Kartenstapel

möchte Urteile und Entscheidungen erklären, verstehen und vorhersagen

unter Berücksichtigung der Informationen, die genutzt werden, der Umwelt und der individuellen Unterschiede

Präsentation der Informationen (Umwelt) beeinflusst die individuellen Unterschiede (bspw. Präferenzen)

Erklären und Verstehen ermöglicht Vorhersage und Kontrolle

--> ermöglicht ‚social engineering‘ (=Veränderung der Entscheidungsumwelten)

sowohl ins Positive, als auch ins negative möglich

Positiv: gute, sachliche Informationen, um bessere Entscheidung zu unterstützen

Negativ: Manipulation, um Produkt zu kaufen, Marketing)

⇒Peakend-Regel: Höchste Schmerzintensität und Ende der Ereignisse sind relevant

Patient B kommt eher wieder

Dauer wird eher vernachlässigt

Patient*innen bei denen kaum schmerzhaft verlängert wurde, beurteilen

Darmspiegelung als weniger schmerzhaft und haben leicht höhere Wahrscheinlichkeit für weitere Darmspiegelung

subjektive Bewertung einer Person, eines Objekts, Ereignisses

  Zuordnung eines Wertes auf einer Urteilsdimension zu einem Urteilsobjekt

Inferenz eines unbekannten, distalen (nicht direkt zugänglichen) Kriteriums anhand von proximalen Informationen aus der Umwelt

Aktion basierend auf Urteilsprozess (Bsp.: Verurteilung)

Wahl zwischen mindestens zwei möglichen (Handlungs-)Optionen

⇒Vereinfachende Annahme: linearer Zusammenhang zwischen Cues und Kriterium; Cues und Urteil

• reliabel und werden nicht müde

  • Schwankungen in Aufmerksamkeit bei Menschen = Fehler

• Modell verwendet die optimale Gewichtung der Cues

  • irrelevante Informationen werden ignoriert, Menschen konzentrieren sich manchmal auf unwichtige Cues

• Modell kann leichter lernen: optimale Informationen

  • Menschen erhalten häufig kein, spätes oder nur partielles Feedback (bspw. Rückfall)

  • Menschen erhalten falsches Feedback (selbsterfüllende Prophezeiung)

    • ich erwarte von jemandem kein hohes Trinkgeld, dann gebe ich mir weniger Mühe und bekomme wirklich wenig Trinkgeld

• Viel Vorarbeit und Erfahrung notwendig, bevor ein Modell programmiert werden kann

• Modelle können Cues, die sie erhalten integrieren. Nicht Entscheiden, welche berücksichtigt werden oder wie eine Ausprägung aussieht (bsp. Unnatürlicher Augenkontakt)

• Modelle haben Schwierigkeiten Einzelfälle/Ausnahmen zu erkennen

• Modelle haben Schwierigkeiten beim erkennen komplexer Muster (Emotionen) (KI holt auf)

• Kombination statistischer Modelle mit menschlichen Urteilen am besten

Verhalten ist..

• Ziel-orientiert (Nutzen maximieren), Reflektiert, Konsistent (über Zeit und Entscheidungsaufgaben) § Menschen als “intuitive Statistiker*in”, “Homo economicus”

• ⇒Standardmodell in der Ökonomie

Als kognitive Illusion

• Daumenregeln

• Mentale “Abkürzungen”

• Geringe kognitive Belastung

• Keine Garantie der Optimalität

• Ausreichend für die meisten Situationen

• Können zu systematischen Fehlern führen

• Die subjektive Wahrscheinlichkeit/Häufigkeit eines Ereignisses ist umso größer, je repräsentativer (ähnlicher) das Ereignis für die Population (d.h. Klasse von Ereignissen) ist, aus der es stammt.

  • wir benutzen Ähnlichkeit einer Situation/Ereignisses/ Person mit dem Prototypen der Ereignisklasse („was ist typisch“), um Wahrscheinlichkeiten/Häufigkeit einzuschätzen

  • unterliegt der Gefahr, die statistischen und kausalen Strukturen der Situation zu übersehen (was ähnlich, typisch etc. ist, muss nicht immer das wahrscheinlichste sein)

1. Basisratennegation

2. Konjunktionsfehler

2b Konjunktionsfehler: Fehlschluss aus bedingten Wahrscheinlichkeiten

3. Verwechselung inverser Wahrscheinlichkeiten

4. Gesetz der großen Zahlen

5. Gamblers fallacy (Trugschluss des Spielers)

6. Hothand fallacy

Beispiel

“Tom lebt in Deutschland. Er liebt die Oper und nützt jede Gelegenheit, um ins Kunstmuseum zu gehen. In seiner Jugend hat er gerne Schach mit seiner Familie und Freunden gespielt.”

