Главная Обратная связь

Дисциплины:

Архитектура (936)
Биология (6393)
География (744)
История (25)
Компьютеры (1497)
Кулинария (2184)
Культура (3938)
Литература (5778)
Математика (5918)
Медицина (9278)
Механика (2776)
Образование (13883)
Политика (26404)
Правоведение (321)
Психология (56518)
Религия (1833)
Социология (23400)
Спорт (2350)
Строительство (17942)
Технология (5741)
Транспорт (14634)
Физика (1043)
Философия (440)
Финансы (17336)
Химия (4931)
Экология (6055)
Экономика (9200)
Электроника (7621)


 

 

 

 



Причины побеждают статистику




Рассмотрите описание и дайте интуитивный ответ на следующий вопрос:

Ночью таксист совершил наезд и скрылся с места происшествия.
В городе работают две компании такси, «Зеленая» и «Синяя».

Вам представили следующие данные:

• 85 % городских такси – из «Зеленой» компании, а 15 % – из «Синей».
• Свидетель опознал такси как «Синее». Судебная экспертиза проверила надежность свидетеля в ночных условиях и заключила, что свидетель правильно опознает каждый из двух цветов в 80 % случаев и неправильно – в 20 % случаев.

Какова вероятность того, ч то такси, совершившее наезд, было «Синим», а не «Зеленым»?

Это – стандартная задача байесовского вывода. В ней есть два пункта информации: априорная вероятность и не вполне надежные свидетельские показания. В отсутствие свидетеля вероятность того, что такси-виновник «Синее», – 15 %, то есть это априорная вероятность такого исхода. Если бы компании такси были одинаково крупными, априорная вероятность стала бы неинформативной. В таком случае вы, рассматривая только надежность свидетеля, пришли бы к выводу, что вероятность составляет 80 %. Два источника информации можно объединить по формуле Байеса. Правильный ответ – 41 %. Впрочем, вы наверняка догадываетесь, что при решении этой задачи испытуемые игнорируют априорную вероятность и выбирают свидетеля. Самый частый ответ – 80 %.

 

Каузальные стереотипы

Теперь взгляните на ту же историю с иным представлением априорной вероятности.

У вас есть следующие данные:

• У обеих компаний одинаковое число машин, но «Зеленые» такси связаны с 85 % происшествий.
• Информация о свидетеле такая же, как в предыдущей версии задания.

Эти две версии математически одинаковы, но разнятся с психологической точки зрения. Те, кто ознакомился с первым вариантом задания, не знают, как пользоваться априорной вероятностью, и часто ее игнорируют. Те, кто видит второй вариант, напротив, уделяют априорной вероятности значительное внимание, и в среднем их оценки недалеки от байесовского решения. Почему?
В первом варианте априорная вероятность «Синих» такси – статистический факт, количество такси в городе. Разуму, жаждущему каузальных историй, не о чем думать: количество «Синих» и «Зеленых» такси в городе не заставляет водителей скрываться с места происшествия.
С другой стороны, во втором варианте водители «Зеленых» такси в пять с лишним раз чаще попадают в аварии, чем водители «Синих». Вывод напрашивается немедленно: водители «Зеленых» такси – отчаянные безумцы! У вас сформировался стереотип неосторожности «Зеленых», который вы применяете к неизвестным отдельным водителям компании. Стереотип легко вписывается в каузальную историю, поскольку неосторожность – это каузально важная черта для отдельных водителей. В этой версии присутствуют две каузальные истории, которые требуется либо объединить, либо привести в соответствие друг другу. Первая – это происшествие, естественным образом вызывающее мысль о том, что виноват неосторожный водитель «Зеленых». Вторая – это свидетельские показания, дающие веские основания предполагать, что такси было из «Синих». Выводы из двух историй относительно цвета машины противоречивы и примерно нейтрализуют друг друга. Цвета примерно равновероятны (байесовская оценка составляет 41 %, что отражает чуть более сильное влияние соотношения виновных в происшествиях водителей «Зеленых» по сравнению с надежностью свидетеля, заявившего, что такси было «Синим»).
Пример с такси иллюстрирует два типа априорных вероятностей. Статистические априорные вероятности – это неважные для отдельного случая факты о совокупности, в рамках которой рассматривается ситуация. Каузальные априорные вероятности меняют ваше видение того, как этот случай произошел. Обращаются с этими двумя типами информации об априорных вероятностях по-разному:

Статистическим априорным вероятностям обычно придают небольшой вес, а иногда и вообще игнорируют при наличии конкретной информации о рассматриваемом случае.
Каузальные априорные вероятности рассматривают как информацию о конкретном случае и легко сочетают с другой относящейся к нему информацией.

Каузальная версия задачи про такси сформулирована как стереотип: «Зеленые» водители опасны. Стереотипы – это утверждения о группе, которые считаются (хотя бы условно) верными для каждого ее члена. Вот два примера:

Большинство выпускников этой школы в бедном районе поступают в колледж.
Во Франции широко интересуются велоспортом.

