Переработка информации, принятие решения. сгруппировано в виде одной когнитивной единицы как время, которое затратил бегун на дистанцию 1 миля — 3 мин 54,2 с

сгруппировано в виде одной когнитивной единицы как время, которое затратил бегун на дистанцию 1 миля — 3 мин 54,2 с. Хотя запоминание чрезвычайно длинных сочетаний цифр этими испытуемыми было достигнуто только экстенсивной тренировкой, кажется вполне осуществимым проводить аналогичную тренировку операторов в отыскании и создании любых сочетаний физически блшких друг к другу элементов для запоминания последовательностей, несвязанных между собой знаков.

Вторая стратегия, стратегия «очистки памяти», была успешно применена Бьёрком [9] для уменьшения интерференционных эффектов, которые возникают, когда ряд элементов должен удерживаться в памяти, использоваться, а затем может быть забыт. В этих обстоятельствах часто случается, что старые элементы, которые больше не нужны, продолжают интерферировать с последними, важными для оператора элементами. Данное явление известно как проактивная интерференция. Бьёрк нашел, что простая процедура инструктирования испытуемых, чтобы они сознательно очищали свою память от ненужной информации, достаточна для устранения нежелательных эффектов проактивной интерференции.

Наконец, мнемоническая стратегия, которая помогает удерживать информацию в оперативной памяти, а также улучшает накопление материала в долговременной памяти (заучивание), основана на использовании богатейших возможностей человека запоминать зрительные образы. Это особый случай группирования, в котором набор элементов связывается с четкими зрительными образами (материалом, уже знакомым и отложенным в долговременной памяти). Затем эти образы могут сочетаться вместе, создавая новый (иногда причудливый) образ. Эксперименты Бауэра и Рейтмана [11] продемонстрировали большую ценность такой мнемонической стратегии для улучшения памяти (сведения о мнемонической технике даны в работах [168, 76]).

5.3. Принятие решений и диагностика

В предыдущем разделе рассматривались вопросы, связанные ■с пределами оперативной памяти. Принятие сложных решений часто основывается на оперативной памяти, поскольку надо рассмотреть, взвесить и сравнить различные альтернативные решения; в результате принятие решений страдает от ряда недостатков, присущих памяти. Большинство решений, которые люди принимают, можно отнести к одной из трех общих категорий: выбор, решение в условиях неопределенности и диагностика. Каждая из них может быть представлена в упрощенной

zze Глава 5

Рис. 5.7. Схема операций, связанных с выбором (а), принятием решений в условиях неопределенности {б) н диагностикой (в). В каждом примере обьект, действие или гипотеза, которые имеют максимальную сумму произведении внизу матрицы, представляют оптимальный выбор.

форме примерами с двумя исходами, которые показаны на рис. 5.7. Каждый из этих случаев можно распространить на гораздо более сложные проблемы.

5.3.1. Выбор

Для выбора (рис. 5.7, а) предлагаются два объекта, различающиеся двумя признаками А\ и А₂, каждый из которых характеризуется величиной и весовым коэффициентом (Wi и W-₂ соответственно). Выбор объекта с наибольшей величиной выполняется умножением весового коэффициента на величину признака и суммированием полученных произведений для каждого объекта. Оптимальным считается выбор объекта, имеющего максимальную сумму. Такая же схема прекрасно применима к выбору между двумя направлениями действия (например, два метода лечения, которые может предписать врач, или

Переработка информации, принятие решений229

два альтернативных действия, которые может осуществить директор завода, когда он сталкивается с поломкой системы). В этом случае величины признаков отражают величины ожидаемых результатов в соответствии с выбранными направлениями. Такой переход от выбора объекта к выбору действия расширяет сферу применения метода на решение задачи в условиях неопределенности (разд. 5.3.2). '

Главные трудности или ограничения в процессе выбора вы текают из познавательных нагрузок иа оперативную память. Они возникают при выполнении в уме действий умножения, необходимых для учета и суммирования всех признаков всех объектов или действий [128]. Избегая такой нагрузки на память, люди часто прибегают к упрощенным стратегиям, игнорируя крупные блоки информации. Например, они могут уделить внимание только самому важному признаку и не принять во внимание все другие объекты, которые оцениваются не столь высоко на его фоне [138].

Другой ограничительный фактор в задачах выбора— стремление использовать гораздо больше информации (т. е. величин признаков), чем могут легко освоить ограниченные ресурсы внимания и памяти. Действительно, иногда обнаруживается, что качество принятия решения ухудшается при использовании большого объема информации [113, 97, 117].

