Euristikos ir šališkumo literatūroje teigiama, kad pakeitimo šališkumas atsiranda, kai sudėtingą sprendimo užduotį pakeičiame lengvesne. Anot Kahnemano ir Fredericko (2002), mes net nepastebime, kada mūsų intuityvus 1 sistemos mąstymo būdas daro šį poslinkį, kuris yra daugelio šališkumo ir iliuzijų pagrindas. Norėdami sumažinti šį šališkumą, turime sustiprinti savo reflektyvųjį ir analitinį 2 sistemos mąstymo būdą; kur įmanoma, turėtume pasikliauti algoritmais ir dirbtinio intelekto (AI) sistemomis, o ne savo euristika ir intuicija.
Vienas iš pakeitimo šališkumo pavyzdžių yra lazdos ir kamuolio problema: lazda ir kamuolys kartu kainuoja 1,10 USD. Šikšnosparnis kainuoja 1,00 USD daugiau nei kamuolys. Kiek kainuoja šikšnosparnis? Mūsų tiesioginis impulsas yra tas, kad šikšnosparnis kainuoja 1,00 USD. Tačiau mūsų intuicija mus išdavė. (Šikšnosparnis kainuoja 1,05 USD.)
Nesu entuziastingas dėl sprendimų šališkumo, bet neseniai pastebėjau keletą aiškių pakaitalų šališkumo pavyzdžių.
Tačiau pavyzdžiai nėra apie tai, kaip paprasti žmonės tampa pakaitų šališkumo aukomis. Atvirkščiai, pavyzdžiai parodo, kaip analitinė bendruomenė patenka į šią pakeitimo spąstus.
1 pavyzdys: Pasirinkimų metafora. Daugelis akademinių sprendimų tyrinėtojų daro prielaidą, kad sprendimai, priimti esant netikrumui, gali būti vertinami kaip azartiniai žaidimai. Paplūdimys (2019) nesutinka. Lošėjai (pvz., ruletės lažybininkai) pasyviai laukia savo pasirinkimų rezultatų, bet mes visi sunkiai dirbame, kad mūsų pasirinkimai būtų sėkmingi. „Jei lošėjas stengtųsi laimėti savo lažybas, jis sukčiautų. Jei verslo žmogus to nepadarytų, jis būtų atleistas.” (p. 102-103).
Todėl analitinių sprendimų tyrinėtojai sunkią temą – kaip renkamės – pakeitė lengvesne ir ne tokia įdomia, kuriai turi analitinius eksperimentų atlikimo metodus – lošimus gerai struktūrizuotomis sąlygomis. Jie demonstruoja pakaitalų šališkumą.
2 pavyzdys: Skaičiavimo metafora sprendimų priėmimui. Sprendimų analitikai pasiūlė struktūrizuotus pasirinkimo metodus, pvz., kelių atributų naudingumo analizę. Šie metodai leidžia mums apskaičiuoti savo pageidavimus. Tačiau nėra įrodymų, kad šių metodų naudojimas iš tikrųjų padeda žmonėms.
Metodai traktuoja, kad pasirinkimai susideda iš atributų, kuriuos galima iš anksto apibrėžti ir supriešinti, tačiau metodai neatsižvelgia į kontekstą ir žinias. Šalininkai imasi labai sudėtingo klausimo – kaip žmonės priima sprendimus – ir pakeičia daug lengvesniu: kaip žmonės gali atsižvelgti į įvairias ypatybes. Pavyzdys galėtų būti kainos ir kokybės kompromisai, pavyzdžiui, svarstymas, ar mokėti už stoglangį naujame automobilyje. Šią lengvesnę užduotį galima lengvai apskaičiuoti, ištirti ir susisteminti.
3 pavyzdys: Anomalijų aptikimas. Ankstesniame įraše parodžiau, kad analitinė bendruomenė anomalijas traktuoja kaip nuokrypius ir siūlo įvairius statistinius metodus bei dirbtinio intelekto metodus šiems nuokrypiams pabrėžti. Tačiau anomalijos nėra tik nuokrypiai. Jie pažeidžia mūsų lūkesčius. Mums reikia patirties, kad galėtume sukurti lūkesčius tam tikromis aplinkybėmis. Analitinė bendruomenė pakeitė „statistinius nuokrypius“ (kuriuos galima apskaičiuoti) „pažeistų lūkesčių atvejais“, o tai yra daug sudėtingesnė problema.
4 pavyzdys: Bajeso statistikos naudojimas situacijoms nustatyti. Bajeso statistika leidžia atnaujinti savo įsitikinimus, pagrįstus įrodymais, kartu įvertinant skirtingų rezultatų bazinės normos tikimybę. Bajeso statistika leidžia mums priimti sprendimus apie tai, kas vyksta, kai gauname naujos informacijos. Tačiau mūsų situacijos vertinimas yra daugiau nei įsitikinimų atnaujinimas. Mano nuomone, mes kuriame istorijas apie tai, kaip viskas atsirado ir kaip jie gali keistis, o perėjimo iš vienos istorijos būsenos į kitą tikimybę vertiname naudodami savo mentalinius modelius. (Teisybės dėlei reikia pasakyti, kad Bajeso modeliai gali būti naudojami istorijų vaizdavimui, kaip ir istorijos gali būti vaizduojamos naudojant kalbą, semantinius tinklus ir kitas struktūras.) Šiuo požiūriu Bajeso statistikos naudojimas yra istorijos kūrimo ir kitų, mažiau formalių, supratimo pakaitalas. kaip žmonės priima sprendimus dėl tikėtinumo.
Šie pavyzdžiai parodo, kodėl aš teigiu, kad pakaitalų šališkumas yra tikra problema ne atskiriems sprendimus priimantiems asmenims, o analitinei bendruomenei. Manau, kad ši bendruomenė ignoruoja, nuvertina ir iškreipia kognityvinius reiškinius bei pakeičia formuluotes, kurias lengviau apskaičiuoti, tai yra klasikinis pakeitimo šališkumo vengimas.
Neteigiu, kad analitikai tyčia daro pakeitimus. Manau, kad juos sugriebia tai, kas D. Kleino ir kt. (2018) vadino Rationalist Fever Dreams, todėl algoritmų ir skaičiavimo metodų naudojimas jiems atrodo pagrįstas.
Pagrindiniai šio rašinio dalykai yra: a) atkreipti dėmesį į modeliuotojų, analitikų ir dirbtinio intelekto kūrėjų pakaitalų šališkumą; b) nuodugniai išnagrinėti jų darbą ir išsiaiškinti, ar jie neiškraipo pažinimo reiškinių, kuriuos jie teigia nagrinėjantys; ir (c) panaudoti tą patikrinimą siekiant gilesnio šių reiškinių supratimo.