Эти утверждения с готовностью интерпретируются как определение склонности отдельных членов группы и вписываются в каузальную историю. Многие выпускники этой школы в бедном районе желают и идут учиться в колледж, предположительно из-за каких-то благоприятных особенностей школы. Во французской культуре и общественной жизни есть силы, заставляющие многих французов интересоваться велоспортом. Вы вспомните эти факты, когда будете обдумывать вероятность того, пойдет ли конкретный выпускник этой школы в колледж, или размышлять, стоит ли упоминать «Тур де Франс» в разговоре с недавно встреченным французом.
Формирование стереотипа – отрицательное понятие в нашей культуре, но я использую его нейтрально. Одна из основных характеристик Систем ы 1 заключается в представлении категорий в виде норм и прототипов. Именно так мы думаем о лошадях, холодильниках и нью-йоркских полицейских; мы держим в памяти представление об одном или нескольких «нормальных» примерах из каждой категории. В социальных категориях такие представления называют стереотипами. Некоторые из них катастрофически ошибочны, а формирование неприязненных или враждебных стереотипов приводит к ужасным последствиям, но от психологии не уйдешь: мы представляем категории через верные и фальшивые стереотипы.
Обратите внимание на иронию: в контексте задачи про такси пренебрежение информацией об априорных вероятностях – когнитивный недостаток, ошибка в байесовском обосновании, тогда как доверие к каузальным априорным вероятностям желательно. Формирование стереотипов о водителях «Зеленых» такси повышает точность оценки. Однако в другом контексте – например, при найме на работу или в профилировании – существуют жесткие социальные и законодательные но рмы против создания стереотипов. Так и должно быть. В деликатных социальных ситуациях нежелательно делать потенциально неверные выводы об индивиде на основании статистики группы. С моральной точки зрения считается желательным рассматривать априорные вероятности как общие статистические факты, а не как предположения о конкретных людях. Иными словами, в этом случае мы отвергаем каузальные априорные вероятности.
Социальные нормы против формирования стереотипов, включая неприятие профилирования, полезны для создания более цивилизованного и справедливого общества. Тем не менее стоит помнить, что пренебрежение обоснованными стереотипами неизбежно влечет за собой неоптимальные оценки. Противостояние стереотипам похвально с точки зрения морали, однако не следует ошибочно придерживаться упрощенного мнения, что это не несет последствий. Такую цену стоит заплатить ради улучшения общества, но отрицание ее существования, хотя и успокаивает душу и политически корректно, все же не имеет научного обоснования. В политических дебатах часто используют эвристику аффекта: симпатичные нам принципы якобы не требуют затрат, а те, что нам не нравятся, якобы не дают никакой пользы. Мы должны быть способны на большее.

 

Каузальные ситуации

Мы с Амосом составили варианты задания про такси, позаимствовав понятие каузальных априорных вероятностей у психолога Исаака Айзена. В своих экспериментах он показывал участникам краткие описания студентов, сдававших экзамены в Йельском университете, и просил оценить вероятность того, сдан ли экзамен. Каузальными априорными вероятностями манипулировали очень просто: Айзен объяснил одной группе, что описанные студенты были выбраны из потока, в котором 75 % сдали экзамен, а другой группе – что в рассмотренном потоке было лишь 25 % положительных результатов. Это – весьма существенная подстановка, поскольку априорная вероятность предполагает немедленный вывод о чрезвычайной сложност и экзамена, который успешно сдали всего 25 % студентов. Сложность экзамена – это, безусловно, один из каузальных факторов, определяющих результат каждого студента. Как и ожидалось, участники эксперимента Айзена оказались весьма чувствительны к каузальным априорным вероятностям и вероятность каждого из студентов сдать экзамен в более успешном потоке оценили выше, чем при условии множества провалов.
Айзен изобретательно подтолкнул испытуемых к мысли о некаузальной априорной вероятности. Он объяснил участникам эксперимента, что группу студентов взяли из выборки, в свою очередь составленной из студентов, сдавших или проваливших экзамен. Информацию о группе с высоким показателем провалов сформулировали так:

Экспериментатор, преимущественно интересующийся причинами неудачи, составил выборку, в которой 75 % студентов не сдали экзамен.

Обратите внимание на разницу. Эта априорная вероятность – чисто статистическая информа ция о выборке, из которой извлекли рассматриваемые экземпляры. Она никак не связана с заданным вопросом, то есть сдал каждый отдельно взятый студент экзамен или провалил. Как и ожидалось, эксплицитно указанные априорные вероятности повлияли на оценочные суждения в гораздо меньшей степени, чем статистически эквивалентные каузальные априорные вероятности. Система 1 справляется с историями, где между элементами есть каузальная связь, но слаба в статистических рассуждениях. Разумеется, с байесовской точки зрения эти версии эквивалентны. Возникает соблазн заключить, что мы пришли к удовлетворительному выводу: каузальные априорные вероятности активно используются, а статистические факты в той или иной степени игнорируются. Но следующее исследование – одно из моих любимых – показывает, что ситуация гораздо сложнее.

 



Просмотров 1231

Эта страница нарушает авторские права




allrefrs.su - 2025 год. Все права принадлежат их авторам!