Was ist wahrscheinlicher?

1. Tom spielt Trompete in einem großen Rundfunkorchester in Deutschland.

2. Tom ist ein Landwirt in Deutschland.

Was ist Tom von Beruf?

• p(Beschreibung | Landwirt) = 0.001 (0.1%)

• p(Beschreibung | Trompeter im Orchester) = 0.5 (50%)

• Aber die Basisraten unterscheiden sich

  • 11 Rundfunkorchester in Deutschland = 33 Trompeter

  • 270.000 Landwirte in Deutschland

• 33 * .5 = 16,5

• 270.000 * .001 = 270

• Basis-Raten-Fehler = wenn Beobachtung bzw. neue Situation besonders auffällig, dann Wahrscheinlichkeit ungerechtfertigt beeinflusst (Bayes-Theorem)

• Blick auf wolkenlosen November-Himmel so beeindruckend, dass allgemeiner Regenanteil vergessen. Subjektive (Aposteriori-) Wahrscheinlichkeit, dass es morgen regnet geringer, als es richtig wäre.

• 2 Dinge sind unwahrscheinlicher, als eins

• Ereignis klingt wahrscheinlicher, wenn es einen plausiblen/kausalen Zusammenhang enthält (löst Mechanismus im menschlichen Gehirn aus)

1. Was ist die Wahrscheinlichkeit, dass es in den nächsten 30 Jahren irgendwo in Nordamerika zu einer Sturmflut kommt, in der 1000 Menschen umkommen?

2. Was ist die Wahrscheinlichkeit, dass in den nächsten 30 Jahren ein massives Erdbeben in Kalifornien eine Sturmflut auslöst, in der 1000 Menschen umkommen?

—> auch hier zwei Dinge unwahrscheinlicher als eins

• Aus Aussage falschen Rückschluss ziehen

• Menschen ohne Auto fahren häufig Fahrrad

  • p(Fahrrad I kein Auto) ist hoch

Ergo:

• Fahrradfahrer haben typischerweise kein Auto

  • p(Fahrrad I kein Auto) = p(kein Auto I Fahrrad)

  • aber: p(Fahrrad I kein Auto) > p(kein Auto I Fahrrad)

• p(A I B) ≠ p(B I A)!

• Grössere Stichproben haben eine geringere Wahrscheinlichkeit vom Mittelwert abzuweichen als kleinere Stichproben

Beispiel; Was glauben Sie, welches Krankenhaus erfasste mehr Tage?

In einer Stadt gibt es 2 Krankenhäuser. Im grösseren Krankenhaus werden circa 45 Babys pro Tag geboren, in dem kleineren ca. 15 Babys pro Tag. Wie Sie wissen, sind ungefähr 50% aller Babys Jungen, aber der genaue Prozentsatz schwankt von Tag zu Tag. Für ein Jahr hat jedes Krankenhaus die Anzahl von Tagen erfasst, an denen mehr als 60% der geborenen Kinder Jungen waren.

Roulette

• Je öfter ein Ereignis eintritt, desto wahrscheinlicher erscheint, dass als nächstes ein anderes Ereignis eintritt (auf 50:50 bezogen)

• —> Wahrscheinlichkeit bleibt bei 50%

Können Spieler*innen „heiss“ werden?

Idee: p(hit|hit) > p(hit|miss)

• Fans, Spieler*innen und Trainer*innen glauben dies

• Empirische Evidenz spricht eher dagegen, aber nicht ganz klar

• Es ist wahrscheinlicher, dass ein Spieler, der bereits ein Tor geschossen hat, nochmal ein Tor schießt, als wenn dieser kein Tor geschossen hat

Subjektive Wahrnehmung der Wahrscheinlichkeit ist abhängig von der Leichtigkeit der Abrufbarkeit der Information

• Einschätzung der Wahrscheinlichkeit durch ziehen einer ‚mentalen Stichprobe‘

• Je schneller man Ereignis vorstellen oder in Erinnerung rufen kann, desto wahrscheinlicher

• Dadurch können fehlerhafte Einschätzungen von objektiven Häufigkeiten entstehen aufgrund unterschiedlicher Abrufleichtigkeit (Namen-Experiment)

• Listen: 19 Namen berühmter Frauen, 20 Namen unbekannter Männer vice versa

• Gruppe 1: So viele Namen wie möglich

• Gruppe 2: Mehr Männer oder Frauen)

• Gruppe 1: 12,3 berühmte Namen, 8,4 nicht berühmt (57/86 mehr berühmte)

• Gruppe2: 80/99 mehr berühmte

• Die Leichtigkeit der Abrufbarkeit der Infos verändert die (subjektive) Wahrnehmung der Wahrscheinlichkeit

• Dabei ist die Leichtigkeit der Abrufbarkeit wichtiger, als die Anzahl

• Kognitiver Stichprobenziehungsprozess ist nicht verzerrt:

