Decision Making Models: Brunswik Lens og Bayes Model

Der findes flere normative modeller til individuel beslutningstagning, som er forskellige med hensyn til deres vægt og kompleksitet. Modellen, som vi vil præsentere detaljeret, er en, der har været brugt med stor succes med at studere de grundlæggende egenskaber ved beslutningstagningen. Det giver også en god konceptuel ramme for at se og værdsætte beslutningsprocessen.

1. Brunswik Lens Model:

En måde at se de beslutninger, folk gør, og hvordan de går på at gøre dem, er gennem Lens Model of Brunswik (1956). Et diagram over objektivmodellen er vist i figur 15.3.

Modellen forudsætter, at beslutningsprocessen består af tre væsentlige elementer:

(1) De grundlæggende oplysninger i beslutningssituationen,

(2) Den faktiske beslutning truffet af beslutningstageren, og

(3) Den optimale eller korrekte beslutning, der burde have været truffet i den pågældende situation.

Hver af disse er vist i Figur 15.3.

Grundlæggende oplysninger:

Når en person træffer en beslutning, har han en række vejledninger eller indikatorer til rådighed, som han måske eller ikke kan bruge som hjælpemidler i processen. For eksempel tage en udøvende chef hver måned med problemet med at forsøge at bestemme, hvor mange enheder af produkt X der skal produceres. Der er naturligvis en bred vifte af beslutningsvariabler, som han potentielt kunne bruge til at hjælpe ham med at gøre sin beslutning en god, som f.eks. Nuværende opgørelse, aktuelle ordrer, generelle markedsindikatorer, råd fra sine nærmeste underordnede mv. Disse er de potentielle cue-variabler vist i figur 15.3.

Observeret beslutning:

Enhver beslutningsproces skal naturligvis ende i et svar af en slags - selvom svaret simpelthen er beslutningen om ikke at svare, er det sikkert sikkert at sige, at der er foretaget en slags svar. At træffe en beslutning indebærer altid et valg af handling. Således er "beslutningsadfærd" og "valgadfærd" virkelig ret ubestridelige fænomener. Kassen på højre side af figur 15.3 repræsenterer handlingsforløbet, som beslutningstageren endelig forpligter sig til.

Korrekt beslutning:

Ligesom der er en observeret handling af beslutningstagerens side, så er der et optimalt svar eller valg i forbindelse med enhver beslutning. Denne optimale beslutning repræsenterer det bedst mulige valg af handling, som eventuelt kunne være valgt af beslutningstageren i den pågældende situation. I en meget reel forstand repræsenterer den det ultimative kriterium, som den faktiske beslutning skal evalueres på.

I mange beslutningssituationer er det svært at aldrig rigtig bestemme eller vide, hvad denne optimale beslutning er eller var på et bestemt tidspunkt. Men i det mindste i teorien eksisterer der altid et optimalt svar fra beslutningstagerens side. I figur 15.3 vises denne værdi i boksen til venstre som den "korrekte" beslutning.

Dynamik af modellen:

Efter at have defineret de væsentlige ingredienser i modellen bliver det nu muligt at undersøge sammenhænge mellem disse elementer. Disse sammenhænge giver os en indikation af kompleksiteten og den dynamiske egenskab ved beslutningsprocessen.

True Cue Validity Den sande værdi af en enkelt cue tilgængelig for beslutningstageren er repræsenteret af den diagnostiske eller prædiktive "power" af den cue. Med andre ord, hvor hjælpsom er det at få den cue tilgængelig under beslutningsprocessen. Sammenhængen mellem køen og den korrekte beslutning, dvs. den sande cue-validitet, er indekset, som repræsenterer denne forudsigende kraft.

For eksempel tage igen sagen for vores chef, der løbende står over for problemet med at træffe en beslutning om, hvor mange enheder af produkt X han skal producere hver måned. En cue han sandsynligvis ville bruge er størrelsen af ​​hans nuværende opgørelse. Antag også, at det i løbet af hver måned er muligt at angive antallet af X-enheder, som skulle have været produceret. Tabel 15.1 indeholder et hypotetisk eksempel, der viser, for hver måned i 1966,

(a) Størrelsen af ​​den nuværende opgørelse,

(b) Antallet af X enheder, vores administrerende direktør besluttede at producere, og

c) Antallet af X-enheder, der burde have været produceret den pågældende måned.

