Dynamiczne podejmowanie decyzji

Dynamiczne podejmowanie decyzji (DDM) to współzależne podejmowanie decyzji , które odbywa się w środowisku, które zmienia się w czasie albo z powodu wcześniejszych działań decydenta, albo z powodu zdarzeń, na które decydent nie ma wpływu. W tym sensie decyzje dynamiczne, w przeciwieństwie do prostych i konwencjonalnych decyzji jednorazowych, są zazwyczaj bardziej złożone i podejmowane w czasie rzeczywistym oraz obejmują obserwację, w jakim stopniu ludzie są w stanie wykorzystać swoje doświadczenie do kontrolowania określonego złożonego systemu, w tym rodzajów doświadczeń, które z czasem prowadzą do podejmowania lepszych decyzji.

Przegląd

Badania nad dynamicznym podejmowaniem decyzji wykorzystują symulacje komputerowe , które są laboratoryjnymi odpowiednikami rzeczywistych sytuacji. Te symulacje komputerowe są również nazywane „mikroświatami” i służą do badania zachowań ludzi w symulowanych rzeczywistych warunkach, w których ludzie zazwyczaj próbują kontrolować złożony system, w którym późniejsze decyzje mają wpływ na wcześniejsze decyzje. Poniższe elementy odróżniają badania DDM od bardziej klasycznych form badań nad podejmowaniem decyzji z przeszłości:

  • Wykorzystanie serii decyzji do osiągnięcia celu w DDM w przeciwieństwie do pojedynczej decyzji
  • Wzajemna zależność decyzji od poprzednich decyzji w DDM w przeciwieństwie do ich niezależności od poprzednich decyzji
  • Dynamiczny charakter zmieniającego się środowiska w DDM w przeciwieństwie do statycznego, stałego środowiska, które się nie zmienia
  • Fakt, że decyzje są podejmowane w czasie rzeczywistym w zadaniach DDM, w przeciwieństwie do sytuacji bez presji czasu

Ponadto wykorzystanie mikroświatów jako narzędzia do badania DDM nie tylko zapewnia badaczom DDM kontrolę eksperymentalną , ale także sprawia, że ​​dziedzina DDM jest współczesna w przeciwieństwie do klasycznych badań nad podejmowaniem decyzji, które są bardzo stare.

Przykłady dynamicznych sytuacji decyzyjnych obejmują zarządzanie zmianą klimatu, produkcję fabryczną i inwentaryzację, kontrolę ruchu lotniczego, gaszenie pożarów i prowadzenie samochodu, dowodzenie i kontrolę wojskową na polu bitwy. Badania w DDM koncentrowały się na zbadaniu, w jakim stopniu decydenci wykorzystują swoje doświadczenie do kontrolowania określonego systemu; czynniki leżące u podstaw zdobywania i wykorzystywania doświadczenia w podejmowaniu decyzji; oraz rodzaj doświadczeń, które prowadzą do lepszych decyzji w zadaniach dynamicznych.

Charakterystyka dynamicznych środowisk decyzyjnych

Podstawowe cechy dynamicznych środowisk decyzyjnych to dynamika, złożoność, nieprzejrzystość i dynamiczna złożoność. Dynamika środowisk odnosi się do zależności stanu systemu od jego stanu w czasie wcześniejszym. Dynamika w systemie może być napędzana przez dodatnie sprzężenie zwrotne (pętle samowzmacniające się) lub sprzężenie zwrotne ujemne (pętle samokorygujące), czego przykładem może być odpowiednio naliczanie odsetek na koncie oszczędnościowym lub zaspokajanie głodu w wyniku jedzenia.

Złożoność w dużej mierze odnosi się do liczby oddziałujących na siebie lub wzajemnie połączonych elementów w systemie, co może utrudniać przewidywanie zachowania systemu. Jednak definicja złożoności może nadal sprawiać problemy, ponieważ komponenty systemu mogą się różnić pod względem liczby komponentów w systemie, liczby relacji między nimi i charakteru tych relacji. Złożoność może być również funkcją zdolności decydenta.

Nieprzezroczystość odnosi się do fizycznej niewidoczności niektórych aspektów systemu dynamicznego i może również zależeć od zdolności decydenta do zdobycia wiedzy o składnikach systemu.