Чтобы помочь людям в сложных случаях выбора между несколькими предметами или направлениями действия, которые различаются между собой признаками различной важности, была предложена теория полезности многих признаков [34]. Теория базируется на структурном механизме анализа проблемы решения с учетом всех признаков и их величин. Было обнаружено, что теория дает более хорошие результаты выбора, чем при интуитивно принятом решении ([67]; см. также т. 3, гл. 1).

5.3.2. Неопределенность

Принятие решения в условиях неопределенности (рис. 5.7,6)

формально идентично задаче выбора между направлениями действия. Однако в этом случае признаки, перечисленные в левой колонке рис. 5.7, а, заменены возможными состояниями среды на рис. 5.7,6, а веса признаков заменены на вероятно: сти, связанные с этими состояниями. Каждое действие вместе с состоянием среды порождает выходные данные и связанные с ними величины, изображенные в клетках матрицы. В качестве примера принятия решения в условиях неопределенности рассмотрим оператора-диспетчера электростанции, сталкивающегося с возможным нарушением ее работы. Два направления

230 Глава 5

действия на рисунке 5.7,6 — это отключить турбину или оставить ее работать. Два состояния среды — это наличие или отсутствие неполадок в турбине. Оптимальный выбор действия проводится путем вычисления ожидаемой величины для каждого из четырех вариантов выходных данных, т. е. вероятности состояния среды, умноженной на величину, связанную с выход' ными данными соответствующей ячейки. Полученные ожидаемые величины затем суммируются по каждому действию. Дей-

Полезность к Рост

Рис. 5.8. Гипотетическое соотношение между величиной и полезностью.

ствие с самым высоким результатом (итоговая ожидаемая величина) и указывает оптимальный выбор.

В дополнение к рассмотренным выше задачам для парадигмы выбора отметим, что элемент неопределенности или риска на рис. 5.7,6, если его рассматривать в связи с ожидаемой величиной, приводит к дополнительным отклонениям от оптимального поведения. Это происходит потому, что субъективные оценки вероятности и ожидаемой величины не всегда соответствуют их действительным (объективным) значениям. Как показали обширные исследования, это происходит, во-первых, потому, что субъективные оценки вероятности всегда завышают ее для очень редких событий и занижают для очень частых [125]. Эта тенденция объясняет отчасти тот факт, что люди часто идут на риск при ожидаемой потере.

Во-вторых, люди обычно не рассматривают субъективную величину, известную как полезность, в качестве линейной функции объективной величины. Так, 10 долл., добавляемые к 1000 долл., дают, по их мнению, меньшую пользу, чем 10 долл.,

Переработка информации, принятие решения

добавляемые к 100 долл. Эта функция более похожа на зависимость, представленную на рис. 5.8. Ее форма указывает на два важных следствия: 1) постоянный прирост дает тем меньшую пользу, чем больше величина, к которой он добавляется; 2) изменение величины (т. е. ее потеря или прирост), воспринятое как диспропорционально большее, воспринимается как результат потери фиксированного количества величины, а не эквивалентного прироста. Способ влияния таких субъективных отклонений ог объективных уровней веооятности и ожидаемой величины на принятие рискованного решени:-» иногда сложен, но его существование доказано -[139, 35].

5.3.3. Диагностика

Третья форма принятия решения — диагностика — во многих отношениях похожа на принятие рискованных решений; она представлена на рис. 5.7, в. В применении к человеческим факторам это соответствует задаче отыскания и устранения поломок. Например, ремонтник имеет две возможные гипотезы, касающиеся нарушения работы: сломанный насос и протекающая труба. Он также наблюдает два /симптома (S): низкое давление воды и высокую температуру. Чтобы провести первоначальную диагностику, величину этих симптомов (V) надо умножить на диагностические веса (№), одинаковые для каждого симптома. Затем полученные произведения суммируются для каждой гипотезы, и гипотеза с самой большой суммой принимается как самая вероятная. С этого момента гипотеза может подвергаться дальнейшим тестам для ее подтверждения или опровержения. Конечно, задача диагностики имеет те же пределы оперативной памяти и вычислений в уме, как решение и выбор. Меле [81], например, доказал, что людям трудно удерживать в оперативной памяти или обрабатывать более чем две-три гипотезы одновременно. Кроме того, задачам диагностики и проверки гипотез мешают еще пять факторов, которые делают отдельные человеческие отклонения еще более выраженными.

