How Occam's razor guides human decision-making

In der unordentlichen Realität des täglichen Lebens sind wir ständig gezwungen, zwischen konkurrierenden Erzählungen zu wählen, um das zu erklären, was wir sehen. Wenn ein Auto nicht anspringt, geben wir vielleicht einer leeren Batterie, einem defekten Lichtmaschinenregler oder einem Geist im Motor die Schuld. Unser Gehirn muss diese Möglichkeiten sichten, oft mit sehr wenig Information, um zu entscheiden, welche Erklärung am wahrscheinlichsten wahr ist. Seit Jahrhunderten schlagen Philosophen und Wissenschaftler eine Leitregel für diesen Prozess vor, die als Occamscher Rasiermesser bekannt ist. Das Prinzip besagt, dass, wenn zwei Erklärungen die Fakten gleichermaßen gut erklären, die einfachere die bessere Wahl ist. Es ist eine mentale Abkürzung, die die Geschichte mit den weniger beweglichen Teilen, den weniger Annahmen und dem weniger Raum für Fehler bevorzugt. Doch während diese Idee seit langem ein Liebling von Denkern ist, blieb unklar, ob das menschliche Gehirn sie tatsächlich auf die präzise, mathematische Weise anwendet, wie die Theorie es vorhersagt, oder ob wir lediglich eine vage Vorliebe für Dinge haben, die sich weniger kompliziert anfühlen.

Ein Team von Forschern hat diese Frage nun aus dem Bereich der Philosophie in das Labor verlagert, indem es eine Reihe sorgfältig gestalteter Experimente einsetzte, um genau zu messen, wie Menschen Einfachheit gegen Genauigkeit abwägen. Sie fanden heraus, dass die menschliche Entscheidungsfindung tatsächlich einer spezifischen, quantifizierbaren Form des Occamschen Rasiermessers folgt. Wenn mit verrauschten, unsicheren Daten konfrontiert, bevorzugen Menschen natürlich die einfachere Erklärung – nicht nur, weil es sich richtig anfühlt, sondern weil ihr Gehirn anscheinend eine komplexe statistische Berechnung durchführt, die über alle möglichen Versionen einer Geschichte mittelt, um nicht von Zufallsschwankungen getäuscht zu werden. Diese Vorliebe für Einfachheit ist so tief verwurzelt, dass sie bestehen bleibt, selbst wenn die Menschen explizit angewiesen werden, sie zu ignorieren und sich nur auf die beste einzelne Übereinstimmung zu konzentrieren. In einem markanten Kontrast dazu passten Computerprogramme, die darauf trainiert wurden, dieselben Probleme zu lösen, diese Einfachheits-Bias nur an, wenn sie spezifisch dazu programmiert wurden, was darauf hindeutet, dass die menschliche Tendenz, einfache Erklärungen zu bevorzugen, ein grundlegendes Merkmal unserer Kognition ist und nicht nur eine gelernte Strategie.

Die Forscher gingen vor, um dies zu testen, indem sie ein visuelles Spiel entwarfen, bei dem die Teilnehmer als Detektive agieren mussten. Auf einem Computerbildschirm erschien eine Wolke aus zehn roten Punkten, die etwas zufällig um einen zentralen Punkt gestreut waren. Diese Punkte wurden durch eine von zwei verborgenen Formen generiert, entweder eine gerade Linie oder ein gekrümmter Bogen, die als „Quelle“ der Daten dienten. Die Aufgabe der Teilnehmer bestand darin, zu erraten, welche Form die Punkte erzeugt hatte. Die Formen waren in Schwarz gezeichnet und die Punkte in Rot, was ein klares visuelles Rätsel schuf. Um die Aufgabe wissenschaftlich fundiert zu gestalten, entwarfen die Forscher vier verschiedene Versionen des Spiels. In jeder Version stellten sie zwei Formen in einer Weise gegenüber, die ein spezifisches mathematisches Merkmal der Komplexität isolierte. Eine Version verglich einen einzelnen Punkt mit einer langen Linie, um zu testen, wie Menschen mit der Anzahl der Variablen umgehen. Eine andere verglich zwei Linien unterschiedlicher Länge, um die Größe des möglichen Bereichs zu testen, den die Form abdecken konnte. Eine dritte Version untersuchte, wie die Form relativ zu den Daten positioniert war, und die vierte untersuchte, wie die Form sich von den Daten weg krümmte.

