Евристика ( — знаходжу, відкриваю) — це процес, за допомогою якого люди використовують ментальні скорочення (спрощені стратегії) для прийняття рішень. Евристики — це прості стратегії, які люди, тварини, організації та навіть машини використовують для швидкого формування суджень, прийняття рішень та знаходження рішень для складних проблем. Часто це передбачає зосередження на найбільш релевантних аспектах проблеми або ситуації для формулювання рішення. Хоча евристичні процеси використовуються для пошуку відповідей та рішень, які є найбільш імовірними або правильними, вони не завжди є бездоганними чи найбільш точними. Судження та рішення, що ґрунтуються на евристиці, є просто достатньо хорошими, щоб задовольнити нагальну потребу в ситуаціях невизначеності, де інформація є неповною. У цьому сенсі вони можуть відрізнятися від відповідей, що базуються на суворій логіці та теорії ймовірностей.

Економіст і когнітивний психолог Герберт А. Саймон ввів поняття евристики в 1950-х роках, припустивши, що існують обмеження для раціонального прийняття рішень. У 1970-х роках психологи Амос Тверські та Деніел Канеман зробили значний внесок у цю сферу своїми дослідженнями когнітивних упереджень. Саме їхня робота запровадила конкретні евристичні моделі — напрямок, який з того часу лише розширювався. Хоча дехто стверджує, що за евристичним процесом стоїть звичайна лінь, це може бути спрощеним поясненням того, чому люди діють не так, як від них очікують. Інші теорії стверджують, що евристичні рішення можуть бути точнішими, ніж рішення, що базуються на кожному відомому факторі та наслідку (наприклад, ефект «менше — це краще»).

Історія Герберт Саймон сформулював одну з перших моделей евристики, відому як задовільна стратегія (принцип задоволення). Його більш загальна дослідницька програма ставила питання про те, як люди приймають рішення, коли умови теорії раціонального вибору не виконуються, тобто як люди вирішують в умовах невизначеності. (PDF file direct download – via Defense Technical Information Center.) Саймон також відомий як батько обмеженої раціональності, яку він розумів як вивчення відповідності (або невідповідності) між евристиками та середовищем прийняття рішень. Пізніше ця програма була розширена до вивчення .

На початку 1970-х років психологи Амос Тверські та Деніел Канеман обрали інший підхід, пов'язавши евристику з когнітивними упередженнями. Їх типова експериментальна установка складалася з правила логіки або ймовірності, вбудованого в словесний опис проблеми судження, і демонструвала, що інтуїтивне судження людей відхилялося від правила. Нижче наведено приклад «проблеми Лінди». Відхилення потім пояснюється евристикою. Це дослідження, яке називається програмою «евристик та упереджень», кинуло виклик ідеї про те, що люди є раціональними суб'єктами, і вперше привернуло світову увагу в 1974 році статтею в Science «Judgment Under Uncertainty: Heuristics and Biases» («Судження в умовах невизначеності: Евристики та упередження»). Хоча спочатку запропоновані евристики були з часом уточнені, ця дослідницька програма змінила поле діяльності, назавжди встановивши дослідницькі питання.

Оригінальні ідеї Герберта Саймона були підхоплені в 1990-х роках та іншими. Згідно з їхньою точкою зору, вивчення евристик вимагає формальних моделей, які дозволяють робити прогнози поведінки ex ante (заздалегідь). Їхня програма має три аспекти:

Які евристики використовують люди? (описове вивчення «адаптивного набору інструментів»). За яких умов люди повинні покладатися на певну евристику? (прескриптивне вивчення ). Як розробити евристичні засоби підтримки прийняття рішень, які легко зрозуміти та виконати? (інженерне вивчення інтуїтивного дизайну, наприклад, за допомогою підходів людино-орієнтованого проєктування або розробки, орієнтованої на користувача).

Крім іншого, ця програма показала, що евристики можуть призводити до швидких, ощадливих і точних рішень у багатьох реальних ситуаціях, що характеризуються невизначеністю.

