12. Urteilen Und Entscheiden Flashcards
Unterschied Urteil und Entscheidung
Urteil: Kategorial, Kontinuierlich, Wahrscheinlichkeit-Entscheidung: Annahme / Ablehnung, Wahl aus N Optionen
Unterschied zwischen rationale (normative) Theorien vs. „Bounded rationality“ - Heuristiken
Rationale (normative) Theorien: Eher aus Ökonomie, basierend auf Rationalität, versuchen optimale Lösung zu finden, dienen als Vergleichsrahmen für tatsächliches Verhalten-„Bounded rationality“: Heuristiken -Verwenden nur wenig Information-Kombinieren Information in einfacher Weise-Führen zu systematischen Verzerrungen (Bias)-Sind unter normalen Bedingungen sehr erfolgreich
Welche Information wird verwendet? (Tversky & Kahneman, 1974)
Anker -> Anpassung (aber nicht genug) -Erste Information wird als Anker verwendet und dann aufgrund der anderen Information angepasst (8x7x…x1, vs. 1x2x3x…x8)-Anker kann auch irrelevant sein (Glücksradzahl) Praktische Anwendung: Gehaltsverhandlungen, Anwaltsplädoyes für Gefängnisstrafen
Information aus dem Gedächtnis (Tversky & Kahneman, 1974)
Was ist häufiger? Wörter, die mit R anfangen, oder die R an der dritten Position haben?-Verfügbarkeit; Wir verwenden Information, die uns leicht einfällt
Urteile über Wahrscheinlichkeiten: ProbEx („Probability form Exemplars“) (Juslin & Persson 2002)
Wie wahrscheinlich ist es, dass Person X einen Herzinfarkt haben wird?-Person X als Abrufhinweis -> ähnliche Exemplare -> Personen, die einen Herzinfarkt hatten vs. Personen, die keinen Herzinfarkt hatten-P = N(Herzinfarkt)/N-> Exemplartheorie der Begriffe-ABER: nicht alle Exemplare werden verwendet -> „Bounded rationality“-P(Abruf) steigt mit Ähnlichkeit zu X-P(Abruf) steigt mit Verfügbarkeit im Gedächtnis-Erweiterung der Verfügbarkeits-Heuristik
X Kombination von Informationen (Gigerenzer & Goldstein, 1996)
Städteparadigma: Welche Stadt ist grösser?-„Rationaler“ Algorithmus: Gewichtete Summe verschiedener Aspekte (Flughafen, bekanntes Fussballteam, Universität, Oper)-Andere Art von Heuristik: Take-the-Best Heuristik -Auch in gewisser Weise ein Algorithmus-Rechts: Wiedererkennungsheuristik -> wenn ich die eine Stadt kenne und die andere nicht, diese ist also bekannter und darum wahrscheinlich grösser.-Man sucht den besten Hinweisreiz aus, der einem noch Information über Unterschiede der Städte liefert.-Für Städte in Deutschland: TTB ist so gut wie die gewichtete Summe -Aber was machen Menschen wirklich?-Es hängt ab von: Kosten der Information
Ein einheitliches Modell (Newell 2005)
Vergleiche Städte bezüglich einzelner Cues-Nacheinander-In Reihenvolge ihrer Güte-Zähle, wie oft jede Stadt gewinnt-Entscheide, wenn eine Stadt um N Punkte vorn liegt-N = 1 -> „Take the best“-N = max -> (gewichtete) Summe aller Cues-Je nach dem, wie viele Ressourcen man hat, wie wichtig die Entscheidung ist, wie hoch die Kosten sind, wird das eine oder andere gewählt.
