительно то, что эта простая эвристика имеет большую производительность по сравнению с другими стратегиями. Одним из очевидных показателей эффективности механизма вывода является процент 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 принципом «бери лучшее»: простой подсчет или модель единичного веса (также называемую в этой литературе «правилом Дауэса»), взвешенную линейную модель сигналов, взвешенных по их достоверности (также называемую «правилом Дауэса» в этой литературе), взвешенную линейную модель сигналов, взвешенных по их достоверности (также называемую «правило Франклина» в этой литературе), линейная регрессия и минималистский подход. Их результаты показывают надежность подхода «возьми лучшее» в обобщении.
Например, рассмотрим задачу выбора большего города из двух городов, когда
- Модели подходят для набора данных из 83 немецких городов.
- Модели выбирают больший из пары городов для всех пар городов размером 83*82/2.
Процент правильных результатов составил примерно 74 % для регрессии, выбора лучшего и линейного веса единицы. Точнее, оценки составили 74,3%, 74,2% и 74,1%, поэтому регрессия победила с небольшим отрывом.
Однако в статье также рассматривается обобщение (также известное как прогнозирование вне выборки).
- Модели подходят для набора 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 имела в среднем 71,9% правильных результатов, метод «Возьми лучшее» имел 72,2% правильных значений, а модуль с линейным разделением имел 71,4% правильных значений. В этом случае эвристика «возьми лучшее» оказалась более точной, чем регрессия. [13]
См. также [ править ]
Ссылки [ править ]
- ^ Гигеренцер, Г. и Гольдштейн, Д.Г. (1996). «Быстрое и экономное рассуждение: модели ограниченной рациональности». Психологическое обозрение, 103, 650–669.
- ^ Грефе, Андреас; Армстронг, Дж. Скотт (2012). «Прогнозирование выборов по самому важному вопросу: проверка эвристики выбора лучшего» . Журнал принятия поведенческих решений . 25 (1): 41–48. дои : 10.1002/bdm.710 .
- ^ Черлински Дж., Гольдштейн Д.Г. и Гигеренцер Г. (1999). «Насколько хороши простые эвристики?» Гигеренцер Г., Тодд П.М. и группа ABC, Простая эвристика, которая делает нас умными . Нью-Йорк: Издательство Оксфордского университета.
- ^ Пачур, Т. и Маринелло, Г. (2013). Экспертная интуиция: как смоделировать стратегии принятия решений сотрудниками таможни аэропорта? Acta Psychologica, 144, 97–103.
- ^ Гарсия-Ретамеро, Р., и Дхами, МК (2009). Используйте лучшие стратегии принятия решений экспертами и новичками при кражах со взломом в жилых домах. Психономический бюллетень и обзор, 16, 163–169.
- ^ Бергерт Ф.Б. и Нософски, Р.М. (2007). Подход на основе времени отклика для сравнения обобщенных рациональных моделей принятия решений и моделей принятия лучших решений. Журнал экспериментальной психологии: обучение, память и познание, 331, 107–129.
- ^ Бродер, А. (2012). Стремление взять лучшее. В П.М. Тодде, Г. Гигеренцере и исследовательской группе ABC, Экологическая рациональность: интеллект в мире (стр. 216–240). Нью-Йорк: Издательство Оксфордского университета.
- ^ Гигеренцер Г. и Гайсмайер В. (2011). Эвристическое принятие решений. Ежегодный обзор психологии, 62. 451–482.
- ^ Гигеренцер, Г., и Гольдштейн, Д.Г. (1996). Рассуждая быстро и экономно: модели ограниченной рациональности. Психологическое обозрение, 103, 650–669.
- ^ Гигеренцер и Гольдштейн, 1996 - APA Psynet - Рассуждая быстро и экономно: модели ограниченной рациональности
- ^ Черлински Дж., Гольдштейн Д.Г. и Гигеренцер Г. (1999). «Насколько хороши простые эвристики?» Гигеренцер Г., Тодд П.М. и группа ABC, Простая эвристика, которая делает нас умными . Нью-Йорк: Издательство Оксфордского университета.
- ^ МХ. Мартинньон и Хоффраж (2002) – Быстро, экономно и удобно: простая эвристика для парного сравнения
- ^ Черлински Дж., Гольдштейн Д.Г. и Гигеренцер Г. (1999). «Насколько хороши простые эвристики?» Гигеренцер Г., Тодд П.М. и группа ABC, Простая эвристика, которая делает нас умными . Нью-Йорк: Издательство Оксфордского университета.