  • Population aus der gezogen wird, ist verzerrt

  • Verzerrte Häufigkeiten (zB Medien)

  • ‚Einseitige‘ Stichprobe (zB Kandidatenauswahl)

• Kognitive Stichprobenziehung ist verzerrt:

  • Leichtigkeit mit der Dinge abgerufen werden können (zB beühmte Namen)

  • Enkodierung war unterschiedlich gut (zB aufgrund bereits bestehender Kategorien)

  • Emotionale Inhalte (zB ich stehe immer in der langen Schlange an der Kasse)

  • Inhalte mit hoher Salienz

• 
  

• Generelles Prinzip

• Fluency = Verarbeitungsflüssigkeit

  • Aussagen werden eher für wahr gehalten, die leichter zu lesen sind (Reber & Schwarz 1999), die wiederholt werden (Dechene et al. 2010)

• Bei Schätzungen beginnt man mit einem Anfangswert (Anker). Im Schätzungsprozess wird die Schätzung ausgehend vom Anker angepasst, bis man die finale Schätzung abgibt. Diese Anpassung ist häufig nicht ausreichend.

Schätzung des Produkts folgender Nummern

1x2x3x4x5x6x7x8x9=? ? = 512

9x8x7x6x5x4x3x2x1=? ? = 2250

X = 40320

• Anker Effekte sind robust

• Auch, wenn über Anker Effekt informiert, wenn der Anker offensichtlich keine Information trägt

1. Unzureichende Anpassung

• Man passt sich dem Anker an, nicht dem Wissen, das man hat

1. Selektive Zugänglichkeit

• Vergleich mit Anker = korrekt, Aktivierung von mit Anker konsistentem Wissen

1. Skalenverzerrung (Kontrast-Effekte)

• Eine Aussage widerspricht der eigenen Meinung und dann geht man noch weiter in den Kontrast, als sowieso schon

Ökologische Rationalität

• Heuristiken können ökologisch rational sein, wenn sie an eine bestimmte Umwelt angepasst sind, d.h. in dieser Umwelt ein erfolgreiches Verhalten erlauben

• Ökologisch rationale Strategien müssen nicht komplex sein:

• Ein komplexes Problem erfordert nicht unbedingt eine komplexe Lösungsstrategie

• wenn die Strategie an die Umwelt angepasst ist, können einfache Strategien zu guten Lösungen führen, die genauso gut (und besser) als komplexere Strategien sein können

• Begrenzte kognitive Kapazitäten

• Mehr als eine Zielvariable, die es zu optimieren gilt (z.B. Bau einer Symphoniehalle: Akustik, Ästhetik, Raumausnutzung, Kosten, Sicherheit, etc.)

• Begrenzte Zeit (z.B. Fangen eines Balls)

• NP-hard Probleme (nondeterministic polynomial time): Probleme, deren optimale Lösung in endlicher Zeit und mit endlichen Ressourcen nicht berechnet werden können

• Optimierung ist oft sozial unangemessen (z.B. Partnerwahl)

• Interne Konsistenz (z.B. Transitivität, Regeln der Wahrscheinlichkeitstheorie)

• Vs. Korrespondenz: z.B. Genauigkeit, Schnelligkeit, Frugalität (Einfachheit), Begründbarkeit, Transparenz (z.B. Entscheidungsbaum in der Notaufnahme, Blickheuristik)

Heuristik des visuellen Systems:

• Wenn der Schatten oben ist, schließe dass die Punkte konkav sind; wenn der Schatten unten ist, schließe dass die Punkte konvex sind.

• visuelles System “wettet” auf Struktur der Umwelt (Licht kommt von oben, 3-dimensional)

Beispiel 2: Ball Fangen

• Aufgabe: Ball fangen, der hoch geworfen wurde

• Komplexes Problem, wenn man ausrechnen möchte, wo der Ball landet

• Alternative Lösung: Blick Heuristik (Automatisches Achten auf Ball beim Fangen  Bewegung zu Landepunkt)

• Entscheidungen & Inferenzen (Welche Stadt hat mehr Einwohner?)

  • Rekognitionsheuristik, Take-the-best, Tally, Minimalist , Schnelle und Sparsame Entscheidungsbäume

• Risikoentscheidungen

  • Priority Heuristic

• Investment Heuristik

  • 1/n

Wenn Eins von zwei Objekten erkannt wird, und das anderen nicht, dann Schließe, dass das erkannte Objekt einen höheren Kriteriumswert hat als das nicht erkannte Objekt

• Welche Stadt hat mehr Einwohner? (Dallas oder Tulsa)

Menschen sind sensitiv für die Validität von Rekognition als Cue Welche Stadt ist größer: Ansbach oder Shantou?

