Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
1
Kognitiv psykologi
Anders Jansson
Besluts- och bedömningspsykologi
i teori och praktik
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Bedömningspsykologi Normativt beslutsfattande Det kognitiva perspektivet
Empiriskt perspektiv Heuristics & Biases
Två alternativa synsätt Kleins RPD-modell Rasmussens SRK-modell
Erfarenheter från egna fältstudier
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Vad är ett beslut? Formuleringen av beslutsproblemet
avgör hur vi tolkar och beskriver beslutsfattarens prestationerÄr beslutet en händelse eller process?Har beslutsfattarens mål och
intentioner någon betydelse?Tillåts ostrukturerade beslutsuppgifter?Vad spelar situationen, sammanhanget
och domänkunskapen för roll?
2
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Osäkerhet Graden av osäkerhet varierar Hur ska osäkerhet formuleras?
Klassisk beslutsforskning hanterar detta med hjälp av sannolikheter och riskkalkyler
Är människan en ”intuitiv statistiker” eller en ”intuitiv ingenjör”?
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Domänkunskap/expertis Beslutsfattarens domänkunskap
varierar Ska man dra slutsatser om
människans förmåga att fatta beslut genomStudenters förmåga att besvara
allmänkunskapsfrågor?Experters förmåga att besvara
domänkunskapsfrågor?
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Tidens betydelse Ska bedömningar
och beslut ses som en serie oberoende eller interberoende händelser?
Hur påverkar tids-press prestation och beteende hos en beslutsfattare?
3
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Beslutskriterier Det optimala beslutet =
Den maximala utdelningen jämfört med ett på förhand förväntat värde?eller
Det i efterhand konstaterade utfallet i form av bästa tänkbara resultat?eller
När den mest lämpade experten inom området har avgjort ärendet!
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Gottröra-kraschen
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Beslutsforskning I Normativt beslutsfattande
Preskriptiva teorier Föreskriver hur beslut bör fattas för att
t.ex. maximera vinster eller minimera förluster Studier av hur mycket människor avviker
från sådana optimala beslut (utfall) Människan är en ”dålig intuitiv statistiker” Motiv för utveckling av beslutshjälpmedel
4
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Beslutsforskning II Beslutsfattande ur ett kognitivt
perspektivKognitiva processer styr våra val Förklarar mänskligt beslutsfattande i
termer av ”heuristics & biases” Bakomliggande principer
• Representativeness heuristic• Availability heuristic• Anchoring and adjustment heuristic• Overconfidence bias• Confirmation bias• Hindsight bias
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Beslutsforskning III Naturalistsikt beslutsfattande
Ett holistiskt perspektiv Syftar till att beskriva beslutsfattandet i
nära relation med kontext och innehåll Studerar beslutsfattare i representativa
miljöer Låter domänkunskapen vara en del av
förutsättningarna för beslutet
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Beslutsforskning IV Beslutsfattande på olika nivåer
Kunskapsnivån Vid analytiskt tänkande och problemlösning
Regelnivån Strategier färdiga att använda givet en viss
situationSkicklighetsnivån Bedömningar och beslut som är
automatiserade
5
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Tre modeller Heuristics & Biases
Modell från det kognitiva perspektivetMetod: Laboratorier + Experiment
Kleins RPD-modellNaturalistiska och dynamiska miljöerMetod: Fältstudier + Analyser
Rasmussens SRK-modell Ingenjörens perspektivMetod: Fallstudier + Felsökning
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
SensoryProcessing Perception Response
SelectionCHOICE
ResponseExecution
SystemEnvironment(Feedback)
WorkingMemory
Cognition
DIAGNOSISH1 H2 ……..
Long-termMemory
AttentionResources
SelectiveAttention
Options Risks(Values)
Cues
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Långtidsminnet Tre grundläggande kognitiva
tumregler (heuristiker)Representativitet: likhetsmatchning
• ”Den här situationen liknar……..”• När vi har tillgång till många relevanta cues• Vad är sannolikheten att A tillhör B?
Tillgänglighet: frekvensspel• ”Den här situationen inträffar ofta…..”• När cues är tvetydiga och domänkunskapen låg• Vad är sannolikheten att A ska hända?