Die „rationale“ Theorie: Expected Utilitiy Theory
EU: erwarteter Wert einer Option = ∑ piui (Wahrscheinlichkeit mal Wert)
Cumulative Prospect Theory (Tversky & Kahneman 1992)
EU=∑wiui-W: Gewicht (~subjektive Wahrscheinlichkeit-U: Subjektiver Wert-Wahl zwischen 2 „Prospects“:-Prospect A: 100% 100 CHF -> risikoscheu-Prospect B: 50% 200 CHF, 50% Nichts -> Risiko aufsuchend-Subjektive Äquivalenz: Wert und Wahrscheinlichkeit wurden systematisch variiert, um Äquivalenzpunkt zu finden. -Kurven:- Gewichtefunktion (Funktion der subjektiven Wahrscheinlichkeiten): Kleine Wahrscheinlichkeiten übergewichtet, grosse Wahrscheinlichkeiten untergewichtet-Wertfunktion: Wie transformieren sich die Geldwerte in subjektiv wahrgenommene Werte?-Hat eine Form von Sättigung, Einfluss von 10CHf mehr/weniger stets geringer -> abnehmende Sensitivität-Verluste wiegen schwerer als Gewinne
Framing-Effekt
„Asian Disease Problem“: Neue tödliche Infektionskrankheit: Entscheidung zwischen zwei möglichen Therapien-A: Von 600 Personen werden mit Sicherheit 200 geheilt. -> 60%-B: Von 600 Personen werden mit p=⅓ alle 600 geheilt, und mit p=⅔ niemand geheilt -> 40%-C: Von 600 Personen werden 400 mit Sicherheit 400 sterben -> 34%-D: Von 600 Personen wird mit p=⅓ niemand sterben, und mit ⅔ werden alle sterben -> 66%-Gewinn-Beschreibung („Gain Frame“), Verlust-Beschreibung („Loss Frame“)-Risiko meiden bei Gewinn-Rahmen, Risiko aufsuchen bei VerlustRahmen-Diskussionsfrage:-Warum kaufen Menschen Lotterielose? -> Überschätzen kleiner Wahrscheinlichkeiten führt zu Verhalten das gegen Rationalität verstösst-Warum schliessen Menschen Versicherungen ab? -> Überschätzen kleiner Wahrscheinlichkeiten
Folgen aus den Wertefunktionskurven - strategie bei Gewinnen und Verlusten
Subjektiver Wert: verringerte Sensitivität-Bei Gewinnen: Risiko meiden-Bei Verlusten: Risiko vorziehen-Verluste wiegen schwerer als gewinne-Kleine Wahrscheinlichkeiten überschätzt, grosse unterschätzt-Bei sehr unwahrscheinlichen Gewinnen: Risiko suchen-Bei sehr unwahrscheinlichen Verlusten: Risiko meid
„Decision by Sampling“ (Stewart et al., 2006)
Decision by Sampling“ (Stewart et al., 2006) -Urteil über gegebenes Merkmal vono Gegenstand X-Preis eines Produkts-Wert des Ergebnisses eines „Prospects“-Wahrscheinlichkeit eines Ereignissen-Vorgehen:-Ziehe Stichprobe ähnlicher Fälle, aus Umwelt und Gedächtnis-Ordinale Vergleiche von X mit $ähnlichen Fällen-Zähle, wie oft X grösser/kleiner ist-Urteil über X~N(grösser)/N-Frage: Wie setzen sich Stichproben im Gedächtnis zusammen?-Stichproben aus Gedächtnis ~ Verteilung in der (erlebten) Umwelt-Z.b. Gewinne/Verluste: Konto-Zugänge / Abgänge Kleine Gewinne / Verluste sind häufiger als grosse-Rangplatz von Gewinnen/Verlusten-Erklärbar durch die Häufigkeiten von Werten in der Umwelt führt zu der Verteilung / der Kurve der Rangplätze, die in der Cumulative Prospect Theory zur Anwendung kommen. Subjektiv erfahrene Verluste und Gewinne formen unsere subjektiven Wertefunktionen. -Wie sind Wahrscheinlichkeiten in unserer erlebten Umwelt verteilt?-Sprachliche Ausdrücke von Wahrscheinlichkeiten werden nicht entsprechend wirklich auftretender Phänomene verwendet -> unmöglich wird viel öfter verwendet als es unmögliche Dinge gibt.