Dynamiczna złożoność odnosi się do zdolności decydenta do kontrolowania systemu za pomocą informacji zwrotnych, które decydent otrzymuje z systemu. Diehl i Sterman podzielili dynamiczną złożoność na trzy komponenty. Nieprzezroczystość obecna w systemie może powodować niezamierzone skutki uboczne. Mogą istnieć nieliniowe zależności między elementami systemu i opóźnienia sprzężenia zwrotnego między podejmowanymi działaniami a ich wynikami. Dynamiczna złożoność systemu może ostatecznie utrudnić decydentom zrozumienie i kontrolowanie systemu.

Mikroświaty w badaniach DDM

Mikroświat to złożona symulacja wykorzystywana w kontrolowanych eksperymentach, których celem jest badanie dynamicznego procesu decyzyjnego. Badania nad dynamicznym podejmowaniem decyzji opierają się głównie na laboratoriach i wykorzystują komputerowe narzędzia symulacyjne mikroświata (tj. gry decyzyjne, DMGames). Mikroświaty są również znane pod innymi nazwami, w tym syntetycznymi środowiskami zadaniowymi , symulacjami o wysokiej wierności , interaktywnymi środowiskami edukacyjnymi , środowiskami wirtualnymi i skalowanymi światami . Mikroświaty stają się laboratoryjnymi odpowiednikami rzeczywistych sytuacji i pomagają badaczom DDM badać proces podejmowania decyzji poprzez kompresję czasu i przestrzeni przy jednoczesnym zachowaniu kontroli eksperymentalnej.

DMGames kompresują najważniejsze elementy rzeczywistych problemów, które reprezentują i są ważnymi narzędziami do zbierania ludzkich działań DMGames pomogły zbadać różnorodne czynniki, takie jak zdolności poznawcze , rodzaj informacji zwrotnej , czas uzyskania informacji zwrotnej, strategie stosowane podczas podejmowania decyzji oraz zdobywanie wiedzy podczas wykonywania zadań DDM. Jednak mimo że DMGames ma na celu reprezentowanie istotnych elementów systemów w świecie rzeczywistym, różnią się one od zadań w świecie rzeczywistym pod różnymi względami. Stawka może być wyższa w rzeczywistych zadaniach, a wiedza decydenta często nabywana jest przez wiele lat, a nie minut, godzin lub dni, jak w zadaniach DDM. Zatem DDM różni się pod wieloma względami od naturalistycznego podejmowania decyzji (NDM).

W zadaniach DDM wykazano, że ludzie wykonują wyniki poniżej optymalnych poziomów, jeśli można było ustalić lub poznać optymalny. Na przykład w grze symulacyjnej gaszenia pożarów lasów uczestnicy często pozwalali na spalenie swojej kwatery głównej. W podobnych badaniach DDM uczestnicy pełniący rolę lekarzy na izbie przyjęć pozwalali swoim pacjentom umrzeć, jednocześnie czekając na wyniki testów, które w rzeczywistości były niediagnostyczne. Interesującym wglądem w decyzje wynikające z doświadczenia w DDM jest to, że w większości nauka jest ukryta i pomimo poprawy wyników ludzi dzięki powtarzanym próbom, nie są oni w stanie zwerbalizować strategii, którą zastosowali, aby to zrobić.

Teorie uczenia się w dynamicznych zadaniach decyzyjnych

Uczenie się stanowi integralną część badań DDM. Jednym z głównych działań badawczych w DDM było zbadanie za pomocą narzędzi do symulacji mikroświatów, w jakim stopniu ludzie są w stanie nauczyć się kontrolować konkretny symulowany system, oraz zbadanie czynników, które mogą wyjaśniać uczenie się w zadaniach DDM.

