1. Rajoitettu rationaalisuus korvaa rajattoman optimoinnin epärealistiset ”demonit” yksinkertaisilla, nopeilla ja säästeliäillä heuristiikoilla.

Ehdotamme, että kaikkitietävän mielen kuva – joka laskee monimutkaisia todennäköisyyksiä ja hyötyjä – korvataan rajoitetulla mielellä, joka hyödyntää sopeutuvaa työkalupakkia täynnä nopeita ja säästeliäitä heuristiikkoja.

Demonien tuho. Perinteiset rationaalisuuden mallit olettavat, että ihmismieli toimii kuin kaikkitietävä ”demoni”, jolla on rajattomasti aikaa, tietoa ja laskentatehoa. Todellisuudessa ihmisten on tehtävä päätöksiä tiukkojen rajoitusten alaisina. Rajoitettu rationaalisuus tarjoaa realistisen vaihtoehdon: se näkee mielen sopeutuvana työkalupakkina, joka on täynnä erikoistuneita, tilannekohtaisia työkaluja.

Kolme rakennuspalikkaa. Nopeat ja säästeliäät heuristiikat rakentuvat yksinkertaisista, helposti laskettavista säännöistä. Nämä säännöt ohjaavat sitä, miten mieli etsii tietoa, milloin se lopettaa etsimisen ja miten se tekee päätöksen.

• Hakusäännöt: Ohjaavat vaihtoehtojen tai vihjeiden etsimistä (esim. satunnainen tai järjestelmällinen haku).
• Lopetussäännöt: Päättävät haun ilman monimutkaisia kustannus-hyötysuhteiden laskelmia (esim. haku lopetetaan heti ensimmäisen erottelevan vihjeen kohdalla).
• Päätössäännöt: Tekevät lopullisen valinnan kerätyn tiedon perusteella (esim. yhdelle syylle perustuva päätöksenteko).

Realistinen näkökulma. Saavuttamattoman optimoinnin tavoittelun sijaan nämä työkalut auttavat meitä tekemään ”riittävän hyviä” päätöksiä. Tämä näkökulma siirtää huomion loogisesta johdonmukaisuudesta todellisessa maailmassa selviytymiseen ja menestymiseen.

2. Tietämättömyys voi olla voimavara, joka mahdollistaa ”vähemmän on enemmän” -ilmiön, jossa vähäisempi tieto johtaa tarkempiin päätelmiin.

Jos toinen kahdesta kohteesta tunnistetaan ja toista ei, päättele, että tunnistetulla kohteella on korkeampi arvo.

Osittaisen tietämättömyyden hyödyntäminen. Tunnistusheuristiikka on sopeutuvan työkalupakin yksinkertaisin työkalu. Se tukeutuu ikivanhaan, pitkälle kehittyneeseen kykyymme muistaa ja tunnistaa asioita tehdäkseen nopeita päätelmiä. Kun mieli joutuu valitsemaan tunnistetun ja tuntemattoman kohteen välillä, se vetoaa siihen, että tunnistetulla kohteella on korkeampi arvo halutulla kriteerillä mitattuna.

Vähemmän on enemmän -ilmiö. Tämä heuristiikka johtaa erittäin yllättävään ilmiöön: ne, jotka tietävät vähemmän, voivat tehdä tarkempia päätelmiä kuin ne, jotka tietävät enemmän. Kun tunnistamme vain osan kohteista, voimme käyttää osittaista tietämättömyyttämme valintojemme ohjaamiseen.

• Täysin tietämättömän ihmisen, joka ei tunnista yhtäkään kohdetta, täytyy arvata (50 % tarkkuus).
• Osittain tietämätön ihminen voi käyttää tunnistusheuristiikkaa ja saavuttaa korkean tarkkuuden.
• Asiantuntija, joka tunnistaa kaikki kohteet, ei voi käyttää heuristiikkaa ja joutuu turvautumaan muihin, mahdollisesti epävarmempiin vihjeisiin.

Ekologinen sopivuus. Tunnistusheuristiikka on ekologisesti rationaalinen, koska tunnistaminen korreloi järjestelmällisesti todellisen maailman kriteerien kanssa. Medianäkyvyys, sosiaaliset keskustelut ja ympäristön vaikutukset toimivat välittäjinä, jotka heijastavat vaikeasti mitattavia kriteerejä, kuten kaupungin kokoa tai yrityksen valtaa.

