Modele decyzyjne: Brunswik Lens i model Bayesa

Istnieje kilka modeli normatywnych do indywidualnego podejmowania decyzji, które różnią się pod względem nacisku i złożoności. Szczegółowy model, który przedstawimy szczegółowo, został wykorzystany z dużym powodzeniem w badaniu podstawowych cech procesu decyzyjnego. Zapewnia również ładne ramy koncepcyjne do przeglądania i doceniania procesu decyzyjnego.

1. Model obiektywu Brunswik:

Jednym ze sposobów postrzegania decyzji, które podejmują ludzie i jak je realizują, jest Model obiektywny Brunswika (1956). Schemat modelu soczewki pokazano na rysunku 15.3.

Model zakłada, że proces decyzyjny składa się z trzech podstawowych elementów:

(1) Podstawowe informacje w sytuacji decyzyjnej,

(2) Faktyczna decyzja podjęta przez decydenta, oraz

(3) Optymalna lub prawidłowa decyzja, która powinna była zostać podjęta w tej konkretnej sytuacji.

Każdy z nich pokazano na rysunku 15.3.

Podstawowe informacje:

Za każdym razem, gdy dana osoba podejmuje decyzję, ma do dyspozycji szereg wskazówek lub wskaźników, które może, ale nie musi, wykorzystywać jako pomoc w procesie. Weźmy na przykład osobę wykonawczą, która każdego miesiąca musi stawić czoła problemowi z ustaleniem, ile jednostek produktu X ma wyprodukować. Istnieje oczywiście wiele różnych zmiennych decyzyjnych, które mógłby potencjalnie wykorzystać, by pomóc mu w podjęciu dobrej decyzji, takich jak obecny inwentarz, bieżące zamówienia, ogólne wskaźniki rynkowe, porady od najbliższych podwładnych itp. Są to potencjalne zmienne cue pokazano na rysunku 15.3.

Obserwowana decyzja:

Oczywiście każdy proces decyzyjny musi kończyć się jakąś odpowiedzią - nawet jeśli odpowiedź jest po prostu decyzją nieudzielenia odpowiedzi, prawdopodobnie można bezpiecznie powiedzieć, że została podjęta odpowiednia reakcja. Podejmowanie decyzji zawsze wiąże się z wyborem działania. Tak więc "zachowanie decyzyjne" i "zachowanie wyboru" są naprawdę zupełnie nieodróżnialnymi zjawiskami. Pole po prawej stronie rysunku 15.3 przedstawia przebieg działań, do których ostatecznie podejmuje się decydent.

Prawidłowa decyzja:

Tak jak istnieje decydujący sposób działania ze strony decydenta, tak więc istnieje optymalna reakcja lub wybór związany z każdą decyzją. Ta optymalna decyzja stanowi najlepszy możliwy wybór działań, które mogły zostać wybrane przez decydenta w tej konkretnej sytuacji. W bardzo realnym sensie stanowi ono ostateczne kryterium, na podstawie którego należy ocenić faktyczną decyzję.

W wielu sytuacjach decyzyjnych trudno jest naprawdę określić lub wiedzieć, jaka jest ta optymalna decyzja w danym czasie. Jednak, przynajmniej teoretycznie, zawsze istnieje optymalna reakcja decydenta. Na rysunku 15.3 wartość ta jest pokazana w polu po lewej stronie jako "poprawna" decyzja.

Dynamika modelu:

Po zdefiniowaniu podstawowych składników modelu możliwe staje się teraz zbadanie wzajemnych powiązań między tymi elementami. Te wzajemne zależności dostarczają nam wskazania złożoności i dynamicznej charakterystyki procesu decyzyjnego.

True Cue Validity Prawdziwa wartość każdej pojedynczej cue dostępnej dla decydenta jest reprezentowana przez diagnostyczną lub predykcyjną "moc" tej cue. Innymi słowy, jak pomocne jest udostępnienie tej wskazówki podczas procesu decyzyjnego. Korelacja między sygnałem a poprawną decyzją, tj. Prawdziwą ważność sygnalizacji, jest indeksem reprezentującym tę moc predykcyjną.

