Beslutsmodeller: Brunswik-objektiv och Bayes-modell

Det finns flera normativa modeller för individuellt beslutsfattande som skiljer sig åt när det gäller deras tonvikt och komplexitet. Modellen som vi presenterar i detalj är en som har använts med stor framgång när det gäller att studera de grundläggande egenskaperna hos beslutsfattandet. Det ger också en bra konceptuell ram för att visa och uppskatta beslutsprocessen.

1. Brunswik Lens Modell:

Ett sätt att titta på de beslut som människor gör och hur de går för att göra dem är genom Lens Model of Brunswik (1956). Ett diagram över objektivmodellen visas i figur 15.3.

Modellen förutsätter att beslutsprocessen består av tre väsentliga delar:

(1) Den grundläggande informationen i beslutssituationen,

(2) Det faktiska beslutet av beslutsfattaren, och

(3) Det optimala eller korrekta beslutet som borde ha gjorts i den särskilda situationen.

Var och en av dessa visas i figur 15.3.

Grundläggande information:

Närhelst en person fattar ett beslut har han till sitt förfogande ett antal indikatorer eller indikatorer som han eller hon inte kan använda som hjälpmedel i processen. Till exempel, ta en verkställande inför varje månad med problemet att försöka bestämma hur många enheter av produkt X att producera. Det finns uppenbarligen ett brett spektrum av beslutsvariabler som han potentiellt kan använda för att hjälpa honom att göra sitt beslut bra, till exempel nuvarande inventering, nuvarande order, allmänna marknadsindikatorer, råd från sina närmaste underordnade etc. Dessa är de potentiella cue-variablerna som visas i Figur 15.3.

Observerat beslut:

Naturligtvis måste varje beslutsprocess sluta i ett svar av något slag - även om svaret helt enkelt är beslutet att inte svara, är det förmodligen säkert att säga att ett svar av sorter har gjorts. Beslutsfattandet innebär alltid ett handlingsalternativ. Således är "beslutsbeteende" och "valbeteende" verkligen ganska oskiljbara fenomen. Låsen på höger sida i Figur 15.3 representerar den handlingsåtgärd som beslutsfattaren äntligen åtar sig.

Rätt beslut:

Precis som det finns en observerad handlingsplan för beslutsfattarens sida, så finns det ett optimalt svar eller val i samband med något beslut. Detta optimala beslut representerar det bästa möjliga valet av åtgärder som eventuellt kunde ha valts av beslutsfattaren i den särskilda situationen. I själva verket representerar det det ultimata kriteriet mot vilket det faktiska beslutet bör utvärderas.

I många beslutssituationer är det svårt att någonsin verkligen bestämma eller veta vad detta optimala beslut är eller var vid en viss tidpunkt. Men åtminstone i teorin finns alltid ett optimalt svar från beslutsfattarens sida. I figur 15.3 visas detta värde i rutan till vänster som det "korrekta" beslutet.

Modulens dynamik:

Efter att ha definierat de väsentliga ingredienserna i modellen blir det nu möjligt att undersöka sambanden mellan dessa element. Dessa samverkan ger oss en indikation på den komplicerade och dynamiska egenskapen hos beslutsprocessen.

True Cue Giltighet Det verkliga värdet av en enda cue som är tillgänglig för beslutsfattaren representeras av den diagnostiska eller prediktiva "kraften" av den cue. Med andra ord, hur bra är det att få den cue tillgänglig under beslutsprocessen. Korrelationen mellan cue och rätt beslut, dvs sann cue validity, är indexet som representerar denna prediktiva kraft.

Till exempel, ta igen fallet med vår verkställande som står ständigt inför problemet att fatta beslut om hur många enheter av produkt X han ska producera varje månad. En cue han antagligen skulle använda är storleken på hans nuvarande inventering. Antag också att när man tittar tillbaka över det senaste årets register är det möjligt att specificera, under varje månad, antalet X-enheter som borde ha producerats. Tabell 15.1 ger ett hypotetiskt exempel som visar, för varje månad 1966,

(a) Storleken på nuvarande inventering,

(b) Antalet X-enheter som vår verkställande direktör bestämde sig för att producera, och

(c) Antalet X-enheter som borde ha producerats den månaden.