Rekognition wird nicht ausschließlich genutzt explizite Verfügbarkeit weiterer Cue-InformaFon beeinflusste die Wahlen (e.g. Pohl, 2006)

Vorgehen:

1. Suchregel: Schau die Cue-Werte des Cues mit der höchsten Validität an.

2. Stopp Regel: Wenn die Objekte unterschiedliche Werte haben (+/-), hör auf zu suchen. Wenn nicht, schau den Cue mit der nächst höchsten Validität an.

3. Entscheidungsregel: Wähle die Option mit dem höheren Cue-Wert.

• Entscheidung basiert auf einem Cue

  • Ignoriert Information, Informationen werden nicht integriert – nicht kompensatorisch

Vorgehen:

1. Suchregel: Schau die Cue-Werte des Cues mit der höchsten Validität an.

2. Stopp Regel: Wenn die Objekte unterschiedliche Werte haben (+/-), hör auf zu suchen.

   Wenn nicht, schau den Cue mit der nächst höchsten Validität an.

3. Entscheidungsregel: Wähle die OpFon mit dem höheren Cue-Wert.

Sicherheit

• Die Wahl einer Option hat eine Konsequenz, die mit Sicherheit Eintritt

• z.B. Kaufentscheidungen

Risiko/Unsicherheit

• Eine Option kann unterschiedliche Konsequenzen haben, die Wahrscheinlichkeit, mit der diese Konsequenzen eintreten, sind bekannt (Risiko) oder unbekannt (Unsicherheit)

• z.B. Berufswahl; Investitionsentscheidungen

Sollte man an Gott glauben (und sich fromm verhalten)?

•Menschen wissen nicht, ob GoQ exisFert. Sie können aber eine Wette auf seine Existenz (Nicht-Existenz) eingehen.

• Erwartungswert Glaube: + ∞ * p(exisFert) + Verlust * p(exisFert nicht)

• Erwartungswert Nicht Glaube: - ∞ * p(exisFert) + Gewinn * p(exisFert nicht)

  • Tatsächliche Wahrscheinlichkeit ist irrelevant, da der Gewinn und Verlust unendlich sind

  • Sollte man an Gott glauben (und sich fromm verhalten)?

• Ja, ein rationaler Mensch sollte, so Pascals Analyse, an Gott glauben

  Selbst wenn die Wahrscheinlichkeit seiner Existenz sehr, sehr gering ist, würden sie mit einer Konsequenz von unbegrenztem Wert — Erlösung im ewigen Jenseits — gewichtet werden Schlussfolgerung ändert sich nur dann, wenn die Wahrscheinlichkeit seiner Existenz „0“ ist

folgendes Spiel:

eine unabhängige Person wirft eine faire Münze so lange, bis sie Kopf zeigt. Ihr Gewinn, den ich bezahle, richtet sich nach der Anzahl der benötigten Würfe (n):

• bei n=1 Wurf erhalten Sie 2€

• bei n = 2 Würfen erhalten Sie 4€

• bei n = 3 Würfen erhalten Sie 8 €, usw..

• Ihr Gewinn beträgt also 2n €

1. Unterschiede nehmen mit steigendem Wert ab

   • u(10-1€)>u(10.010-10.001€)

   • Beispiel

   • Jeder relative Unterschied in der (subjektiven) Nützlichkeit von 2 Millionen Euro zu 1 Million Euro (wohlhabende Person) ist kleiner als der Unterschied zwischen 1 Million Euro und gar keinem Geld (Bettler*in). Die Beziehung zwischen Geldwert und Nutzen ist also nicht-linear.

     —> Beispiel: 5 km fahren, um billiger Tanken zu können, aber beim Computerkauf 50 € mehr zahlen, weil man nicht das billigste Angebot raussuchen wollte

• Just noticeable difference (gerade noch wahrnehmbare Veränderung) = proportional zur Intensität des Stimulus in lauten Umgebungen muss man schreien, während man in einem stillen Raum auch ein Flüstern hört

• • Gewichtszunahme 100gr vs. 200gr oder 5000gr vs. 5100gr

• Preis Cocktail 6 vs. 16 € oder Auto 30.000 vs. 30.010 €

Ein Grenznutzen von 0 bedeutet, dass für dieses Gut Sättigung eingetreten ist. Eine weitere Einheit dieses Gutes würde keinen zusätzlichen Nutzen stiften.

• Beispiel: Wer Hunger hat, kauft sich eine Portion Pommes Frites. Ist er nach dem Verzehr noch immer hungrig, kauft er sich noch eine. Die dritte wird aber wahrscheinlich seinen Hunger nicht mehr wesentlich reduzieren und der zusätzliche Nutzen (=Grenznutzen) einer weiteren Portion Pommes Frites geht gegen Null