Представительность. Для оптимального проведения диагностики следует только частично опираться на диагностические веса, представляющие степень «соответствия» отдельных симптомов гипотетическим состояниям. Например, поломка насоса может привести к тому, что в некоторых местах подводящих и отводящих трубопроводов манометр будет показывать повышенное или пониженное давление. Дополнением к симптоматической информации является другой важный фактор — оценка вероятности правильности той или иной гипотезы. В предыдущем примере могло оказаться, _что протекание трубы в 100 раз

232 Глава 5

более вероятно, чем поломка насоса. В этом случае оптимальным результатом диагностики (который с наибольшей вероятностью является правильным) была бы поломка трубы, даже если симптомы скорее указывают на поломку насоса. Теорема Байеса ([35]; см. также т. 3, гл. 1) позволяет определить соотношение оценки вероятности и симптомов, чтобы провести правильную диагностику. Другие экспериментальные данные [139, 64] указывают на то, что люди часто склонны игнорировать оценку вероятности и фокусировать внимание исключительно на том, насколько симптомы совместимы с гипотетическим состоянием. То есть на них слишком сильно влияет представительность модели. Тверской и Канемзн [139] называют эту склонность представительной эвристикой.

Надежность признака: эвристика «как если бы». Симптомы или признаки могут иметь разные надежность (т. е. точность величины признака) и диагностическую весомость (легкость различения симптома для двух гипотез). И действительно, абсолютная величина корреляции между величиной признака и вероятностью того, что гипотеза верна, может меняться приблизительно от 0 (ненадежный или недиагностичный признак) до 1,0 (вполне надежный и диагностичный). Так, люди, встретившись с некоторым количеством таких признаков или симптомов, имеющих различную степень надежности, склонны трактовать их всех так, «как если бы» они имели одинаковую (и часто абсолютную) надежность [156]. Это «уравнивание» непрерывной переменной величины (степени корреляции)—еще один пример познавательного упрощения, которое делается ради того, чтобы уменьшить требования к оперативной памяти.

Выраженность признака. Если есть переменная, которая вынуждает присваивать некоторому признаку больший вес, чем другим, то это происходит не из-за его информационной ценности, а из-за его выраженности: по яркости, громкости или центральному положению в зрительном поле [144]. Поэтому когда оператору представляют на индикаторе несколько симптоматических величин, вес которых должен быть одинаков, он обычно склонен придать больший вес тем из них, которые находятся наверху или в центре индикатора и имеют большие размеры или четкость. Тенденция фокусировать внимание на выраженных признаках увеличивается в стрессовой ситуации, связанной с нехваткой времени [144].

«Якорный» эффект и сдвиг доказательства. Выбранная гипотеза в дальнейшем может проверяться с помощью дополнительных данных, которые будут подтверждать или опровергать

Переработка информации, принятие решения

ее. Однако в процессе проверки гипотезы люди руководствуются так называемой «якорной» эвристикой [139]. Они твердо закрепляют свой когнитивный «якорь» на первоначально выбранной гипотезе и нелегко принимают новые данные в пользу конкурирующей гипотезы. Эта тенденция, по крайней мере частично, является результатом систематического «сдвига доказательства» при проверке гипотеы. Ведется поиск признаков, поддерживающих уже выбранную гипотезу. Двусмысленные признаки (т. е. согласующиеся с обеими гипотезами — выбранной и конкурирующей) воспринимаются только как поддерживающие выбранную гипотезу, и не ведется поиск признаков, опровергающих гипотезу [89, 145]. Более того, даже если такие признаки замечены, маловероятно, что они будут учтены [72].

Использование отрицательных данных. Выбранная гипотеза может непосредственно подтверждаться особо заметным симптомом. Однако она может также косвенно подтверждаться отсутствием симптома, подтверждающего конкурирующую гипотезу. Обычно люди неохотно используют такую «отрицательную информацию», чтобы сузить набор гипотез в задачах типа отыскания и устранения поломок [57]. Эта точка зрения отмечена в контексте быстрого понимания в разд. 5.1.6.

5.3.4. Корректирующие решения

Глобальное рассмотрение упомянутых выше ограничений и склонностей заставляет предположить, что диагностика — это задача, для которой люди плохо подходят. К этому заключению пришли и другие исследователи (см. работу [105], в кото-, рой дается исчерпывающая трактовка ошибочной диагностики и обсуждается много исследований в этой области). В основном известны три подхода к усовершенствованию человеческого компонента в системах принятия решений и диагностики. Первый из них посвящен разработке вспомогательных средств для принятия решений, которые снижают нагрузку на оперативную память и выправляют неблагоприятные тенденции с целью оптимального проведения диагностики. Эти вспомогательные средства простираются от процедур «разгрузки» оперативной памяти, которая хранит следы диагностических данных, до более сложных процедур, которые помогают выполнять байесовские расчеты вероятности конкурирующих гипотез при получении новых данных [36] или помогают оператору в подборе соответствующих признаков для проверки гипотезы [113]. Несколько исследователей обсудили относительные достоинства и ограничения компьютерной диагностики в таких областях, как медицина [77], ядерная энергетика [68] и авиация [147].