Effort without Evidence

Technische Zusammenfassung: Anstrengung ohne Evidenz

Problem und Motivation
Diese Arbeit untersucht die Rückkopplungsschleife zwischen strategischer Kommunikation und der Produktion von Evidenz in einer Sequenz kurzlebiger Entscheidungsträger. Standardmodelle der Kommunikation und des Lernens trennen die Informationsübertragung typischerweise von der Informationsproduktion: Agenten erhalten Signale und entscheiden dann, was sie offenlegen. In vielen Kontexten (z. B. Forschung, Produktion, organisatorische Routinen) existiert Evidenz jedoch nur deshalb, weil eine Handlung vollzogen wurde. Verborgene Anstrengung steuert die öffentlichen Ergebnisse, und die Nachricht eines Senders an einen Nachfolger beeinflusst die Handlung des Nachfolgers, wodurch bestimmt wird, welche Evidenz in der Zukunft generiert werden kann.

Der Kernkonflikt ergibt sich aus dem „Motivationsbias“. Der Sender schätzt den Erfolg des Nachfolgers, gewichtet aber die Anstrengungskosten des Nachfolgers (parametrisiert durch $\lambda \in (0, 1]$) unter. Folglich hat der Sender einen Anreiz, Handlungen zu induzieren, die physisch kostspielig sind, selbst wenn diese nicht die informativsten sind. Die Arbeit fragt: Wie beeinflusst dieser Bias die Glaubwürdigkeit kausaler Narrative, die Produktion von Evidenz und das langfristige Lernen?

Methodik und Rahmenbedingungen
Das Modell umfasst eine diskrete Zeitsequenz von Agenten ($t=0, 1, \dots$), die mit einem persistenten binären Zustand $\theta \in \{0, 1\}$ konfrontiert sind.

• Zeitablauf: Jeder Agent beobachtet ein öffentliches Ergebnisarchiv und eine Nachricht des Vorgängers, bildet eine Posterior-Wahrscheinlichkeit, beobachtet privat die Anstrengungskosten $k$, wählt eine verborgene Handlung $a$ und beobachtet ein öffentliches Ergebnis $y$. Er sendet dann eine kostenlose Nachricht $m$ (kausale Bewertung) an die nächste Generation.
• Präferenzen: Die Nutzenfunktion des Agenten umfasst den aktuellen materiellen Ertrag und eine gewichtete Komponente des Nutzens des Nachfolgers: $u(y, a, k) + \alpha [y' - \lambda c(a', k')]$. Der Parameter $\lambda$ erfasst das Ausmaß des Motivationsbias (die Untergewichtung der Anstrengungskosten).
• Gleichgewichtskonzept: Die Analyse konzentriert sich auf Perfect Bayesian Equilibria (PBE). Um die Menge der Gleichgewichte zu verfeinern und das Problem multipler kausaler Narrative anzugehen, verwendet die Arbeit ein Kriterium der „glaubwürdigen handlungsändernden Neologismen“ (basierend auf Farrell, 1993). Ein Gleichgewicht ist immun, wenn keine Gruppe von Sendertypen glaubhaft einen neuen Begriff vorschlagen kann, der ein für sie streng bevorzugtes Aktionsprofil induziert, ohne dass ausgeschlossene Typen dies imitieren können.
• Schlüsseldefinitionen:
  • Identifizierende Handlung ($a_I$): Ein Aktionsprofil, das zustandsabhängige Ergebnisse generiert (informativ).
  • Nicht-identifizierende Handlung ($a_N$): Ein Aktionsprofil, das zustandsunabhängige Ergebnisse generiert (uninformativ).
  • Motivationaler Kollaps: Eine Situation, in der gemeinsame Sender-Rankings jeden Nachrichteninhalt in eine nicht-identifizierende Aktionsregion zwingen, was eine Identifizierung unmöglich macht.

Zentrale Ergebnisse

1. Die Kosten-Bias-Identität und der motivationale Kollaps
Die Arbeit stellt eine fundamentale Identität (Lemma 2) her, die den Anreiz des Senders mit dem Anreiz des Empfängers verknüpft. Sei $C$ der physische Kostendifferenz zwischen den identifizierenden und den nicht-identifizierenden Handlungen. Die differenzielle Nutzenfunktion des Senders ist $G_\lambda(s) = D(s) + (1-\lambda)C$, wobei $D(s)$ der materielle Differenznutzen des Empfängers ist.