Teoria uczenia się oparta na strategii

Jedna z teorii uczenia się opiera się na stosowaniu strategii lub zasad działania, które odnoszą się do określonego zadania. Reguły te określają warunki, w których dana reguła lub strategia będzie miała zastosowanie. Reguły te mają formę, jeśli rozpoznajesz sytuację S, a następnie przeprowadzasz akcję/strategię A. Na przykład Anzai wdrożył zestaw reguł lub strategii produkcyjnych , które wykonywały zadanie DDM polegające na kierowaniu statkiem przez określony zestaw bram. Strategie Anzai dość dobrze radziły sobie z naśladowaniem wykonania zadania przez uczestników-ludzi. Podobnie Lovett i Anderson pokazali, w jaki sposób ludzie wykorzystują reguły produkcji lub strategie typu „jeżeli – to” w zadaniu z pałeczkami, które jest izomorfią problemu dzbanka na wodę Lurchinsa. Celem zadania z patyków budowlanych jest zbudowanie patyka o określonej pożądanej długości, przy danych trzech długościach patyków, z których można budować (jest nieograniczona ilość patyków o każdej długości). Zasadniczo istnieją dwie strategie, których można użyć, próbując rozwiązać ten problem. Strategia undershoot polega na braniu mniejszych drążków i budowaniu do docelowego drążka. Strategia przeregulowania polega na wzięciu kija dłuższego niż cel i odcięciu kawałków o długości równej długości mniejszego kija, aż jeden osiągnie długość docelową. Lovett i Anderson zaaranżowali to tak, aby tylko jedna strategia działała w przypadku konkretnego problemu i dali badanym problemy, w których jedna z dwóch strategii działała na większość problemów (a ona zrównoważyła tematy, która była bardziej skuteczną strategią).

Teoria uczenia się koneksjonizmu

Niektórzy inni badacze sugerowali, że uczenie się w zadaniach DDM można wytłumaczyć koneksjonistyczną teorią lub koneksjonizmem . Połączenia między jednostkami, których siła lub waga zależą od wcześniejszych doświadczeń. Zatem wydajność danej jednostki zależy od wydajności poprzedniej jednostki ważonej siłą połączenia. Na przykład Gibson i in. wykazało, że koneksjonistyczny model uczenia maszynowego sieci neuronowej dobrze wyjaśnia zachowanie człowieka w zadaniu Fabryki Produkcji Cukru Berry and Broadbent [ wymagane wyjaśnienie ] .

Teoria uczenia się oparta na instancjach

Teoria uczenia się oparta na instancjach (IBLT) to teoria, w jaki sposób ludzie podejmują decyzje w dynamicznych zadaniach, opracowana przez Cleotilde Gonzalez , Christiana Lebiere i Javiera Lercha. Teoria została rozszerzona na dwa różne paradygmaty zadań dynamicznych, zwane próbkowaniem i powtarzanym wyborem, przez Cleotilde Gonzalez i Varuna Dutta. Gonzalez i Dutt wykazali, że w tych dynamicznych zadaniach IBLT zapewnia najlepsze wyjaśnienie ludzkich zachowań i działa lepiej niż wiele innych konkurencyjnych modeli i podejść. Według IBLT jednostki polegają na swoim zgromadzonym doświadczeniu przy podejmowaniu decyzji poprzez przywoływanie wcześniejszych rozwiązań podobnych sytuacji przechowywanych w pamięci. W związku z tym trafność decyzji może się poprawiać jedynie stopniowo i poprzez interakcję z podobnymi sytuacjami.

IBLT zakłada, że ​​w pamięci przechowywane są określone przypadki, doświadczenia lub wzorce. Instancje te mają bardzo konkretną strukturę zdefiniowaną przez trzy odrębne części, które obejmują sytuację, decyzję i użyteczność (lub SDU):

  • Sytuacja odnosi się do wskazówek otoczenia
  • Decyzja odnosi się do działań decydenta mających zastosowanie w konkretnej sytuacji
  • Użyteczność odnosi się do poprawności konkretnej decyzji w danej sytuacji, użyteczności oczekiwanej (przed podjęciem decyzji) lub użyteczności doświadczanej (po otrzymaniu informacji zwrotnej o wyniku decyzji)

Oprócz predefiniowanej struktury instancji, IBLT opiera się na globalnym procesie podejmowania decyzji na wysokim szczeblu, składającym się z pięciu etapów: rozpoznanie, osąd, wybór, wykonanie i informacja zwrotna. Kiedy ludzie stają w obliczu sytuacji w określonym środowisku, prawdopodobnie przywołają podobne przypadki z pamięci, aby podjąć decyzję. W sytuacjach nietypowych (takich, które nie są podobne do niczego, co zdarzyło się w przeszłości) odzyskanie danych z pamięci nie jest możliwe i ludzie musieliby użyć heurystyki (która nie opiera się na pamięci), aby podjąć decyzję. W sytuacjach typowych, w których można odzyskać inss, ocena użyteczności podobnych instancji odbywa się do momentu przekroczenia poziomu konieczności.