Förankring & förändring: initiala värden• Bedömningar och skattningar med numeriska
värden
6
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Felaktiga beslutDet kognitiva systemet tenderar att, i
situationer av underspecificering, reagera med kognitiva operationer i form av tumregler som tidigare visat sig vara användbara
Detta ger upphov till en rad olika former av fel, och dessa fel uppstår på alla kognitiva nivåer
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Långtidsminnet forts. Långtidsminnet och systematiska
felhandlingarÖverkonfidensfenomenet Vi tror oss kunna mer än vad vi faktiskt
vet! Forskare tvistar om fenomenets ekologiska
validitetKonfirmationsfenomenet Vi söker hellre bevis för att existerande
uppfattning är rätt, snarare än att kritiskt granska våra antaganden
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Arbetsminnet
Hur väljer vi mellan olika alternativ?
Alternativ
Attribut
1
3
21 3 4
2
7
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Beslutsfattande Klassiskt
beslutsfattande Utgår från
sannolikhetsmodeller Ger en bild av
människan som en dålig ”intuitiv statistiker”
Naturalistiskt och dynamiskt beslutsfattande Integrerar olika
kognitiva processer Ger en bild av
människan som en god ”intuitiv ingenjör”
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Experience the situation in a changing context
Seek moreinformationReassesssituation Is the situation
familiar?
Recognition: Four aspects
Areexpectancies
violated?
Mental simulation of action (n)
Will itwork?
Implement
Modify
Plausiblegoals
Relevantcues
Expectancies Actions1…..n
No
YesYes
NoNo
Yes, but
Yes
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Kleins RPD-modell Viktiga, särskiljande drag jmf. med
IP-modellen1. Fokus på situationsuppfattning2. Tillvaratar erfarenhet och kompetens3. Omedelbar identifiering av rimlig lösning4. Tillräckligt bra beslut räcker5. Bedömning av ett alternativ i taget6. Utvärdering i form av mental simulering7. Kontinuerlig beredskap för handling
8
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
NDM: Utgångspunkter Beslutsmiljöer kännetecknas av
1. Ostrukturerade problem2. Osäkra, dynamiska miljöer3. Skiftande, illa definierade och konkurrerande
mål4. Beslutsprocess i form av handling och feedback5. Tidspress, realtid, olika tidsskalor6. Starka intressen och stort ansvar7. Många aktörer8. Organisatoriska mål och normer
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Ostrukturerade problem
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Sleipner före….. ….och efter
Osäkra dynamiska miljöer
9
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Handling och feedback
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Tidspress, realtid ocholika tidsskalor
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Starka intressen ochstort ansvar
10
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Många aktörer ska samverka
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Organisatoriska mål och normer
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Knowledge-Based
Symbols
Rule-Based
Behaviour
Skill-Based
BehaviourFeature
Formation
AutomatedSensori-Motor
Patterns
Sensory Input
Signals
Output Actions
Recognition AssociationState/Task
Stored RulesFor Task
Identification DecisionOf Task Planning
Signs
Symbols
Goals
11
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Rasmussens SRK-modell Beslutsfattarens egenskaper kan
delas in i två delarAllmänmänskliga egenskaper i form av
förmågor och begränsningar T.ex. att arbetsminnesbegränsningar
påverkar allt kontorsarbete negativtDomänspecifik kunskap och kompetens
i form av expertis inom ett område T.ex. att lokförare måste ha linjekännedom
för att kunna stanna vid en plattform
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
SRK forts. Allmänmänskliga
drag Modelleras med
hjälp av modeller inom kognitiv psykologi
Domänspecifik kunskap Modelleras med
hjälp av en treskiktstaxonomi (SRK) ”Skills” ”Rules” ”Knowledge”
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
SRK: Kunskapsnivån Problemrymden =
mentala modeller Helhet-delar Mål-medel Kausala relationer
Processregler i form av: Tumregler Modellutveckling Transformering av
modeller Matchning mellan
abstraktionsnivåer Tankeexperiment
12
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
SRK: Regelnivån Problemrymden =
implicita regler Regler i form av
matchning mellan intryck och handlingar
Handling-respons modeller (implicita)
Processregler i form av: Situationsbaserade
regler Handlingar riktade
mot fysiska eller symboliska objekt i arbetsmiljön
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