3. Pelkkä nimen tunnistaminen voi auttaa rakentamaan osakesalkkuja, jotka voittavat ammattimaiset sijoitusrahastot ja markkinaindeksit.

Tunnistusheuristiikan ennustevoima vahvistaa käsitystä siitä, että tunnistamisen puute voi sisältää yhtä vahvaa hiljaista tietoa kuin eksplisiittinen tieto.

Tietämättömyyteen perustuva sijoittaminen. Testatakseen tunnistusheuristiikan voimaa todellisessa maailmassa tutkijat heittivät sen mukaan erittäin ailahteleville osakemarkkinoille. He kysyivät tavallisilta ihmisiltä ja asiantuntijoilta Yhdysvalloissa ja Saksassa, mitkä suuret yritykset nämä tunnistivat, ja rakensivat salkkuja näiden tunnistusmäärien perusteella. Tulokset haastoivat perinteisen rahoitusteorian perusolettamukset.

Asiantuntijoiden voittaminen. Salkut, jotka koostuivat laajasti tunnistetuista osakkeista, voittivat jatkuvasti tuntemattomat osakkeet, suuret markkinaindeksit ja ammattimaisesti hoidetut sijoitusrahastot.

• Saksalaisten maallikoiden tunnistamista osakkeista koottu salkku tuotti kuudessa kuukaudessa 47 %, mikä löi Dax 30 -indeksin mennen tullen.
• Kansainväliset salkut, jotka perustuivat täysin tietämättömien ulkomaisten maallikoiden tekemään tunnistamiseen, pärjäsivät parhaiten.
• Satunnaisesti valitut ”tikkataulusalkut” ja asiantuntijoiden valitsemat salkut jäivät kauas taakse.

Nimen arvo. Tämä menestys selittyy sillä, että yleinen nimen tunnistaminen korreloi vahvasti taloudellisten indikaattoreiden, kuten markkinaosuuden ja kannattavuuden, kanssa. Yritykset, joilla on hallitseva asema markkinoilla, ovat yleisön laajasti tunnistamia, mikä tekee yhteisestä tietämättömyydestä erittäin tuottoisan sijoitusoppaan.

4. Monimutkaiset laskutoimitukset ovat tarpeettomia, kun voit valita parhaan ja jättää loput huomiotta tehdäksesi erittäin tarkkoja päätöksiä.

Take The Best -heuristiikka kokeilee ensin parhaiten toimivaa vihjettä, ja jos se ei erottele kohteita, seuraavaksi parasta vihjettä, ja niin edelleen.

Yhden syyn voima. Kun tunnistaminen ei auta, koska molemmat kohteet tunnistetaan, mielen on etsittävä lisävihjeitä. Take The Best (TTB) -heuristiikka tekee tämän käymällä vihjeitä läpi niiden toimivuusjärjestyksessä. Se lopettaa etsimisen heti, kun se löytää yhdenkin vihjeen, joka erottaa vaihtoehdot toisistaan, ja perustaa koko päätöksensä tähän yhteen ainoaan syyhyn.

Kompensoimattomat valinnat. TTB on kompensoimaton strategia. Tämä tarkoittaa, että mikään määrä myöhempien, tutkimatta jääneiden vihjeiden tarjoamaa vasta näyttöä ei voi kumota ensimmäisen erottelevan vihjeen tekemää päätöstä. Tämä on jyrkkä vastakohta perinteiselle ”moraaliselle algebralle”, joka vaatii kaikkien saatavilla olevien syiden punnitsemista ja yhteenlaskemista.

• Se poistaa tarpeen muuttaa erilaisia vihjeitä yhteismitallisiksi.
• Se ohittaa monimutkaiset laskutoimitukset, joita tarvittaisiin ristiriitaisen tiedon ratkaisemiseen.
• Se vähentää dramaattisesti päätöksentekoon tarvittavaa kognitiivista vaivaa ja aikaa.