Konieczność jest zwykle określana przez „poziom aspiracji” decydenta, podobnie jak w przypadku strategii zadowalania Simona i Marcha . Ale poziom konieczności może być również określony przez zewnętrzne czynniki środowiskowe, takie jak ograniczenia czasowe (jak w dziedzinie medycyny, gdzie lekarze na izbie przyjęć leczą pacjentów w krytycznej sytuacji czasowej). Po przekroczeniu tego poziomu konieczności podejmowana jest decyzja dotycząca instancji o najwyższej użyteczności. Otrzymany wynik decyzji jest następnie wykorzystywany do aktualizacji użyteczności instancji, która została użyta do podjęcia decyzji w pierwszej kolejności (od oczekiwanej do doświadczonej). Zakłada się, że ten ogólny proces decyzyjny ma zastosowanie do każdej dynamicznej sytuacji decyzyjnej, kiedy decyzje są podejmowane na podstawie doświadczenia.

Reprezentacja obliczeniowa IBLT opiera się na kilku mechanizmach uczenia się zaproponowanych przez ogólną teorię poznania ACT-R . Obecnie w IBLT zaimplementowano wiele zadań decyzyjnych, które dokładnie odtwarzają i wyjaśniają ludzkie zachowanie.

Tematy badawcze w dynamicznym podejmowaniu decyzji

Informacja zwrotna w dynamicznych zadaniach decyzyjnych

Chociaż stwierdzono, że interwencje zwrotne poprawiają wyniki w zadaniach DDM, wykazano, że informacje zwrotne o wynikach działają w przypadku zadań, które są proste, wymagają niższych zdolności poznawczych i które są wielokrotnie ćwiczone. Na przykład IBLT sugeruje, że w sytuacjach DDM uczenie się wyłącznie na podstawie informacji zwrotnych o wynikach jest powolne i generalnie nieskuteczne.

Skutki opóźnień sprzężenia zwrotnego w zadaniach DDM

Obecność opóźnień zwrotnych w zadaniach DDM i ich błędne postrzeganie przez uczestników przyczynia się do mniej niż optymalnej wydajności zadań DDM. Takie opóźnienia w informacjach zwrotnych utrudniają ludziom zrozumienie relacji rządzących dynamiką systemu zadania ze względu na opóźnienie między działaniami decydentów a wynikiem dynamicznego systemu.

Znanym przykładem efektu opóźnień w sprzężeniu zwrotnym jest gra w dystrybucję piwa (lub gra w piwo). W grę wbudowano opóźnienie czasowe między złożeniem zamówienia według roli a otrzymaniem zamówionych skrzynek piwa. Jeśli rola skończy się piwem (tzn. nie jest w stanie zaspokoić obecnego zapotrzebowania klienta na skrzynki piwa), naliczana jest grzywna w wysokości 1 USD za skrzynkę. Może to doprowadzić ludzi do nadmiernych zapasów piwa, aby zaspokoić przyszłe nieprzewidziane potrzeby. Wyniki, w przeciwieństwie do teorii ekonomii, która przewiduje długoterminową stabilną równowagę, pokazują, że ludzie zamawiają za dużo. Dzieje się tak, ponieważ opóźnienie czasowe między złożeniem zamówienia a otrzymaniem zapasów sprawia, że ​​ludzie myślą, że zapasy się wyczerpują, ponieważ pojawiają się nowe zamówienia, więc reagują i składają większe zamówienia. Po zbudowaniu zapasów i zrealizowaniu napływających zamówień drastycznie zmniejszają przyszłe zamówienia, co prowadzi do oscylujących wzorców nadmiernego i niedostatecznego zamówienia w branży piwowarskiej, czyli kosztownych cykli wzrostów i spadków.

Podobne przykłady skutków opóźnienia informacji zwrotnej odnotowano wśród strażaków w grze przeciwpożarowej o nazwie NEWFIRE w przeszłości, gdzie ze względu na złożoność zadania i opóźnienie informacji zwrotnej między działaniami strażaków a wynikami, uczestnicy często pozwalali na spalenie ich kwatery głównej .