Na przykład, weź ponownie przypadek naszej władzy wykonawczej, która cały czas boryka się z problemem decyzji, ile jednostek produktu X powinien produkować każdego miesiąca. Jedną wskazówką, której prawdopodobnie użyłby, jest rozmiar jego obecnego ekwipunku. Załóżmy także, że patrząc wstecz na zapisy z ubiegłego roku, można określić, w każdym miesiącu, liczbę jednostek X, które powinny zostać wyprodukowane. Tabela 15.1 przedstawia hipotetyczny przykład, który pokazuje, dla każdego miesiąca w 1966 r.,

(a) Wielkość aktualnych zapasów,

(b) liczba jednostek X, które nasz zarządca zdecydował się wyprodukować, oraz

Jeśli narysujemy korelację między kolumnami (a) i (c), jak pokazano na rysunku 15.4, stwierdzimy, że trend dotyczy niskich wartości zapasów odpowiadających dużej liczbie jednostek, które powinny zostać wyprodukowane. Rzeczywiście, korelacja między (a) i (c) wynosi minus 0 869! Mówi nam to, że wielkość obecnego inwentarza jest wysoka, ale ujemna, w odniesieniu do liczby potrzebnych jednostek. Innymi słowy, jest to doskonała wskazówka, z której decydent powinien się bardzo starannie przyjrzeć.

Obserwowana ważność pamięci Kolejne pytanie, które możemy zadać w procesie decyzyjnym, brzmi: "W jakim stopniu lub w jakim stopniu decydent użył danej wskazówki? Dostaje wskazówkę, która jest mu dostępna, czy on z niej korzysta? Można to ustalić, badając korelację między wartościami wskazującymi a wartością, jaką decydent faktycznie podjął w odniesieniu do szeregu decyzji, tj. Kolumn (a) i (b) w tabeli 15.1. Korelacja ta jest również przedstawiona na rysunku 15.4, gdzie widzimy, że ma wartość 0, 377. Tak więc nasz kierownictwo najwidoczniej posłużył się wskazówką, ale nie do tego stopnia, w jakim powinien był zostać użyty (przynajmniej on właściwie ocenił kierunek prawdziwego związku).

Sukces w podejmowaniu decyzji :

Trzecim i chyba najważniejszym pytaniem, które powinniśmy zadać, jest pytanie, na ile skutecznie decydent wykonał swoje zadanie. Czy osiągnął wysoki poziom, skoro podejmowane przez niego decyzje były bliskie decyzji, które z perspektywy czasu powinny były zostać podjęte? Można to ustalić, patrząc na stopień korelacji między kolumnami (b) i (c) w tabeli 15.1.

Korelacja między liczbą jednostek, które kierownictwo zdecydowało się wyprodukować (kolumna b), a liczbą, którą powinien był zdecydować się wyprodukować (kolumna c), okazuje się na naszej ilustracji liczbą 0.165 - niezbyt dobrym osiągnięciem według dowolnego standardu. Nasz decydent najwyraźniej nie robi tak dobrze, jak mógł, z sygnałem, który może być dla niego bardzo pomocny w tych szczególnych okolicznościach.

Wyniki badań :

Model obiektywu to w zasadzie opisowa konceptualizacja ludzkiego procesu decyzyjnego, który zapewnia szereg wskaźników matematycznych, dzięki którym możemy badać proces decyzyjny u człowieka. Większość badań opartych na modelu była raczej abstrakcyjnym badaniem laboratoryjnym - nie zastosowano jej w wielu realistycznych zadaniach. Jednak wyniki badań wskazały kilka dość interesujących rzeczy na temat zdolności ludzi do używania wskazówek w sytuacji podejmowania decyzji, dlatego podsumowanie tych wyników zostanie podane w skrócie.

Najpierw wiele badań (Schenck i Naylor, 1965, 1966, Dudycha i Naylor 1966, Summers, 1962, i Peterson, Hammond i Summers, 1966) pokazały, że decydenci mogą nauczyć się właściwie używać wskazówek. Oznacza to, że mają tendencję do uczenia się, które sygnały są dobre, a które złe, i do zwracania większej uwagi, niż na słabe sygnały.

Jednak badanie Dudycha-Naylor wykazało bardzo interesujące stwierdzenie, że jeśli decydent ma bardzo dobrą wskazówkę, a następnie daje mu drugą wskazówkę, która jest gorsza, ale nadal ma jakąś dodatkową wartość prognostyczną, jego wyniki będą się zmniejszać - wyniki słabszych wyników niż gdyby miał tylko jedną wskazówkę! Wydaje się, że słabe sygnały dodają więcej zakłóceń statycznych lub "szumu" do procesu podejmowania decyzji niż dodają wartości predykcyjnej. Z drugiej strony, jeśli początkowa wskazówka ma tylko średnią moc predykcyjną i dajesz decydentowi drugą, bardzo dobrą wskazówkę, jego skuteczność znacznie się poprawia.

Kolejne interesujące odkrycie zostało ostatnio opisane przez Clarka (1966). Wykazał, że wskazówki o ujemnej trafności nie są tak użyteczne dla decydenta, jak wskazówki mające bezpośredni lub pozytywny związek. Z jakiegoś powodu wydaje się, że ludziom trudniej jest nauczyć się używać jako źródeł informacji, które dają negatywną trafność. Czytelnik zapamięta, że dla celów predykcyjnych znak związku nie jest ważny, to znaczy wskazówka o ważności - 0, 80 jest równie przydatna, potencjalnie, jako wskazówka o ważności + 0, 80.