• Ergebnis: Stärkere Motivation (niedrigeres $\lambda$) verschiebt die Präferenz des Senders hin zur physisch kostspieligeren Handlung.
• Kollaps: Wenn die identifizierende Handlung kostspieliger ist ($C > 0$), führt starke Motivation dazu, dass jeder Sender sie fördern möchte. Wenn die nicht-identifizierende Handlung kostspieliger ist ($C < 0$), führt starke Motivation dazu, dass jeder Sender die identifizierende Handlung unterdrücken möchte.
• Bayes-Unvermeidbarkeit: Wenn die mittlere Posterior-Wahrscheinlichkeit in einer Region liegt, in der die nicht-identifizierende Handlung für den Empfänger robust optimal ist, und alle Sender eine strikte Rangfolge über die Handlungen teilen, erzwingt die Bayes-Plausibilität, dass jede Nachricht die nicht-identifizierende Handlung induziert. Sobald dieser „Kollaps“ eintritt, kann eine weitere Stärkung der Motivation die identifizierende Handlung nicht wiederherstellen.

2. Dynamische Evidenzfallen und Absorption
Das statische Glaubwürdigkeitsversagen führt zu dynamischen Fallen.

• Absorption: Wenn die Kommunikation ein nicht-identifizierendes Aktionsprofil induziert, wird das öffentliche Ergebnis zustandsunabhängig. Es wird keine neue Zustandsinformation produziert. Die Unterstützung der Posterior-Wahrscheinlichkeit bleibt innerhalb einer beschränkten Menge, und das Argument der gemeinsamen Rangfolge wiederholt sich unendlich oft.
• Ergebnis: In jedem PBE tritt das System in einen absorbierenden Zustand ein, in dem das Lernen scheitert. Wenn die initiale Information unzureichend ist, um die Zustände zu unterscheiden, ist vollständiges Lernen mit positiver Wahrscheinlichkeit unmöglich.
• Nahezu-Fallen: Selbst wenn die nicht-identifizierende Region nur schwach informativ ist (nicht perfekt zustandsunabhängig), kann die Dauer der nicht-identifizierenden Phase beliebig lang sein und gegen Unendlich divergieren, wenn die Signalqualität gegen Null geht.

3. Anwendung I: Inaktivität (Die „Tu zu wenig“-Falle)
In dieser Anwendung ist die Anstrengung binär (Experiment vs. kein Experiment).

• Mechanismus: Ein kostengünstiger Agent experimentiert; ein hochkostspieliger Agent tut dies nicht. Ein öffentliches Scheitern ist „konfundiert“: Es könnte ein gescheitertes Experiment (geringe Rendite) oder ein Mangel an Experimentation sein.
• Moderate Motivation: Sender mit unterschiedlichen Posterioren wollen unterschiedliche Handlungen (Pessimisten wollen Inaktivität; Optimisten wollen Experimentation). Diese Uneinigkeit bewahrt die kausale Trennung. Pessimisten signalieren glaubhaft, dass die Technologie schlecht ist, während Optimisten signalisieren, dass sie gut ist. Das Lernen findet fast sicher statt.
• Starke Motivation: Selbst pessimistische Sender wollen das Experiment fördern, um dem Nachfolger zu helfen. Alle Sender imitieren das „ermutigende“ Narrativ. Die rationale Skepsis macht alle solchen Narrative unglaubwürdig.
• Ergebnis: Nach einem konfundierten Scheitern schaltet sich das System dauerhaft ab. Es findet keine Experimentation statt, es wird keine neue Evidenz generiert, und der wahre Zustand (falls es der produktive ist) wird nie gelernt.

4. Anwendung II: Übermäßige Anstrengung (Die „Tu zu viel“-Falle)
In dieser Anwendung erfordert Erfolg das Überschreiten einer unbekannten Anstrengungsschwelle. Anstrengung oberhalb einer zweiten, höheren Schwelle liefert abnehmende Erträge, ist aber technologisch gesättigt.