Hämmästyttävä tarkkuus. Äärimmäisestä säästeliäisyydestään huolimatta TTB yltää samaan tarkkuuteen tai jopa voittaa monimutkaiset tilastolliset mallit, kuten monimuuttujaregression. Se todistaa, että mieli voi saavuttaa suuren tarkkuuden keskittymällä tärkeimpään vihjeeseen ja jättämällä loput huomiotta.

5. Yksinkertaiset heuristiikat yleistyvät paremmin uusiin tilanteisiin, koska ne eivät ylisovita kohinaista dataa monimutkaisten tilastollisten mallien tavoin.

Yleistämisessä enemmän ei sen sijaan välttämättä ole parempi.

Ylisovituksen vaara. Kun tilastollisia malleja, kuten monimuuttujaregressiota, sovitetaan olemassa olevaan dataan, ne käyttävät useita parametreja tallentaakseen jokaisen yksityiskohdan – myös satunnaisen kohinan. Vaikka tämä tuottaa täydellisen sopivuuden menneeseen dataan, se epäonnistuu usein surkeasti ennustaessaan uutta dataa. Tätä yleistämisen epäonnistumista kutsutaan ylisovitukseksi.

Säästeliäisyys luo vankkuutta. Yksinkertaiset heuristiikat, kuten Take The Best, ovat erittäin vankkoja, koska ne käyttävät hyvin vähän parametreja. Ohittamalla vähäpätöisiin vihjeisiin kuuluvan kohinan ne keskittyvät vain ympäristön merkittävimpiin, järjestelmällisiin voimiin.

• 20 ympäristön testissä monimuuttujaregression tarkkuus putosi 9 %, kun sitä sovellettiin uuteen dataan.
• Take The Best -heuristiikan tarkkuus putosi vain 5 %, mikä teki siitä kokonaisvoittajan ennustustarkkuudessa.
• Jopa ultra-yksinkertainen Minimalist-heuristiikka, joka etsii vihjeitä satunnaisesti, suoriutui yleistämisessä tasaväkisesti regression kanssa.

Vähemmän on enemmän ennustamisessa. Tämä havainto kääntää päälaelleen ”enemmän on parempi” -tietofilosofian. Todellisessa maailmassa, jossa meidän on jatkuvasti tehtävä ennusteita tulevaisuudesta, tiedonhaun rajoittaminen ei ole harmillinen kompromissi vaan elintärkeä sopeutumiskeino.

6. Heuristiikan menestys ei johdu sen loogisesta johdonmukaisuudesta, vaan siitä, kuinka hyvin sen rakenne vastaa ympäristön tietorakennetta.

Heuristiikka on ekologisesti rationaalinen siltä osin kuin se on sopeutunut ympäristön rakenteeseen (katso alla).

Mielen ja maailman kohtaaminen. Rationaalisuus ei ole pelkästään sisäistä loogista johdonmukaisuutta tai todennäköisyyksien yhteensopivuutta. Sen sijaan ekologinen rationaalisuus määritellään sen perusteella, kuinka hyvin kognitiivinen työkalu sopii fyysisen ja sosiaalisen maailman rakenteeseen. Yksinkertainen heuristiikka voi voittaa monimutkaisen laskimen pelkästään siksi, että sen rakenne hyödyntää tiedon luonnollista jakautumista.

Hyödynnettävät ympäristörakenteet. Heuristiikat on suunniteltu hyödyntämään tiettyjä ympäristön kaavoja, jotta raskaat laskutoimitukset voidaan ohittaa.

• Kompensoimattomat ympäristöt: Kun vihjeiden luotettavuus heikkenee eksponentiaalisesti, mikään lineaarinen malli ei voi voittaa Take The Best -heuristiikkaa.
• Niukat ympäristöt: Kun vihjeitä on saatavilla hyvin vähän, yksinkertaiset heuristiikat voittavat helposti tasapainotetut lineaariset mallit.
• Vinot jakaumat: J-kirjaimen muotoiset ympäristöt antavat heuristiikoille mahdollisuuden tehdä nopeita, karkeita arvioita.

Tilannekohtaiset työkalut. Koska eri ympäristöillä on erilaiset rakenteet, sopeutuva työkalupakki sisältää pitkälle erikoistuneita työkaluja yhden yleistyökalun sijaan. Avain ihmisen älykkyyden ymmärtämiseen on tämän mielen ja sen ympäristön välisen molemminpuolisen sopeutumisen analysointi.