Efekty myślenia proporcjonalnego w zadaniach DDM

Coraz więcej dowodów w DDM wskazuje, że dorośli mają poważny problem ze zrozumieniem niektórych podstawowych elementów składowych prostych systemów dynamicznych, w tym zapasów, wpływów i odpływów . Wielu dorosłych wykazało brak interpretacji podstawowej zasady dynamiki: zasób (lub akumulacja) rośnie (lub spada), gdy napływ przekracza (lub jest mniejszy niż) odpływ. Wykazano, że problem ten, nazwany niepowodzeniem przepływu zapasów (SF Failure), utrzymuje się nawet w przypadku prostych zadań, z dobrze zmotywowanymi uczestnikami, w znanych kontekstach i uproszczonych wyświetlaczach informacji. Przekonanie, że stado zachowuje się jak przepływy, jest powszechną, ale błędną heurystyką (nazywaną „heurystyką korelacji”), której ludzie często używają do oceny systemów nieliniowych. Stosowanie heurystyki korelacji lub wnioskowania proporcjonalnego jest szeroko rozpowszechnione w różnych dziedzinach i zostało okazały się poważnym problemem zarówno u dzieci w wieku szkolnym, jak i u wykształconych dorosłych (Cronin i in. 2009; Larrick i Soll, 2008; De Bock 2002; Greer, 1993; Van Dooren i in., 2005; Van Dooren i in., 2006; Verschaffela i in., 1994).

Indywidualne różnice w DDM

Indywidualnemu wykonaniu zadań DDM towarzyszy ogromna zmienność, która może wynikać z różnej ilości umiejętności i zdolności poznawczych osób, które wchodzą w interakcję z zadaniami DDM. Chociaż różnice indywidualne istnieją i często są widoczne w zadaniach DDM, toczy się debata na temat tego, czy różnice te wynikają z różnic w zdolnościach poznawczych. W niektórych badaniach nie udało się znaleźć dowodów na związek między zdolnościami poznawczymi mierzonymi testami inteligencji a wynikami zadań DDM. Jednak późniejsze badania dowodzą, że ten brak wynika z braku wiarygodnych miar wydajności zadań DDM.

Inne badania sugerują związek między obciążeniem pracą a zdolnościami poznawczymi. Stwierdzono, że uczestnicy o niskich zdolnościach generalnie osiągają lepsze wyniki niż uczestnicy o wysokich zdolnościach. W wymagających warunkach obciążenia pracą uczestnicy o niskich zdolnościach nie wykazują poprawy wyników ani w treningu, ani w próbach testowych. Dowody wskazują, że osoby o niskich zdolnościach używają więcej heurystyk , zwłaszcza gdy zadanie wymaga szybszych prób lub presji czasu, a dzieje się tak zarówno podczas treningu, jak iw warunkach testowych.

DDM w prawdziwym świecie

W związku z DDM wykorzystującym laboratoryjne narzędzia mikroświata do badania procesu podejmowania decyzji, ostatnio w badaniach DDM położono również nacisk na skupienie się na podejmowaniu decyzji w prawdziwym świecie. Nie wyklucza to badań laboratoryjnych, ale ujawnia szeroką koncepcję badań leżących u podstaw DDM. W realnym świecie DDM ludzie są bardziej zainteresowani takimi procesami, jak wyznaczanie celów, planowanie, procesy percepcyjne i uwagi, prognozowanie, procesy rozumienia i wiele innych, w tym zajmowanie się informacją zwrotną. Badanie tych procesów zbliża badania DDM do świadomości sytuacyjnej i wiedzy specjalistycznej .

Na przykład w badaniach DDM wykazano, że kierowcy, którzy mają ponad 10-letnie doświadczenie lub wiedzę (w sensie lat doświadczenia w prowadzeniu pojazdu) szybciej reagują na zagrożenia niż kierowcy z mniej niż trzema latami doświadczenia. Ponadto, ze względu na większe doświadczenie, tacy kierowcy mają tendencję do skuteczniejszego i wydajniejszego wyszukiwania wskazówek dotyczących zagrożeń niż ich mniej doświadczeni koledzy. Sposób wyjaśnienia takiego zachowania opiera się na założeniu, że świadomość sytuacji w zadaniach DDM sprawia, że ​​pewne zachowania są automatyczne dla osób z doświadczeniem. W związku z tym poszukiwanie wskazówek w otoczeniu, które mogłyby prowadzić do zagrożeń dla doświadczonych kierowców, może być procesem automatycznym, podczas gdy brak świadomości sytuacyjnej wśród początkujących kierowców może prowadzić ich do świadomego, nieautomatycznego wysiłku znalezienia takich wskazówek prowadzących do stają się bardziej podatni na zagrożenia, nie zauważając ich w ogóle. To zachowanie zostało również udokumentowane w przypadku pilotów i dowódców plutonów. Rozważania początkujących i doświadczonych dowódców plutonów w wirtualnym symulatorze bitwy pokazały, że większe doświadczenie wiązało się z wyższymi umiejętnościami percepcyjnymi, wyższymi umiejętnościami rozumienia. Tak więc doświadczenie w różnych zadaniach DDM sprawia, że ​​decydent jest bardziej świadomy sytuacji i ma wyższy poziom umiejętności percepcyjnych i rozumienia.