Inne informacje, które uzyskano na temat osób podejmujących decyzje w oparciu o model soczewki, to: (1) ludzie lepiej uczą się używać wskazówek, które mają liniowy związek z właściwą decyzją, niż używają sygnałów, które mają nieliniowy związek (Dickinson i Naylor, 1966, Hammond i Summers, 1965) i (2) ludzie często używają wskazówek systematycznie, nawet gdy wskazówki mogą nie mieć żadnej rzeczywistej mocy predykcyjnej (Dudycha i Naylor, 1966). To ostatnie stwierdzenie oznacza po prostu, że jeśli decydent znajduje się w sytuacji, w której żadna z dostępnych dla niego wskazówek nie ma żadnej wartości, nadal będzie on wybierać i wykorzystywać niektóre z nich tak, jakby miały wartość.

2. Model podejmowania decyzji Bayesa :

Kolejny model matematyczny, który obecnie znajduje coraz szersze zastosowanie w badaniu ludzkiego podejmowania decyzji, jest znany jako twierdzenie Bayesa.

Jest to następujące:

P (A | B) = P (B | A) P (A) / P (B | A) P (A) + P (B | Ā) P (Ā)

Gdzie P (A | B) = prawdopodobieństwo A, gdy wystąpiło B

P (B | A) = prawdopodobieństwo B z uwagi na to, że A wystąpił

P (A) = prawdopodobieństwo A

P (Ā) = prawdopodobieństwo nie A, tj. 1 - A

P (B | Ā) = prawdopodobieństwo B podane nie A

Ponieważ wyrażenia takie jak twierdzenie Bayesa często są mylące, rozważmy przykład praktycznego zadania decyzyjnego i zobaczmy, w jaki sposób można zastosować model Bayesa.

Jednym z typowych zadań decyzyjnych, przed którymi stoją wszystkie firmy, jest podejmowanie decyzji, kogo wybrać i kogo odrzucić z puli kandydatów do pracy. Rozważ sytuację, w której firma zdecydowała się wypróbować nowy test selekcyjny. Zastanów się dalej, że doświadczenie pokazało, że tylko 60 procent wnioskujących o pracę okazało się zadowalających. Przypuśćmy także, że praktyka firmy w przeszłości polegała na zatrudnianiu wszystkich i dawaniu im szansy na wypracowanie.

Spośród mężczyzn, którzy okazują się być zadowalający, 80 procent okazało się być powyżej wyniku odcięcia w nowym teście selekcyjnym, podczas gdy tylko 40 procent tych, którzy okazali się niesatysfakcjonującym wynikiem powyżej wartości granicznej. Teraz, jeśli użyjemy tego testu do selekcji, i jeśli zatrudniamy tylko tych ludzi powyżej wyniku odcięcia, jakie jest prawdopodobieństwo, że osoba powyżej progu okaże się zadowalająca?

Jeśli teraz ponownie zdefiniujemy nasze symbole, mamy:

P (A) = prawdopodobieństwo powodzenia = 0, 60

P (B) = prawdopodobieństwo przejścia testu

P (B | A) = prawdopodobieństwo zaliczenia testu, zważywszy, że pracownik zakończył sukcesem = 0, 80

P (B | Ā) = prawdopodobieństwo zaliczenia testu z uwagi na to, że pracownikowi nie udało się uzyskać wyniku = 0, 40

P (B | A) = prawdopodobieństwo nie zaliczenia testu, biorąc pod uwagę, że pracownik zakończył sukcesem = 0, 20

P (B | A) = prawdopodobieństwo nie zaliczenia testu z uwagi na to, że pracownikowi się nie powiodło = 0, 60

Chcemy znać P (A | B), czyli prawdopodobieństwo, że dana osoba odniesie sukces, biorąc pod uwagę, że zdał test.

Twierdzenie Bayesa pokazuje:

P (A | B) = (0, 80) (0, 60) / (0, 80) (0, 60) + (0, 40) (0, 40)

= 0, 48 / 0, 48 + 0, 16 = 0, 75

Innymi słowy, jeśli wybierzemy tylko tych, którzy zdadzą nasz test przesiewowy, otrzymamy 75 procent sukcesów w zatrudnianiu, w porównaniu z 60 procentami bez testu. Coraz częściej stosuje się twierdzenie Bayesa do podejmowania decyzji w przemyśle. Jest to bardzo potężne narzędzie, a jego użycie powinno znacznie wzrosnąć w przyszłych latach.