• Mechanismus: „Zurückhaltung als Entdeckung“. Ein hochkostspieliger Agent, der mit geringerer Anstrengung erfolgreich ist, ist der informative Pionier, da ihr Erfolg offenbart, dass die Schwelle niedrig ist. Ein kostengünstiger Agent, der maximale Anstrengung wählt, produziert zustandsunabhängige Ergebnisse.
• Moderate Motivation: Sender schreiben die Ergebnisse korrekt zu. Hochkostspielige Agenten, die mit geringer Anstrengung erfolgreich sind, induzieren den Empfänger dazu, geringe Anstrengung zu wählen (Identifizierung).
• Starke Motivation: Alle Sender, unabhängig von ihrem kausalen Typ, plädieren für maximale Anstrengung (die physisch kostspieligere Handlung).
• Ergebnis: Nach einer schlechten gepoolten Historie leistet jeder maximale Anstrengung. Die Ergebnisse werden zustandsunabhängig. Das informative „Zurückhaltungs“-Experiment verschwindet. Die Gesellschaft wirkt industrieller und erfolgreicher (höhere Erfolgsrate pro Amtszeit), versäumt es aber zu lernen, dass weniger Anstrengung ausgereicht hätte, was zu einem geringeren langfristigen Wohlstand führt.

5. Zertifizierung und politische Interventionen
Die Arbeit analysiert, ob die Verifizierung von Handlungen (Zertifizierung) diese Ausfälle reparieren kann.

• Dekomposition: Eine Kullback–Leibler-Dekomposition zeigt, dass Zertifizierung nur dann Information hinzufügt, wenn sie verborgene kausale Variationen offenlegt. Wenn das System bereits in einer rekursiv nicht-identifizierenden Aktionsregion ist (wo Handlungen zustandsunabhängig sind), fügt Zertifizierung keine Information hinzu.
• Inaktivitätsmodell: Die Zertifizierung eines Scheiterns (Unterscheidung zwischen „gescheitertem Experiment“ und „kein Experiment“) stellt die Belief-Stufe wieder her, bei der Experimentation optimal ist. Die Zertifizierung von nur Fehlern (Failure-only certification) ist die einzigartige, kostengengünstigste Maßnahme, um das Lernen zu garantieren.
• Schwellenwertmodell: Die Zertifizierung eines Scheiterns bei mittlerer Anstrengung ist eine echte schlechte Nachricht; sie aktualisiert den Belief korrekt auf einen Punkt, an dem maximale Anstrengung gewählt wird. Somit kann selbst perfekte Attribution eine uninformative Fortsetzung auswählen. Zudem kann die antizipierte Erfolgszertifizierung die identifizierende Handlung selbst verdrängen.
• Preismechanismen:
  • Inaktivität: Subventionierung der Anstrengung, um den Empfänger über die identifizierende Grenze zu bewegen.
  • Schwellenwert: Subventionierung der Zurückhaltung (oder Besteuerung maximaler Anstrengung), um die identifizierende Margin zu bewahren.
  • Erzwungene Variation: Ein öffentliches Mandat, die identifizierende Handlung mit einer gewissen Wahrscheinlichkeit auszuführen, kann Information direkt generieren, wenn die Kommunikation versagt.

Bedeutung und Behauptungen
Die Arbeit beansprucht, zwei scheinbar gegensätzliche Ausfälle des sozialen Lernens zu vereinigen:

1. Abschaltung: Die Gesellschaft hört auf zu lernen, weil niemand arbeitet (aufgrund der Unfähigkeit, Experimentation glaubhaft zu fördern).
2. Überanstrengung: Die Gesellschaft hört auf zu lernen, weil alle zu hart arbeiten (aufgrund der Unfähigkeit, Zurückhaltung glaubhaft zu fördern).

Die zentrale Kernbotschaft ist, dass Motivation die kostspielige Handlung auswählt, nicht die informative Handlung. Die Arbeit zeigt, dass die „kostspielige“ Handlung nicht inhärent informativ ist; ihre Informativität hängt von der Technologie ab. Wenn der Motivationsbias alle Sender hinter einer einzigen Handlung (entweder Anstrengung oder Zurückhaltung) vereint, kollabiert der informationelle Gehalt der Kommunikation, was zu absorbierenden Zuständen führt, in denen keine neue Evidenz produziert wird.

Die Arbeit behauptet nicht, eine allgemeine Theorie der Narrative zu liefern, sondern isoliert einen spezifischen Mechanismus, bei dem strategische kausale Kommunikation rekursiv das nächste Experiment auswählt. Sie hebt hervor, dass Verifizierung (Zertifizierung) kein Allheilmittel ist; ihr Wert hängt vollständig davon ab, ob sie den Eintritt in eine nicht-identifizierende Region verhindert oder die Anreize zur Produktion identifizierender Evidenz wiederherstellt. Die korrigierende Politik hängt von der Richtung des Bias ab: Subventionierung der Anstrengung, wenn Agenten zu wenig tun, und Subventionierung der Zurückhaltung, wenn Agenten zu viel tun.