Zobacz też

Powiązane pola

  1. ^ Brehmer B. (1992). Dynamiczne podejmowanie decyzji: Ludzka kontrola złożonych systemów. Acta Psychologica, 81 (3), 211–241.
  2. ^ Edwards, W. (1962). Dynamiczna teoria decyzji i probabilistyczne przetwarzanie informacji. Czynniki ludzkie, 4 , 59–73.
  3. ^ ab . Gonzalez, C., Lerch, JF i Lebiere, C. (2003) Uczenie się oparte na instancjach w dynamicznym podejmowaniu decyzji. Kognitywistyka, 27 (4), 591–635.
  4. ^ Turkle S. (1984). Drugie ja: komputery i duch ludzki . Londyn: Grenada.
  5. ^ Gonzalez, C., Vanyukov, P. i Martin, MK (2005). Wykorzystanie mikroświatów do badania dynamicznego podejmowania decyzji. Komputery w zachowaniu człowieka, 21 (2), 273–286.
  6. ^ Diehl, E. i Sterman, JD (1995). Wpływ złożoności sprzężenia zwrotnego na dynamiczne podejmowanie decyzji. Zachowania organizacyjne i procesy decyzyjne ludzi, 62 (2), 198–215.
  7. ^ Brehmer, B. i Allard, R. (1991). Dynamiczne podejmowanie decyzji w czasie rzeczywistym: skutki złożoności zadań i opóźnień w sprzężeniu zwrotnym. W J. Rasmussen, B. Brehmer & J. Leplat (red.), Rozproszone podejmowanie decyzji: modele poznawcze do pracy zespołowej. Chichester: Wiley.
  8. ^ Gonzalez, C. i Vrbin, C. (2007). Dynamiczna symulacja diagnozy medycznej: Nauka w środowisku podejmowania decyzji medycznych i uczenia się MEDYCYNA. W A. Holzinger (red.), Użyteczność i HCI dla medycyny i opieki zdrowotnej: Trzecie sympozjum grupy roboczej ds. interakcji człowiek-komputer i inżynierii użyteczności Austriackiego Towarzystwa Komputerowego, USAB 2007 ( tom 4799, s. 289–302). Niemcy: Springer.
  9. ^ Kleinmuntz, D. i Thomas, J. (1987). Wartość działania i wnioskowania w dynamicznym podejmowaniu decyzji. Zachowania organizacyjne i procesy decyzyjne ludzi, 62 , 63–69.
  10. ^ Berry, BC i Broadbent, DE (1984). O związku między wykonaniem zadania a związaną z nim wiedzą, którą można zwerbalizować. Kwartalnik Journal of Experimental Psychology, 36A , 209-231.
  11. ^ Anzai, Y. (1984). Sterowanie poznawcze systemami sterowanymi zdarzeniami w czasie rzeczywistym. Kognitywistyka, 8 , 221–254.
  12. ^ Lovett, MC i Anderson, JR (1996). Historia sukcesu i obecny kontekst w rozwiązywaniu problemów: Połączone wpływy na wybór operatora. Psychologia poznawcza, 31 , 168–217.
  13. ^ Lurchins AS (1942). Mechanizacja w rozwiązywaniu problemów. Monografie psychologiczne, 54 (248).
  14. ^ Lurchins, AS i Lurchins, EH (1959). Sztywność zachowania: wariacyjne podejście do skutków Einstellung. Eugene, OR: University of Oregon Books.
  15. ^ Gibson, FP, Fichman, M. i Plaut, DC (1997). Uczenie się w dynamicznych zadaniach decyzyjnych: model obliczeniowy i dowody empiryczne. Zachowania organizacyjne i procesy decyzyjne ludzi, 71 (1), 1–35.
  16. ^ a b c d Gonzalez, C. i Dutt, V. (2011). Uczenie się oparte na instancjach: integracja próbkowania i powtarzanych decyzji na podstawie doświadczenia. Przegląd psychologiczny, 118 (4), 523-551.