Ці дві різні дослідницькі програми призвели до появи двох видів моделей евристики: формальних та неформальних. Формальні моделі описують процес прийняття рішень у термінах алгоритму, що дозволяє проводити математичні докази та комп'ютерне моделювання. Натомість, неформальні моделі є словесними описами.

Формальні моделі евристик Список формальних моделей евристик: Евристика виключення за аспектами

Евристика легкості сприйняття

Задовільна стратегія

Підрахунок

Задовільна стратегія Саймона

Евристика задовільної стратегії Герберта Саймона може бути використана для вибору однієї альтернативи з набору альтернатив у ситуаціях невизначеності. Тут невизначеність означає, що повний набір альтернатив та їх наслідків невідомий або не може бути відомий. Наприклад, професійні підприємці у сфері нерухомості покладаються на сатисфакцію, вирішуючи, в якому місці інвестувати для розвитку нових комерційних площ: «Якщо я вірю, що можу отримати принаймні x прибутку протягом y років, то я обираю цей варіант». Загалом, сатисфакція визначається так:

Крок 1: Встановити рівень домагань α. Крок 2: Обрати першу альтернативу, що задовольняє α.

Якщо альтернативу не знайдено, рівень домагань можна адаптувати.

Крок 3: Якщо через час β жодна альтернатива не задовольнила α, то зменшити α на певну величину δ і повернутися до кроку 1.

Сатисфакція була зафіксована у багатьох сферах, наприклад, як евристика, яку використовують автодилери для встановлення цін на вживані BMW.

Виключення за вимогами На відміну від сатисфакції, евристика виключення за аспектами Амоса Тверські може використовуватися, коли всі альтернативи доступні одночасно. Особа, що приймає рішення, поступово зменшує кількість альтернатив, виключаючи ті, що не відповідають рівню домагань за певним атрибутом (або вимогою). Під час серії виборів люди схильні відчувати невизначеність і виявляти непослідовність. Виключення за аспектами може бути використане при зіткненні з вибором. Загалом, процес виключення за аспектами виглядає так:

Крок 1: Оберіть один атрибут, пов'язаний з прийняттям рішення. Крок 2: Виключіть усі альтернативи, які не містять цього конкретного атрибута. Крок 3: Використайте інший атрибут для подальшого виключення альтернатив. Крок 4: Повторюйте крок 3, доки не залишиться лише один варіант; тоді рішення вважається прийнятим.

Виключення за вимогами не припускає, що вибір альтернатив може допомогти споживачам максимізувати корисність; навпаки, воно стверджує, що вибір є результатом імовірнісного процесу, який поступово усуває альтернативи. Простий приклад наводить Амос Тверські: коли хтось хоче придбати нову машину, першою вимогою може бути автоматична коробка передач; це виключить усі альтернативи, які не містять такого аспекту. Потім, коли всі альтернативи, що не мають цієї функції, будуть усунені, буде задано інша вимога, наприклад, обмеження по ціни в 3000 доларів. Процес виключення триває доти, доки всі альтернативи не будуть усунені, окрім однієї.

Евристика розпізнавання

Евристика розпізнавання використовує базову психологічну здатність до впізнавання для того, щоб робити висновки про невідомі величини у світі. Для двох альтернатив евристика звучить так:Якщо одна з двох альтернатив розпізнається, а інша ні, то зробіть висновок, що розпізнана альтернатива має вищу цінність відносно критерію.Наприклад, на тенісному турнірі Вімблдон 2003 року Енді Роддік грав проти Томмі Робредо. Якщо хтось чув про Роддіка, але не про Робредо, евристика розпізнавання приводить до прогнозу, що Роддік переможе. Евристика розпізнавання використовує часткове невігластво; якщо хтось чув про обох гравців або про жодного, потрібна інша стратегія. Дослідження Вімблдону 2003 і 2005 років показали, що евристика розпізнавання, застосована напівобізнаними гравцями-аматорами, передбачала результати всіх чоловічих одиночних ігор так само добре і краще, ніж посіви експертів Вімблдону (які чули про всіх гравців), а також рейтинги ATP. Евристика розпізнавання є (тобто добре передбачає), коли валідність розпізнавання значно перевищує випадкову. У цьому випадку впізнавання імен гравців сильно корелює з їхніми шансами на перемогу.