Hvis vi plot korrelationen mellem kolonnerne (a) og (c) som vist i Figur 15.4, finder vi, at tendensen er for lave lagerværdier, der svarer til et stort antal enheder, der skal produceres. Faktisk er sammenhængen mellem (a) og (c) en minus 0 869! Dette fortæller os, at størrelsen af ​​den nuværende opgørelse er høj, men negativt relateret til antallet af nødvendige enheder. Det er med andre ord en glimrende cue -one, som beslutningstageren skal være opmærksom på meget omhyggeligt.

Observeret Cue Gyldighed Det næste spørgsmål, vi måske spørger om beslutningsprocessen, er "Hvor godt, eller i hvilket omfang har beslutningstageren brugt en given cue? Der gives en cue, som er tilgængelig for ham, har han tendens til at bruge den? Dette kan bestemmes ved at undersøge sammenhængen mellem cue værdierne og hvad beslutningstageren faktisk gjorde over en række beslutninger, det vil sige kolonner (a) og (b) i tabel 15.1. Denne sammenhæng er også tegnet i Figur 15.4, hvor vi kan se, at den har en værdi på 0, 377. Således anvendte vores udøvende tilsyneladende cue, men ikke i det omfang, det burde have været brugt (i det mindste havde han retningen af ​​det sande forhold estimeret korrekt).

Beslutning-Maker Achievement :

Det tredje og måske mest relevante spørgsmål, vi bør stille, er spørgsmålet om, hvor godt beslutningstageren har udført sin opgave. Har han haft en høj grad af præstation, for så vidt som de beslutninger, han faktisk havde truffet, var tæt på de beslutninger, der efterfølgende skulle have været truffet? Dette kan bestemmes ved at se på graden af ​​korrelation mellem kolonnerne (b) og (c) i tabel 15.1.

Sammenhængen mellem antallet af enheder, som udøvelsen besluttede at producere (kolonne b) og det nummer, han skulle have besluttet at producere (kolonne c) viser sig i vores illustration at være 0, 165-ikke særlig god præstation ved nogen standard. Vores beslutningstageren gør sig selvfølgelig ikke så godt, som han kunne med en cue, som kunne være meget nyttigt for ham under disse særlige omstændigheder.

Forskningsresultater :

Lensmodellen er grundlæggende en beskrivende konceptualisering af den menneskelige beslutningsproces, som giver en række matematiske indekser, hvorved vi kan studere beslutningsprocessen hos mennesker. Det meste af forskningen baseret på modellen har været ret abstrakt laboratorieforskning - det er ikke blevet anvendt i mange realistiske opgaveindstillinger. Forskningsresultaterne har dog angivet flere ret interessante ting om folkes evne til at bruge signaler i en beslutningssituation, så der gives en kort sammenfatning af disse resultater.

Først en række studier (Schenck og Naylor, 1965, 1966, Dudycha og Naylor 1966, Summers, 1962, og Peterson, Hammond og Summers, 1966) har alle vist, at beslutningstagere kan lære at bruge signaler på passende vis. Det vil sige, de har tendens til at lære, hvilke signaler der er gode, og hvilke der er dårlige og at give de gode signaler mere opmærksomhed, end de fattige signaler gør.

Dudycha-Naylor-undersøgelsen viste dog det meget interessante fund, at hvis en beslutningstager har en meget god cue og så giver han ham en anden cue, som er fattigere, men stadig har en yderligere prædiktiv værdi, vil hans præstation reducere dårligere resultater end hvis han lige havde den eneste cue! Tilsyneladende tilføjer dårlige signaler mere statisk eller "støj" til beslutningsprocessen, end de tilføjer prædiktiv værdi. På den anden side, hvis den oprindelige cue kun er gennemsnitlig i sin prædiktive magt, og du giver beslutningstagerne en anden, meget god cue, forbedrer hans præstation markant.