  17. ^ Dienes, Z. i Fahey, R. (1995). Rola poszczególnych instancji w sterowaniu systemem dynamicznym. Journal of Experimental Psychology: Uczenie się, pamięć i poznanie, 21 (4), 848–862.
  18. ^ Gonzalez, C. i Lebiere, C. (2005). Poznawcze modele podejmowania decyzji oparte na instancjach. W D. Zizzo i A. Courakis (red.), Transfer wiedzy w podejmowaniu decyzji ekonomicznych . Palgrave'a Macmillana.
  19. ^ Martin, MK, Gonzalez, C. i Lebiere, C. (2004). Nauka podejmowania decyzji w dynamicznym środowisku: ACT-R gra w piwo. W MC Lovett, CD Schunn, C. Lebiere & P. ​​Munro (red.), Proceedings of the Sixth International Conference on Cognitive Modeling (tom 420, s. 178–183). Pittsburgh, PA: Carnegie Mellon University / University of Pittsburgh: Lawrence Erlbaum Associates Publishers.
  20. ^ Kluger, AN & DeNisi, A. (1996). Wpływ interwencji zwrotnych na wydajność: przegląd historyczny, metaanaliza i wstępna teoria interwencji zwrotnej. Biuletyn psychologiczny, 119 (2), 254–284.
  21. ^ Gonzalez, C. (2005). Wspomaganie decyzji w zadaniach związanych z dynamicznym podejmowaniem decyzji w czasie rzeczywistym. Zachowania organizacyjne i procesy decyzyjne ludzi, 96 , 142–154.
  22. ^ Sterman, JD (1989). Błędne postrzeganie sprzężenia zwrotnego w dynamicznym podejmowaniu decyzji. Zachowania organizacyjne i procesy decyzyjne ludzi, 43 (3), 301–335.
  23. ^ Cronin, M. i Gonzalez, C., i Sterman, JD (2009). Dlaczego dobrze wykształceni dorośli nie rozumieją akumulacji? Wyzwanie dla naukowców, nauczycieli i obywateli. Zachowania organizacyjne i procesy decyzyjne ludzi, 108 (1), 116–130.
  24. ^ Rigas, G., Carling, E. i Brehmer, B. (2002). Wiarygodność i ważność miar wydajności w mikroświatach. Inteligencja, 30 (5), 463–480.
  25. ^ Gonzalez, C., Thomas, RP i Vanyukov, P. (2005). Związki między zdolnościami poznawczymi a dynamicznym podejmowaniem decyzji. Inteligencja, 33 (2), 169–186.
  26. ^ Gonzalez, C. (2005b). Związek między obciążeniem zadaniami a zdolnościami poznawczymi w dynamicznym podejmowaniu decyzji. Czynniki ludzkie, 47 (1), 92–101.
  27. ^ Gonzalez, C. (2004). Uczenie się podejmowania decyzji w dynamicznych środowiskach: skutki ograniczeń czasowych i zdolności poznawczych. Czynniki ludzkie, 46 (3), 449–460.
  28. ^ McKenna, FP i Crick, J. (1991). Doświadczenie i wiedza w zakresie postrzegania zagrożeń. W GB Grayson & JF Lester (red.), Behavioural Research in Road Safety (s. 39–45). Crowthorne, Wielka Brytania: Laboratorium Badań Transportu i Dróg.
  29. ^ Horswill, MS, McKenna, FP (2004). Zdolność postrzegania zagrożeń przez kierowców: Świadomość sytuacji na drodze. W S. Banbury & S. Tremblay (red.), Kognitywne podejście do świadomości sytuacyjnej: teoria i zastosowanie (s. 155–175). Aldershot, Anglia: Ashgate.
  30. ^ Endsley, MR (2006). Fachowość i świadomość sytuacji. W KA Ericcson, N. Charness, PJ Feltovich & RR Hoffman (red.), Podręcznik wiedzy specjalistycznej i wyników ekspertów Cambridge (s. 633–651). Cambridge: Cambridge University Press.

Linki zewnętrzne

Pobrano z „ https://en.wikipedia.org/w/index.php?title=Dynamic_decision-making&oldid=1118498998 ”