Om vi ​​plottar korrelationen mellan kolumnerna (a) och (c) som visat m Figur 15.4 finner vi att trenden är att låga lagervärden motsvarar ett stort antal enheter som ska produceras. Faktum är att korrelationen mellan (a) och (c) är en minus 0 869! Detta berättar att storleken på nuvarande inventering är hög men negativt relaterad till antalet enheter som behövs. Det är med andra ord en utmärkt cue -on som beslutsfattaren bör vara mycket noga med.

Observerad Cue Giltighet Den nästa frågan vi kan fråga om beslutsprocessen är "Hur bra, eller i vilken utsträckning, använde beslutsfattaren en viss cue? Det ges en cue som är tillgänglig för honom, brukar han använda den? Detta kan bestämmas genom att undersöka korrelationen mellan cue-värdena och vad beslutsfattaren faktiskt gjorde över ett antal beslut, det vill säga kolumnerna (a) och (b) i tabell 15.1. Denna korrelation är också upptagen i Figur 15.4, där vi kan se att den har ett värde av 0, 377. Således använde vår verkställande chefen tydligt cue, men inte i den grad det borde ha använts (åtminstone hade han riktningen för det sanna förhållandet uppskattat korrekt).

Decision-Maker Achievement :

Den tredje och kanske mest relevanta frågan vi borde fråga är frågan hur väl beslutsfattaren utförde sin uppgift. Fick han en hög grad av prestation i den mån de beslut som han faktiskt fattat var nära de beslut som i efterhand borde ha gjorts? Detta kan bestämmas genom att titta på graden av korrelation mellan kolumnerna (b) och (c) i tabell 15.1.

Korrelationen mellan antalet enheter verkställande direktören bestämde sig för att producera (kolumn b) och det antal som han borde ha bestämt sig för att producera (kolumn c) visar sig i vår illustration vara 0, 165-inte särskilt bra prestanda enligt någon standard. Vår beslutsfattare gör uppenbarligen inte så bra som möjligt med en cue som kan vara till stor hjälp för honom under dessa särskilda omständigheter.

Forskningsresultat :

Lensmodellen är i grund och botten en beskrivande konceptualisering av den mänskliga beslutsprocessen som ger ett antal matematiska index som vi kan studera beslutsprocessen på människan. Merparten av forskningen baserad på modellen har varit ganska abstrakt laboratorieforskning - det har inte tillämpats i många realistiska uppgiftsinställningar. Forskningsresultaten har dock indikerat flera ganska intressanta saker om hur folk kan använda signaler i en beslutsfattande situation, så en kort sammanfattning av dessa resultat kommer att ges.

Först ett antal studier (Schenck och Naylor, 1965, 1966, Dudycha och Naylor 1966, Summers, 1962, och Peterson, Hammond och Summers, 1966) har alla visat att beslutsfattare kan lära sig att använda signaler på lämpligt sätt. Det vill säga att de tenderar att lära sig vilka signaler som är bra och vilka är dåliga och att ge de goda signalerna större uppmärksamhet än de fattiga signalerna.

Dudycha-Naylor-studien visade emellertid det mycket intressanta slutsatsen att om en beslutsfattare har en mycket bra cue och då ger du honom en andra cue som är fattigare men fortfarande har något mer förutsägbart värde, kommer hans prestanda att minska - sämre resultatresultat än om han bara hade den enda cue! Tydligen lägger dåliga signaler mer statisk eller "buller" till beslutsprocessen än de lägger till förutsägbart värde. Å andra sidan, om den ursprungliga cueen är endast genomsnittlig i sin prediktiva kraft och du ger beslutsfattaren en andra, mycket bra cue, förbättras hans prestation markant.

