TCPII

1. TCPII Menselijk beslissen

2. Menselijkbeslissingsgedragwijktvaakaf van de norm Aanpassen norm: EU ipv EV 1. Van norm naarbeschrijving 2. Van computationeel (wat) naaralgoritmischniveau (hoe)

3. .89 kans op € 1000 .89 kans op € 1000 Van norm naarbeschrijving: EU is nietgenoeg Allais paradox: • 1.00 kans op € 1000 • .89 kans op € 1000 • .10 kans op € 5000 • .01 kans op € 0 * NB: EV(b) = 890 + 500 = 1390! • .11 kans op € 1000 • .89 kans op € 0 • b. .10 kans op € 5000 • .90 kans op € 0 *

4. Tversky & Kahneman Framing: “Aziatische ziekte” 600 doden tenzij: Plan A: 200 gered Plan B: p(600 gered) = 1/3 p(0 gered) = 2/3 Plan A‘: 400 doden Plan B‘: p(0 doden) = 1/3 p(600 doden) = 2/3

5. EV : 7.5 9 Keuzetussen: a. .25 kans op € 30 b. .20 kans op € 45 58% Stadium 1 Kans van .75 op niks Kans van .25 op meedoen met stadium 2 waarinkeuzetussen: a. zeker € 30 b. .80 kans op € 45 78%

6. Bij menselijk beslissen zien we: Afwijkingenvan het verwachtewaardeprincipe Afwijkingenvan consistent verwachteutiliteitsprincipe Winst en verliesverschillendbehandeld Winsten verliesten opzichte van manipuleerbaarreferentiepunt

7. Herziening EU-principe die daarmeerekeninghoudt: Kahneman & Tversky’s Prospect Theorie Vprospect = ∑π(pi)∙v(xi) Waarinπ = pγ/(pγ+(1-p)γ)1/γ v = xαals x>0 (winst) v = -λ(-x)βals x<0 (verlies) Referentiepunt(x=0) subjectief en manipuleerbaar

8. Vprospect = ∑π(pi)∙v(xi) v: (α = .55, β = .65, λ = 1.5 ) π: (γ = .61) π v x p

9. π p Slovice.a. (1979)

10. Risicomijdendbijwinst maarrisicozoekendbijkleinekans op winst(gokje) Risicozoekendbijverlies maarrisicomijdendkleinekans op verlies(verzekering) π v x p

11. Weer de Allais paradox: • 1.00 kans op € 1000 • .89 kans op € 1000 • .10 kans op € 5000 • .01 kans op € 0 overschattingverschil “onderwaardering” onderschatting overschatting • .11 kans op € 1000 • .89 kans op € 0 • b. .10 kans op € 5000 • .90 kans op € 0

12. Formuleringmanipuleertreferentiepunt: • .25 kans op € 30 • .20 kans op € 45 Stadium 1 Kans van .75 op niks Kans van .25 op meedoen met stadium 2 waarinkeuzetussen: a. zeker € 30 b. .80 kans op € 45 onderschatting Referentiepunt start tweedefase, Hierzekerewinstvsrisico risicomijden

13. Framing: “Aziatische ziekte” 600 doden tenzij: Plan A: 200 gered Plan B: p(600 gered) = 1/3 p(0 gered) = 2/3 v Plan A: 400 doden Plan B: p(0 doden) = 1/3 p(600 doden) = 2/3 x

14. Deze auto voor € 24350.- is maarweinigaantrekkelijkerdanvoor€ 24850.- • Als u voor € 24850 dezeauto koopt, krijgt u €500.- korting • of • een gratis navigatiesysteemterwaarde van €500.- • Dat is eenflinkewinst!

15. Prospect theoriebeschrijftrelatietussenproblemen en keuzes Input-outputfunctie, maar weinig over hoe die tot stand komt! Geen menselijke beslisser gaat π = pγ/(pγ+(1-p)γ)1/γ v = xα als x>0 (winst) v = -λ(-x)β als x<0 (verlies) werkelijk uitrekenen!