Et andet interessant fund blev for nylig rapporteret af Clark (1966). Han viste, at signaler med negativ gyldighed ikke er så nyttige for en beslutningstager, som der er tegn på direkte eller positivt forhold. Af en eller anden grund synes mennesker at have en vanskeligere tid at lære at bruge som aids-informationskilder, der giver negativ validitet. Læseren vil huske, at tegn for et forhold ikke er vigtigt for forudsigende formål, det vil sige en cue med en validitet på - 0.80 er lige så nyttig, potentielt som en cue med en validitet på + 0, 80.

Andre oplysninger, som er opnået om menneskelige beslutningstagere ved hjælp af linsemodellen, er (1) mennesker er bedre til at lære at bruge signaler, der har lineære forhold til den rigtige beslutning, end de bruger cues, der har et ikke-lineært forhold (Dickinson og Naylor, 1966; Hammond og Summers, 1965) og (2) mennesker har tendens til at bruge signaler systematisk, selv når signalerne muligvis ikke har nogen reel forudsigelsesevne overhovedet (Dudycha og Naylor, 1966). Denne sidstnævnte konklusion betyder simpelthen, at hvis en beslutningstager placeres i en situation, hvor ingen af ​​de signaler, der er til rådighed for ham, er af nogen værdi, vil han stadig have tendens til at udvælge og bruge nogle af dem som om de havde værdi.

2. Bayes Model of Decision Making :

En anden matematisk model, der i øjeblikket kommer til øget anvendelse i undersøgelsen af ​​menneskelig beslutningstagning, er kendt som Bayes-sætningen.

Dette er som følger:

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

Hvor P (A | B) = sandsynlighed for A givet, at B er sket

P (B | A) = sandsynlighed for B givet, at A er sket

P (A) = sandsynlighed for A

P (Ā) = sandsynlighed for ikke A, dvs. 1 - A

P (B | Ā) = sandsynlighed for B givet ikke A

Da udtryk som Bayes-sætningen ofte har en tendens til at være forvirrende, lad os overveje et eksempel på en praktisk beslutningsopgave og se, hvordan Bayes Model kan finde anvendelse.

En slags typisk beslutningstagningsopgave, som alle firmaer står over for, er at bestemme hvem man skal vælge og hvem man skal afvise fra en pool af jobsøgere. Overvej situationen, hvor en virksomhed har besluttet at prøve en ny udvælgelsestest. Overvej yderligere, at erfaringerne har vist, at kun 60 procent af de ansattes ansættelse viser sig at være tilfredsstillende. Antag også, at virksomhedens praksis tidligere var at ansætte alle og give dem en chance for at træne.

Af de mænd, der viser sig at være tilfredsstillende, har 80 procent vist sig at være over en cut-off score på den nye udvælgelsestest, mens kun 40 procent af dem, der viser sig at være utilfredsstillende score over cut-offen. Nu, hvis vi bruger denne test til udvælgelse, og hvis vi kun ansætter disse mænd over cut-off score, hvad er sandsynligheden for, at en person over cut-off vil vise sig at være tilfredsstillende?

Hvis vi nu definerer vores symboler igen, har vi:

P (A) = sandsynlighed for at være vellykket = 0, 60

P (B) = sandsynlighed for at bestå test

P (B | A) = sandsynligheden for at bestå test givet medarbejderen er vellykket = 0, 80

P (B | Ā) = sandsynligheden for at bestå test givet medarbejderen mislykkes = 0.40

P (B | A) = sandsynligheden for ikke at bestå testen givet medarbejderen er vellykket = 0, 20

P (B | A) = sandsynligheden for ikke at bestå testen givet medarbejderen mislykkes = 0, 60

Vi vil gerne vide P (A | B), det vil sige sandsynligheden for at en person vil blive succesfuld, da han har bestået prøven.

Bayes sætning viser:

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

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

Med andre ord, hvis vi kun vælger dem, der passerer vores screening test, vil vi ende med 75 procent succes i ansættelse i forhold til 60 procent uden testen. Anvendelsen af ​​Bayes-sætningen til beslutningstagning i industrien bliver mere hyppig. Det er et meget kraftfuldt værktøj, og dets brug bør stige kraftigt i de kommende år.