En annan intressant upptäckning rapporterades nyligen av Clark (1966). Han visade att signaler med negativ validitet inte är lika användbara för en beslutsfattare som signaler har ett direkt eller positivt förhållande. Av någon anledning verkar människor ha en svårare tid att lära sig att använda som hjälpmedelskällor som ger negativ validitet. Läsaren kommer ihåg att det för prediktiva ändamål inte är ett tecken på ett förhållande, det vill säga en cue med en giltighet på - 0.80 är lika användbart, potentiellt som en cue med en validitet på + 0, 80.

Annan information som har erhållits om mänskliga beslutsfattare använder linsmodellen är (1) människor är bättre att lära sig använda signaler som har linjära relationer till rätt beslut än de använder signaler som har ett olinjärt förhållande (Dickinson och Naylor, 1966, Hammond och Summers, 1965) och (2) människor tenderar att använda signaler systematiskt, även om signalerna kanske inte har någon verklig prediktiv kraft alls (Dudycha och Naylor, 1966). Denna senare upptäckt innebär helt enkelt att om en beslutsfattare placeras i en situation där ingen av de ledtrådar som är tillgängliga för honom är av värde, kommer han fortfarande att tendera att välja ut och använda några av dem som om de hade värde.

2. Bayes Modell av beslutsfattande :

En annan matematisk modell som för närvarande kommer till ökad användning i studien av mänskligt beslutsfattande är känt som Bayes teorem.

Detta är följande:

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

Där P (A | B) = sannolikheten för A givet att B har inträffat

P (B | A) = sannolikheten för B givet att A har inträffat

P (A) = sannolikheten för A

P (Ā) = sannolikheten för inte A, dvs 1 - A

P (B | Ā) = sannolikhet för B givet inte A

Eftersom uttryck som Bayes Theorem ofta brukar vara förvirrande, låt oss överväga ett exempel på en praktisk beslutsuppgift och se hur Bayes Model kan gälla.

En typ av typiska beslutsfattande uppgift som alla företag står inför är att avgöra vem man ska välja och vem man ska avvisa från en pool av arbetssökande. Tänk på situationen där ett företag har bestämt sig för att prova ett nytt urvalstest. Tänk vidare att erfarenheten har visat att endast 60 procent av de anställda som ansöker visar sig vara tillfredsställande. Antag också att företagets övning tidigare var att anställa alla och ge dem en chans att träna.

Av de män som visar sig vara tillfredsställande har 80 procent visat sig vara över ett avbrott i det nya urvalet, medan endast 40 procent av dem som visar sig vara otillfredsställande poäng över cut-offen. Om vi ​​använder det här testet för val, och om vi bara anlitar de männen över cut-off-poängen, vad är sannolikheten för att en person över cut-off blir tillfredsställande?

Om vi ​​nu definierar våra symboler igen har vi:

P (A) = sannolikhet för att vara framgångsrik = 0, 60

P (B) = sannolikhet för provning

P (B | A) = sannolikheten för att godkända test ges medarbetaren är framgångsrik = 0, 80

P (B | Ā) = sannolikheten för att godkända test ges medarbetaren misslyckas = 0.40

P (B | A) = sannolikheten att inte bestå testet ges medarbetaren lyckas = 0, 20

P (B | A) = sannolikheten att inte bestå testet ges medarbetaren misslyckas = 0, 60

Vi vill veta P (A | B), det vill säga sannolikheten för att en person kommer att lyckas med tanke på att han har passerat provet.

Bayes teorem visar:

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

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

Med andra ord, om vi bara väljer de som passerar vårt provningstest kommer vi att sluta med 75 procent framgångar i anställning, jämfört med 60 procent utan testet. Tillämpningen av Bayes teorem för beslutsfattande inom industrin blir allt vanligare. Det är ett mycket kraftfullt verktyg och användningen bör öka kraftigt under de kommande åren.