16. Geldt nog meer voor latere uitbreiding: cumulative prospect theory Waardegedeelte zelfde Decisiegewichten ( ≈ π) verschillende parameter voor winst en verlies bepaald voor verschil van cumulatieve waarschijnlijkheden P: π(tenminste14 ) π( beterdan 14) p P .60 kans op € 96 .60 π(.60)∙v(96) .20 kans op € 14 .80 (π(.80)-π(.60))∙v(14) .20 kans op € 12 1 (π(1)-π(80))∙v(12) Hoe nemen mensen zo’n beslissing?

17. H. A. Simon (1916-2001) • Begrensderationaliteit: • Beperkteinformatie over situatie • Beperktekennis van normatieveprincipes • Beperkterekencapaciteit (?!) (voor “nieuwe” berekeningen) Satisficing i.p.v. optimaliseren

18. A. Tversky D. Kahneman 1937-1996 1934- Heuristics and Biases Startpunt: intuitieve oordelen wijken af van norm – zelfs als norm gekend wordt 1. Achterhalenheuristischeprincipesachterdie intuitieveoordelen: hoekomenkeuzes tot stand? 2. Beschrijving van watmensenalsgevolgdaarvankiezen  prospect theory In termen van Marr:

19. wat hoe waarmee

21. Intuitiefoordeel (impressie) lijkt op perceptie • onmiddellijk • (maarhoe het werkt is nietonmiddellijktoegankelijk!) • referentieafhankelijk • niet-ambigue Een pan en eendekselkostensamen € 11.- De pan kost € 10.- meerdan het deksel Hoeveelkost het deksel?

22. Systeem 2 superviseert de output van systeem 1 (nietaltijd even zorgvuldig) Systemen of continuum? Diverse vergelijkbareindelingen: rationality1 rationality2 onbewustbewust skill-based rule based knowledge based (slips/lapses mistakesmistakes)

23. Voorbeeldintuitiefoordeel: Na de aanslag van 11 september 2001 vermedenveelreizigers in de VS het vliegverkeer en namen de auto (Gigerenzer, 2006): (Normale maxima en minima in die maanden) …ten koste van naar schatting 1595 mensenlevens (256 vliegtuigpassagiers stierven op 11 september 2001).

24. Illustreertoverschattingkleine en onderschattinggrotekansen Beschikbaarheidsheuristiek? Affectheuristiek ?

25. Systeem 1 hanteertheuristischeprincipes Atribuutsubstitutie: toegankelijkkenmerk in plaats van niet-toegankelijkkenmerk Availability Representativeness Affect heuristic Prototype Anchoring Prototype attribuuti.p.v. Extensieattribuut Extra toegankelijkewaarde (vaak: begin) domineertoordeel over attribuut

26. Strack, Martin & Schwarz, (1988) 1. How happy are youwithyourlife in general? [doelattribuut, moeilijk!] 2. Howmany dates didyou have last month? [heuristisch attribuut, gemakkelijk!] Volgorde 1,2: r12≈ 0 Volgorde 2,1: r12= .66

27. Linda is 31 yearsold, outspoken and verybright, Shemajored in philosophy. As a student, she was deeplyconcernedwith issues of discrimination and socialjustice and alsoparticipared in antinucleardemonstrations Linda is a bank teller Linda is a feminist and a bank teller Conjunction fallacy

28. Waarschijnlijkheid vervangen door representativiteit In Bayesiaanse termen: p(beschrijving|Feminist&Bankteller) i.p.v. p(Feminist&Bankteller|beschrijving) N.B. de a-priori kans op Bankteller & Feminist is niet zo groot!!!