7. Menneiden ennustustemme muistaminen väärin on pieni hinta muistijärjestelmästä, joka päivittää itseään jatkuvasti uudella tiedolla.

Ehdotamme, että jälkiviisausharha on sopeutuvan prosessin, nimittäin tiedon päivittämisen, sivutuote.

Muistin jälleenrakentaminen. Ihmisen muisti ei ole pysyvä, staattinen arkisto menneistä tapahtumista. Koska loputtomien menneisyyden jälkien säilyttäminen on laskennallisesti ja biologisesti kallista, muistijärjestelmämme päivittää itseään jatkuvasti uudella, erittäin tärkeällä tiedolla. Kun meitä pyydetään palauttamaan mieleen mennyt arvio ja suora haku epäonnistuu, rakennamme sen uudelleen käyttämällä tällä hetkellä päivitettyä tietoamme.

RAFT-malli. RAFT-malli (Reconstruction After Feedback with Take The Best) selittää, miten tämä prosessi johtaa väistämättä ”tiesinhän minä sen koko ajan” -ilmiöön.

• Vaihe 1: Yritetään palauttaa mennyt arvio suoraan mieleen; jos se epäonnistuu, aloitetaan jälleenrakentaminen.
• Vaihe 2: Mieli käyttää nykyistä, päivitettyä vihjetietoaan ajaakseen Take The Best -heuristiikan uudelleen.
• Vaihe 3: Koska saatu palaute on muuttanut vihjeiden arvoja vastaamaan oikeaa lopputulosta, uudelleenrakennettu arvio siirtyy palautteen suuntaan.

Hinta, joka kannattaa maksaa. Jälkiviisausharha ei siis ole suunnitteluvirhe tai merkki kognitiivisesta rappeutumisesta. Se on väistämätön, pieni hinta erittäin tehokkaasta, itsestään päivittyvästä muistijärjestelmästä, joka asettaa tällä hetkellä hyödyllisen tiedon vanhentuneiden menneisyyden tilojen edelle.

8. QuickEst-heuristiikka hyödyntää vinoja, J-kirjaimen muotoisia ympäristöjä tehdäkseen nopeita määrällisiä arvioita minimaalisilla vihjeillä.

QuickEstin toimintatapa on käyttää ympäristön rakennetta tehdäkseen arvioita yleisimmistä kohteista (esim. kaupunkiympäristössä pienimmistä kaupungeista) mahdollisimman nopeasti.

Mitä suurempi, sitä harvempi -laki. Monet todellisen maailman suuruudet – kuten kaupunkien asukasluvut, yritysten koot ja varallisuuden jakautuminen – noudattavat erittäin vinoja, J-kirjaimen muotoisia jakaumia. Näissä ympäristöissä on valtava määrä hyvin pieniä kohteita ja vain kourallinen erittäin suuria. QuickEst-heuristiikka (Quick Estimation) on suunniteltu erityisesti hyödyntämään tätä vinoa rakennetta.

Lajittelumekanismi. QuickEst toimii kuin hiiltä lajitteleva kuljetinhihna, joka seuloo yleisimmät, pienet kohteet ensin käyttämällä negatiivisesti painottunutta lopetussääntöä.

• Se asettaa vihjeet järjestykseen sen mukaan, mikä on niiden kohteiden keskimääräinen koko, joilta vihje puuttuu, aloittaen pienimmästä.
• Se lopettaa etsimisen heti, kun se kohtaa ”ei”-vastauksen (negatiivisen vihjearvon).
• Se arvioi koon tämän ensimmäisen negatiivisen vihjeen perusteella pyöristäen sen lähimpään ”luonnolliseen lukuun” (esim. 100, 150, 200, 300).

Säästeliäs ja tarkka. Lopettamalla ensimmäisen negatiivisen vihjeen kohdalla QuickEst arvioi monien pienten kohteiden koon lähes välittömästi. Ympäristöissä, joissa tietoa on vähän, tämä nopea ja säästeliäs heuristiikka voittaa monimuuttujaregression ja monimutkaiset arviointipuut absoluuttisessa tarkkuudessa.

