Nobelprijswinnaar econoom Richard Thaler grapte beroemd:"Mensen zijn niet dom, de wereld is hard."

In ons dagelijks leven komen we inderdaad regelmatig problemen tegen die complex aanvoelen - van het kiezen van het beste elektriciteitsplan tot het beslissen hoe we ons geld effectief kunnen besteden.

Australiërs betalen elk jaar honderden miljoenen dollars aan vergelijkingswebsites en consumentgerichte groepen zoals CHOICE om hen te helpen beslissingen te nemen over producten en diensten.

Maar hoe kunnen we objectief meten hoe 'complex' onze beslissingen werkelijk zijn? Ons onderzoek, onlangs gepubliceerd in Scientific Reports , biedt een mogelijke manier om dit te doen, door gebruik te maken van concepten uit de computer- en systeemwetenschap.

Waarom moeite doen om complexiteit te meten?

Er zijn verschillende factoren als het gaat om het meten van complexiteit in elk scenario. Er kunnen bijvoorbeeld een aantal opties zijn om uit te kiezen en elke optie kan verschillende kenmerken hebben om te overwegen.

Stel dat u jam wilt kopen. Dit zal gemakkelijk zijn als er slechts twee smaken beschikbaar zijn, maar moeilijk als er tientallen zijn. Toch zou het kiezen van een elektriciteitsplan veel moeilijker zijn, zelfs met slechts twee opties.

Met andere woorden, je kunt niet één bepaalde factor isoleren als je probeert de complexiteit van iets te bepalen. Je moet het probleem als een geheel beschouwen - en dit vereist veel meer werk.

Het vermogen om de complexiteit nauwkeurig te meten kan een breed scala aan praktische toepassingen hebben, waaronder het informeren van het ontwerp van:

• regelgeving over hoe complex producten moeten zijn
• gemakkelijk te navigeren door digitale systemen, waaronder websites, apps en programma's voor slimme apparaten
• gemakkelijk te begrijpen producten. Dit kunnen financiële producten zijn (pensioen- en verzekeringsplannen, creditcardregelingen), fysieke producten (apparaten) of virtuele producten (software)
• kunstmatige intelligentie (AI) die advies geeft wanneer problemen te complex zijn voor mensen. Een planner-AI kan u bijvoorbeeld zelf vergaderingen laten boeken, voordat u inspringt om optimale vergadertijden en locaties voor te stellen op basis van uw geschiedenis.

Hoe we menselijke besluitvorming bestuderen

Informatica kan ons helpen bij het oplossen van problemen:er gaat informatie in en er komen één (of meerdere) oplossingen uit. De hoeveelheid rekenwerk die hiervoor nodig is, kan echter sterk variëren, afhankelijk van het probleem.

Wij en onze collega's gebruikten een nauwkeurig wiskundig raamwerk, 'computational complexiteitstheorie' genaamd, dat kwantificeert hoeveel berekeningen nodig zijn om een ​​bepaald probleem op te lossen.

Het idee erachter is om de hoeveelheid rekenbronnen (zoals tijd of geheugen) te meten die een computeralgoritme nodig heeft bij het oplossen van problemen. Hoe meer tijd of geheugen het nodig heeft, hoe complexer het probleem is.

Zodra dit is vastgesteld, kunnen problemen worden ingedeeld in "klassen" op basis van hun complexiteit.

In ons werk waren we vooral geïnteresseerd in hoe complexiteit (zoals bepaald door computationele complexiteitstheorie) overeenkomt met de werkelijke hoeveelheid moeite die mensen moeten doen om bepaalde problemen op te lossen.

We wilden weten of computationele complexiteitstheorie nauwkeurig kon voorspellen hoeveel mensen in een bepaalde situatie zouden worstelen en hoe nauwkeurig hun probleemoplossing zou zijn.

Onze hypothese testen

We hebben ons gericht op drie soorten experimentele taken, waarvan je hieronder voorbeelden kunt zien. Al deze taaktypen vallen binnen een bredere klasse van complexe problemen die "NP-complete" problemen worden genoemd.

Elk taaktype vereist een ander vermogen om goed te presteren. Specifiek:

• "satisfiability"-taken vereisen abstracte logica
• "reizende verkoper"-taken vereisen ruimtelijke navigatievaardigheden en
• "knapzak"-taken vereisen rekenkunde.

Alle drie zijn ze alomtegenwoordig in het echte leven en weerspiegelen ze dagelijkse problemen zoals het testen van software (vervulbaarheid), het plannen van een roadtrip (reizende verkoper) en winkelen of investeren (knapzak).

We rekruteerden 67 mensen, verdeelden ze in drie groepen en lieten elke groep 64-72 verschillende variaties van een van de drie soorten taken oplossen.

We gebruikten ook computationele complexiteitstheorie en computeralgoritmen om erachter te komen welke taken "hoge complexiteit" waren voor een computer, voordat we deze vergeleken met de resultaten van onze menselijke probleemoplossers.

We verwachtten - ervan uitgaande dat de computationele complexiteitstheorie congruent is met hoe echte mensen problemen oplossen - dat onze deelnemers meer tijd zouden besteden aan taken die werden geïdentificeerd als 'hoge complexiteit' voor een computer. We verwachtten ook een lagere nauwkeurigheid bij het oplossen van problemen bij deze taken.

In beide gevallen is dat precies wat we vonden. Gemiddeld deden mensen het twee keer zo goed op de cases met de laagste complexiteit in vergelijking met de cases met de hoogste complexiteit.

Informatica kan 'complexiteit' voor mensen meten

Onze resultaten suggereren dat inspanning alleen niet genoeg is om ervoor te zorgen dat iemand het goed doet bij een complex probleem. Sommige problemen zullen hoe dan ook moeilijk zijn - en dit zijn de ruimtes waarin geavanceerde beslissingshulpmiddelen en AI kunnen schitteren.

In praktische termen kan het kunnen inschatten van de complexiteit van een breed scala aan taken mensen de nodige ondersteuning bieden die ze nodig hebben om deze taken van dag tot dag aan te pakken.

Het belangrijkste resultaat was dat onze op computationele complexiteit gebaseerde voorspellingen over welke taken mensen moeilijker zouden vinden, consistent waren voor alle drie de soorten taken, ondanks dat ze elk verschillende vaardigheden vereisen om op te lossen.

Bovendien, als we kunnen voorspellen hoe moeilijk mensen taken binnen deze drie problemen zullen vinden, dan zou het hetzelfde moeten kunnen doen voor de meer dan 3.000 andere NP-complete problemen.

Deze omvatten eveneens veelvoorkomende hindernissen zoals taakplanning, winkelen, circuitontwerp en gameplay.

Nu, om onderzoek in de praktijk te brengen

Hoewel onze resultaten opwindend zijn, is er nog een lange weg te gaan. Ten eerste maakte ons onderzoek gebruik van snelle en abstracte taken in een gecontroleerde laboratoriumomgeving. Deze taken kunnen modelleren echte keuzes, maar ze zijn niet representatief voor werkelijke levensechte keuzes.

De volgende stap is om vergelijkbare technieken toe te passen op taken die meer lijken op echte keuzes. Kunnen we bijvoorbeeld computationele complexiteitstheorie gebruiken om de complexiteit van het kiezen tussen verschillende creditcards te meten?

Vooruitgang op dit gebied zou ons kunnen helpen nieuwe manieren te ontsluiten om mensen te helpen bij het maken van betere keuzes, elke dag, in verschillende facetten van het leven. + Verder verkennen

Onderzoekers ontwikkelen algoritme om taken te verdelen voor mens-robotteams

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.