29. Tom W. [beschrijving typische nerd] Waarschijnlijkheid dat hij …………….studeert psychologie natuurkunde Men houdt geen rekening met het feit dat veel meer mensen psychologie studeren dan (b.v.) natuurkunde : “ignoring base rates”

30. Overeenkomstig mechanisme N.B. bij signaaldetectieproeven kunnen mensen best rekening houden met base rates!

31. Anchoring: 8x7x6x5x4x3x2x1 = ? m = 2250 40320 m = 512 1x2x3x4x5x6x7x8 = ? Engliche.a. 2007 Rechtersbeinvloedbaar -door irrelevantevraag (journalist: “denkt u datvonnis lager of hogerdan …jaarzaluitvallen?”) -door random bepaaldeeis van officier Zelf dobbelen (3/9 mnd voorwaardelijk): m = 5.38 sd 3.21 m = 7.81 sd 3.51 Expertise beïnvloedt alleen de zekerheid

32. Leiden heuristics altijd tot biases? G. Gigerenzer (Adaptive Behavior and Cognition groep) Ecologischerationaliteit: In veelreëlesituatieswerken fast & frugal heuristics erg goed. Recognitie Take the best Voorspellenuitslagen Wimbledon 2003 Novices 73% experts 69% Weinig kennis is soms erg handig!

33. Keuzen tussen alternatieven met meerdere kenmerken: wat goed werkt hangt af van de omgeving ! Recognitieindienbekendheidvalide cue TTB verschillen cue validiteit redundantie Tallying weinigverschillencuevaliditeit, lagecue validiteit

34. Priority Heuristic: (Brandstädtere.a. 2006) ▪ hoogsteminimalewinst d(minw)≥ 0.1∙maxw  ▪ laagste p minimalewinst d(p) ≥ 0.1 ▪ hoogstemaximalewinst a .05 kans op €4400 .95 kans op € 450 b .10 kans op €2000 .90 kans op € 500 a! b? b?

35. Analoog: Priority Heuristic bijverlies; ▪ laagsteminimaleverlies d(minv)≥ 0.1∙maxv  ▪ hoogste p minimaleverlies d(p) ≥ 0.1 ▪ laagste p maximaleverlies

36. Voorspelt Allais paradox: • 1.00 kans op € 1000 • .89 kans op € 1000 • .10 kans op € 5000 • .01 kans op € 0 Minimalewinst 1000 vs 0 (verschil beide alternatieven .89 kans op 1000) • .11 kans op € 1000 • .89 kans op € 0 • b. .10 kans op € 5000 • .90 kans op € 0 Minimalewinst 0 vs 0 Kans daarop: .89 vs .90 Maximalewinst 5000 vs 1000

37. Voorspelt framing effect hoogsteminimalewinst laagsteminimaleverlies Plan A: 200 gered Plan B: p(600 gered) = 1/3 p(0 gered) = 2/3 Voorspeltookanderekeuzes. De reactietijdneemt toe met aantalbeoordelings-stappen Plan A: 400 doden Plan B: p(0 doden) = 1/3 p(600 doden) = 2/3

38. Gigerenzerc.s. proberenaantetonendat priority heuristic eenbeteretheorie is dan prospect theory (Is dateengoedidee?) Zebezienmaarbeperktaantalgevallen (bijnagelijke EV’s): Vgl. a. p .99, € 200 p .01, € 0 b. p 1 , € 100 Wordt misschien toegepast, maar niet altijd en door iedereen!

39. Is supervisie door systeem 2 altijd een goede zaak? Dijksterhuis (2004, 2006): Think differently: d.w.z. onbewust Kiezen kamers, posters, producten in winkels -Onmiddellijkbeslissen -3 minutennadenken -3 minuten 2-backtaak Gemakkelijkebeslissing: beterbewustnadenken Moeilijkebeslissing: nietbewustnadenken. Onbewustwordtveelinformatieopgepikt en geintegreerd (maar hoe?)

40. Ookhierblijktreplicatielastig! Newell e.a. (2009) Maar: soms is “intuitie” nietzoslecht en levertordelijk en bewustnadenkennietzoveel op

41. Kunnenmensenbeter ? Kennis(voorsysteem 2) Attenderenop bias (n.b. somsovercompensatie) Trainen(ookvoorsysteem 1: kostzeerveeltijd: expertise) Representatie(frequentiestoegankelijkerdanwaarschijnlijkheden; helpttegenbase rate neglect)

42. Of moeten we accepteren dat de meeste mensen het nu eenmaal niet goed kunnen, de beslissingen aan experts (of expertsystemen) overlaten en de rest met zachte hand in de gewenste richting duwen? Maar hoe goed zijn die experts eigenlijk?