Бери найкраще

Евристика використовує базову психологічну здатність витягувати підказки (cues) з пам'яті в порядку їх валидності. На основі значень підказок вона робить висновок, яка з двох альтернатив має вищу цінність за критерієм. На відміну від евристики розпізнавання, вона вимагає, щоб усі альтернативи були розпізнані, і тому може застосовуватися, коли евристика розпізнавання не може. Для бінарних підказок (де 1 вказує на вище значення критерію) евристика визначається так:

Валідність vi підказки i визначається як частка правильних рішень ci:

vi = ci / ti

де ti — кількість випадків, коли значення двох альтернатив відрізняються за підказкою i. Валідність кожної підказки можна оцінити за вибірками спостережень.

«Бери найкраще» має чудові властивості. Порівняно зі складними моделями машинного навчання, було показано, що вона часто може передбачати краще, ніж регресійні моделі, дерева класифікації та регресії, нейронні мережі та метод опорних векторів. [Brighton & Gigerenzer, 2015]

Подібним чином психологічні дослідження показали, що в ситуаціях, де «бери найкраще» є екологічно раціональною, значна частина людей схильна покладатися на неї. Сюди входить прийняття рішень митниками аеропортів, професійними грабіжниками та поліцейськими та студентськими групами. Умови, за яких «бери найкраще» є екологічно раціональною, переважно відомі. «Бери найкраще» показує, що попередній погляд, згідно з яким ігнорування частини інформації є загалом ірраціональним, є неправильним. Менше може бути більше.

Швидкі та ощадливі дерева

Швидке та ощадливе дерево — це евристика, яка дозволяє робити класифікації, наприклад, чи ймовірно, що пацієнт із сильним болем у грудях має серцевий напад, або чи є автомобіль, що наближається до контрольно-пропускного пункту, ймовірно терористичним чи цивільним. Його називають «швидким і ощадливим», тому що, як і «бери найкраще», воно дозволяє приймати швидкі рішення лише з кількома підказками або атрибутами. Воно називається «деревом», тому що його можна представити як дерево рішень, у якому ставиться послідовність запитань. Однак, на відміну від повного дерева рішень, це неповне дерево — для економії часу та зменшення небезпеки перенавчання (overfitting).

Малюнок 1 показує швидке та ощадливе дерево, яке використовується для скринінгу на ВІЛ (вірус імунодефіциту людини). Так само, як і «бери найкраще», дерево має правило пошуку, правило зупинки та правило рішення:

У дереві ВІЛ спочатку проводиться тест ІФА (імуноферментний аналіз). Якщо результат негативний, процедура тестування припиняється, і клієнту повідомляють добру новину, тобто «немає ВІЛ». Однак, якщо результат позитивний, проводиться другий тест ІФА, бажано від іншого виробника. Якщо другий ІФА негативний, процедура припиняється, і клієнту повідомляють про відсутність ВІЛ. Однак, якщо результат позитивний, проводиться остаточний тест, Вестерн-блот.

Загалом, для n бінарних підказок швидке та ощадливе дерево має рівно n + 1 виходів — по одному для кожної підказки та два для останньої підказки. Повне дерево рішень, навпаки, вимагає 2n виходів. Порядок підказок (тестів) у швидкому та ощадливому дереві визначається чутливістю та специфічністю підказок або іншими міркуваннями, такими як вартість тестів. У випадку дерева ВІЛ, ІФА стоїть першим, оскільки він дає менше пропусків, ніж тест Вестерн-блот, а також є менш дорогим. Тест Вестерн-блот, навпаки, дає менше помилкових тривог. У повному дереві, натомість, порядок не має значення для точності класифікації.