Ένα νέο ερευνητικό έργο εισάγει την έννοια της «choice engineering» – μια ισχυρή νέα μέθοδος για την καθοδήγηση αποφάσεων με χρήση μαθηματικών, αντί για υποθέσεις ή διαίσθηση.
Με την εφαρμογή προσεκτικά σχεδιασμένων μαθηματικών μοντέλων, οι ερευνητές διαπίστωσαν πως μπορούν να επηρεάσουν τις επιλογές των ανθρώπων πιο αποτελεσματικά από την παραδοσιακή ψυχολογία ή το ένστικτο.
Αυτή η ανακάλυψη θα μπορούσε να ανοίξει τον δρόμο για πιο έξυπνα και ηθικά εργαλεία, που βελτιώνουν τη λήψη αποφάσεων σε τομείς όπως η εκπαίδευση, η υγεία και η καθημερινή ζωή, σύμφωνα με την ανάλυση της Lisa Lock.
Μαθηματικά και συμπεριφορισμός: Νέα έρευνα και το «choice engineering»
Η μελέτη, που δημοσιεύθηκε στο Nature Communications, δείχνει ότι τα μαθηματικά μοντέλα μπορούν να είναι πιο αποτελεσματικά από την ψυχολογική διαίσθηση στην επιρροή των ανθρώπινων αποφάσεων. Την ηγήθηκε ο καθηγητής Yonatan Loewenstein από το Safra Center for Brain Sciences (ELSC) στο Εβραϊκό Πανεπιστήμιο, σε συνεργασία με τον Dr. Ohad Dan από το Yale University και τον Dr. Ori Plonsky από το Technion. Η έρευνα εισάγει έναν νέο όρο: choice engineering.
Δύο προσεγγίσεις στην επιρροή της συμπεριφοράς
Η πρώτη προσέγγιση, γνωστή ως choice architecture, βασίζεται σε ψυχολογικές αρχές όπως η πρωταρχικότητα, η αντίθεση και οι ενθαρρυντικές heuristics. Αυτή η μέθοδος έγινε ευρύτερα γνωστή από τον Richard Thaler, ο οποίος βραβεύτηκε με το Νόμπελ Οικονομικών το 2017 και έχει οδηγήσει στη δημιουργία ομάδων «behavioral insights» σε κυβερνήσεις παγκοσμίως.
Η δεύτερη, που προτείνουν οι ερευνητές, είναι η choice engineering. Αυτή χρησιμοποιεί υπολογιστικά μοντέλα και τεχνικές βελτιστοποίησης για να διαμορφώσει συμπεριφορές με ακρίβεια και αξιοπιστία.
Πειραματική δοκιμή και αποτελέσματα
Για να δοκιμάσουν αυτές τις προσεγγίσεις, η ομάδα πραγματοποίησε έναν διαγωνισμό, όπου διεθνείς ερευνητικές ομάδες σχεδίασαν μηχανισμούς κινήτρων («reward schedule») που θα οδηγούσαν τους ανθρώπους να επιλέξουν μια από δύο ισοδύναμες επιλογές.
Περισσότεροι από 3.000 συμμετέχοντες συμμετείχαν σε αυτό το πείραμα, έχοντας εκτεθεί σε διαφορετικές στρατηγικές επιβράβευσης. Κάποιες βασίζονταν στη διαίσθηση και την ψυχολογία, ενώ άλλες στηρίχθηκαν σε υπολογιστικά μοντέλα.
Η πιο αποτελεσματική στρατηγική ήταν αυτή που βασίστηκε στο CATIE (Contingent Average, Trend, Inertia, and Exploration), ένα μαθηματικό μοντέλο που σχεδιάστηκε από τον Dr. Ori Plonsky μαζί με τον Prof. Ido Erev από το Technion. Το CATIE ενσωματώνει διάφορες τάσεις της ανθρώπινης συμπεριφοράς σε ένα ενιαίο προγνωστικό πλαίσιο.
Αυτό το μοντέλο πέτυχε να επηρεάσει τις επιλογές των συμμετεχόντων σε σημαντικό βαθμό, ξεπερνώντας τόσο το Q-learning (ένα γνωστό μοντέλο μηχανικής μάθησης) όσο και τα απλά ψυχολογικά ένστικτα.
Η σημασία των μαθηματικών μοντέλων στην διαμόρφωση συμπεριφοράς
«Όπως οι μηχανικοί χρησιμοποιούν μαθηματικά μοντέλα για να χτίσουν γέφυρες ή να σχεδιάσουν αεροσκάφη, έτσι και εμείς μπορούμε να χρησιμοποιήσουμε μοντέλα μάθησης και λήψης αποφάσεων για να επηρεάσουμε τη συμπεριφορά – με αξιοπιστία και αποτελεσματικότητα», δήλωσε ο Prof. Loewenstein.
Τα ευρήματα δείχνουν πως το λεγόμενο «behavior engineering» είναι εφικτό με μεγάλη ακρίβεια, ιδίως όταν καθοδηγείται από καλά ρυθμισμένα μαθηματικά μοντέλα. Επιπλέον, η μελέτη προσφέρει έναν νέο τρόπο αξιολόγησης των γνωστικών μοντέλων, όχι μόνο με βάση την εξηγητική τους δύναμη, αλλά και την αποτελεσματικότητά τους στην πραγματική διαμόρφωση αποφάσεων.
Επιπτώσεις και ηθική
Οι επιπτώσεις αυτής της προσέγγισης είναι ευρύτατες: από την εκπαίδευση και τη δημόσια υγεία, μέχρι το ψηφιακό σχεδιασμό και τη διαμόρφωση πολιτικής. Το choice engineering θα μπορούσε να δώσει τη δυνατότητα ανάπτυξης βέλτιστων και μετρήσιμων παρεμβάσεων.
Ωστόσο, οι ερευνητές τονίζουν ότι η ηθική διαχείριση και η υπευθυνότητα θα πρέπει να αποτελούν αναπόσπαστο μέρος της εφαρμογής αυτών των εργαλείων.
Ως απόδειξη της δυναμικής αυτής προσέγγισης, η μελέτη δείχνει ότι η μαθηματική μοντελοποίηση στον τομέα των γνωστικών επιστημών δεν αφορά πια μόνο την κατανόηση της ανθρώπινης συμπεριφοράς, αλλά και την ενεργή διαμόρφωσή της.
Περισσότερες πληροφορίες:
Ohad Dan et al, Behavior engineering using quantitative reinforcement learning models, Nature Communications (2025). DOI: 10.1038/s41467-025-58888-y
Πληροφορίες για το περιοδικό: Nature Communications
