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%