9. Monimutkainen luokittelu voidaan saavuttaa nopeasti karsimalla vaihtoehtoja järjestelmällisesti yksi vihje kerrallaan.

Categorization by Elimination on nopea ja säästeliäs, kompensoimaton, vihjeisiin perustuva luokittelumalli.

Järjestelmällinen kaventaminen. Perinteiset psykologiset luokittelumallit olettavat, että meidän on yhdistettävä kaikki saatavilla olevat piirteet sijoittaaksemme kohteen tiettyyn luokkaan. Kiireellisissä todellisen maailman tilanteissa meidän on kuitenkin luokiteltava kohteita nopeasti minimaalisen tiedon varassa. CBE-heuristiikka (Categorization by Elimination) saavuttaa tämän käyttämällä vihjeitä peräkkäin mahdottomien luokkien karsimiseksi.

Karsintaprosessi. CBE käsittelee vihjeitä niiden toimivuusjärjestyksessä ja käyttää jokaista vihjettä kaventaakseen mahdollisten luokkien joukkoa.

• Se yhdistää havaitun vihjearvon ennalta määritettyyn mahdollisten luokkien ”lokeroon”.
• Se vertaa tätä uutta luokkien joukkoa edelliseen joukkoon ja karsii pois kaikki luokat, jotka eivät täsmää.
• Se lopettaa välittömästi, kun jäljellä on vain yksi luokka, ja jättää kaikki muut tutkimattomat vihjeet huomiotta.

Sujuva ja vankka. Monimutkaisilla, useita vihjeitä sisältävillä aineistoilla tehdyissä testeissä (kuten viinien tunnistamisessa tai sienien luokittelussa) CBE ylsi samaan tarkkuuteen kuin monimutkaiset neuroverkot ja esimerkkimallit. Mikä tärkeintä, kun osa vihjeistä puuttui, CBE osoittautui huomattavasti vankemmaksi, kun taas kilpailevien mallien tarkkuus romuttui katastrofaalisesti.

10. Peräkkäisessä haussa, jossa valinta on molemminpuolinen, onnistunut parinmuodostus vaatii oman pariutumisarvon oppimista palautteen kautta sen sijaan, että etsittäisiin täydellisyyttä.

Kumppanin valinnan ei pitäisi olla tiedettä.

Molemminpuolisen valinnan haaste. Yksinkertaisessa peräkkäisessä haussa, kuten television ostamisessa, haun kohteet eivät voi hylätä meitä. Mutta kumppanin etsinnässä valinta on molemminpuolinen: Sinun on valittava joku, joka valitsee myös sinut. Tavalliset hakusäännöt, kuten 37 % sääntö tai ”kokeile tusinaa” -heuristiikka, epäonnistuvat surkeasti molemminpuolisessa haussa, koska ne asettavat tavoitteet liian korkealle, jolloin suurin osa väestöstä jää ilman kumppania.

Oman arvon oppiminen. Jotta voit etsiä tehokkaasti molemminpuolisilla markkinoilla, sinun on tiedettävä oma pariutumisarvosi, jotta voit tähdätä samantasoisiin ehdokkaisiin. Koska emme voi tietää omaa arvoamme etukäteen, meidän on opittava se muiden antamien tarjousten ja hylkäysten kautta ensimmäisen ”nuoruusvaiheen” aikana.

• Jos joku korkeamman arvon omaava tekee aloitteen, nostamme omakuvaamme ja tavoitetasoamme.
• Jos joku alemman arvon omaava hylkää meidät, laskemme omakuvaamme ja tavoitetasoamme.
• Tämä palautekierre auttaa meitä kalibroimaan odotuksemme nopeasti todellisen markkina-arvomme mukaisiksi.

Vakaa ja tasapuolinen lajittelu. Tämä yksinkertainen, palautteeseen perustuva tyydyttämisheuristiikka muodostaa onnistuneesti pareja suurelle osalle väestöstä. Se jakaa yksilöt luonnostaan hyvin yhteensopiviksi, vakaiksi pareiksi ilman, että tarvitaan monimutkaisia laskelmia väestön keskiarvoista, keskihajonnoista tai peliteoreettisista tasapainoista.

Characters

Plot Devices

Analysis