SRK: Skicklighetsnivån Problemrymden =
interna dynamiska modeller om omgivningen Närmiljöns och den
egna kroppens beteende
Processregler i form av: Ej relevant, här
kontrolleras beteendet inte av några regler, utan av naturens egna lagar, t.ex. fluktuationer i nervsystemet
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
SRK: Nivåer av signaler Kunskapsnivån – Symboler utgör
grunden för kunskapsbaserat beteende
Regelnivån – Tecken och signaler leder till regelbaserat beteende som t.ex. igenkänning
Skicklighetsnivån – Sinnesintryck leder till automatiserade handlingar
13
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
SRK: Stödjer experter Fördelen med SRK-modellen är att
den ger möjlighet att utforma dialoger och processgrafik utifrån beslutsfattarens kompetens
Detta är särskilt viktigt i miljöer där domänspecifik kunskap är en förutsättning för att det slutliga beslutet ska bli bra
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Our theoretical modelRequirements in order to control a system:
• goals (G)
• models (M)
• actions (A)
• observations (O)Process time
Observations
ModelsGoals
Actions
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Snabba beslut I
14
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Snabba beslut II
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Fordon, fartygProcess-och trafik-styrning
Administrativt arbete
MDI studerar datorstöd i arbetslivet……
Vård-och omsorg-arbete
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Olika generationer av beslutsstöd
15
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Dynamiska beslut Beslut i dynamiska miljöer
En serie av interberoende beslutBeslutsuppgiften förändras, både av sig
själv och på grund av operatörens handlingar
Besluten måste tas realtid
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Dynamiska beslut forts. Tre generella aspekter som
människor har svårt med
KomplexitetOgenomskinlighetDynamik
16
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Komplexitet Målkonflikter är svåra att hantera i
rätt ordning Sido-effekter är svåra att förutse Stora system är svåra att överblicka Systemens natur kan vara svåra att
hantera Positivt återkopplade system är svåra att få
kontroll på Negativt återkopplade system är svåra att
påverka
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Observerbarhet Dålig feedback-
kvalitet ….. gör det svårt att
veta systemets tillstånd
gör det svårt att avgöra kausala samband
Dålig feedback-kvalitet beror på … att man inte har
tillgång till all information
att informationen inte är strukturerad eller presenterad på rätt sätt
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Dynamik Tidspress är svår att hantera om
förloppen är för snabba Exponentiella utvecklingar är alltid
svåra att kontrollera Fördröjningar är svåra att kognitivt
kompensera Många olika tidsskalor är svåra att
integrera
17
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Fördröjningar Feedback-fördröjningar kan finnas
på olika ställen i en feedback-loopDödtid är den tid det tar för ett system
att svara på ett kommandoTidskonstanten är den tid det tar för ett
system att uppnå ett visst (bör)värde Informationsfördröjning är den tid det
tar för ett system att återrapportera status av en förändring
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Strategier Feedback-baserad
direktinteraktion Kognitivt enkla
operationer, ofta i normalfallet
Perception eller automatiserade processer
Ofta inte tillräckliga vid beräkningar och fördröjningar
Mentala modeller (feedforward) Kognitivt
ansträngande operationer
Mentala modeller eller simuleringar
Ofta nödvändiga vid besvärliga problem och vid avvikelser
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Komplexa problem För att kunna lösa problem som är
komplexa, dynamiska och ogenomskinliga krävs en form av operativ intelligens som inte klassisk intelligensforskning vet så mycket om
Heuristisk kompetens är ett komplement till intelligens
18
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Heuristisk kompetens Förmåga att planera och utvärdera
på strategisk nivå Förmåga att systematiskt undersöka
och bygga upp en bättre förståelse Förmåga att utvärdera idéer,
hypoteser och strategier Förmåga att självkritiskt reflektera
över uppnått resultat
Info
rmat
ions
tekn
olog
i
Institutionen för informationsteknologi | www.it.uu.se
Maladaptiva beteendenBrist på heuristisk kompetens (orsaker)
Att agera direkt på feedback Otillräcklig systematisering Otillräcklig kontroll av strategier och
hypoteser Brist på självreflektion
Detta kan leda till (verkan)
Selektiv informationsinhämtning Selektivt handlande Intellektuellt vagabonderi