In diesen Experimenten konnten die Forscher die mathematisch perfekte Antwort für jeden einzelnen Versuch berechnen. Ein perfekter Beobachter, der den strengen Regeln der Bayesschen Statistik folgt, würde nicht nur nach der Form suchen, die den Punkten am nächsten kommt. Stattdessen würde dieser ideale Beobachter jede mögliche Position berücksichten, die die Form eingenommen haben könnte, und sie herausmitteln. Dieser Prozess bestraft Formen, die zu flexibel oder zu groß sind, auf natürliche Weise, da sie ihre „Erklärungskraft“ zu sehr über den Bildschirm verteilen, was sie weniger wahrscheinlich zur wahren Quelle eines spezifischen Punktclusters macht. Die Forscher sagten voraus, dass sich die Entscheidungen der Menschen, falls sie diese Art des statistischen Denkens anwenden würden, weg von den komplexen Formen und hin zu den einfachen Formen verschieben würden, selbst wenn die komplexen Formen technisch gesehen näher an den Punkten liegen.

Die Ergebnisse bestätigten, dass Menschen genau das tun. Wenn die Daten mehrdeutig waren, das heißt, die Punkte waren etwa gleich weit von beiden Formen entfernt, entschieden sich die Teilnehmer konsistent für die einfachere Option. Aber die Studie ging über das bloße Aufzeigen einer allgemeinen Vorliebe hinaus; sie maß die Stärke dieser Vorliebe mit hoher Präzision. Durch die Analyse tausender Entscheidungen von über 200 Teilnehmern fanden die Forsen heraus, dass Menschen sensibel für vier verschiedene geometrische Merkmale der Formen waren: ihre Dimensionalität (wie viele Parameter sie hatten), ihre Grenzen (wo sie endeten), ihr Volumen (wie viel Raum sie einnahmen) und ihre Robustheit (wie sie sich krümmten). Die Entscheidungen der Teilnehmer stimmten quantitativ mit den Vorhersagen des mathematischen Modells überein. Sie bevorzugten nicht nur vage „einfache“ Dinge; sie gewichteten diese spezifischen geometrischen Faktoren in einer Weise, die eng mit dem theoretischen Ideal der Integration über alle möglichen Ursachen übereinstimmte.

Um zu verstehen, ob dies ein erlerntes Verhalten oder etwas Grundlegenderes war, verglichen die Forscher die menschlichen Teilnehmer mit künstlichen neuronalen Netzen, einer Art von Computerprogramm, das das Gehirn nachahmen soll. Sie trainierten diese Netzwerke darauf, dieselben Punkt-und-Form-Rätsel zu lösen. Wenn die Netzwerke darauf trainiert wurden, die mathematisch perfekte „generative“ Lösung zu finden – was die Verwendung der Einfachheits-Bias erfordert –, lernten sie dies und schnitten besser ab als die Menschen. Wenn die Forscher jedoch die Anweisungen änderten und die Netzwerke anwiesen, die „Maximum-Likelihood“-Lösung zu finden – was bedeutet, dass sie einfach die Form wählen sollten, die den Punkten am nächsten kommt, unter Ignorierung der Komplexität – passten sich die Netzwerke sofort an. Sie zeigten keinerlei Vorliebe für Einfachheit mehr und vollbrachten auf der neuen Aufgabe perfekte Leistungen.

Die menschlichen Teilnehmer hingegen änderten sich nicht so leicht. Selbst wenn sie die gleichen Anweisungen erhielten, die Komplexität zu ignorieren und einfach die am nächsten gelegene Form zu wählen, pflegten sie weiterhin die einfacheren Optionen. Ihr Gehirn schien nicht in der Lage zu sein, den Mechanismus abzuschalten, der über alle Möglichkeiten mittelt. Dies deutet darauf hin, dass die menschliche Vorliebe für Einfachheit keine flexible Strategie ist, die wir annehmen, wenn wir angewiesen werden, klug zu sein, sondern ein Kernbestandteil der Art und Weise, wie wir Informationen verarbeiten. Wir mitteln scheinbar natürlich über die vielen Arten hinweg, wie eine Geschichte wahr sein könnte, was uns davor schützt, auf Rauschen zu überoptimieren (Overfitting), während Maschinen dies nur tun, wenn wir diese Fähigkeit explizit in sie einbauen.

Die Studie zeigte auch, dass Menschen zwar bemerkenswert gut sind, aber nicht perfekt. Es gab eine breite Palette individueller Unterschiede darin, wie stark Menschen diese Einfachheitsregeln anwandten. Einige Teilnehmer waren der mathematischen Ideale sehr nahe, während andere weniger sensibel für bestimmte Merkmale waren, wie etwa die Größe der Form oder deren Krümmung. Interessanterweise neigten diejenigen, die weiter vom Ideal entfernt waren, eher zu Fehlern, was darauf hindeutet, dass die Feinabstimmung dieses internen „Einfachheitsfilters“ entscheidend für das Treffen genauer Entscheidungen in einer verrauschten Welt ist. Die Forscher stellten fest, dass Menschen die verschiedenen Merkmale unterschiedlich gewichteten, vielleicht weil einige einfacher zu berechnen sind als andere. Zum Beispiel könnte das Zählen der Anzahl der Variablen in einer Form für das Gehirn einfacher sein als die Berechnung des gesamten Volumens des Raumes, den sie einnimmt, was zu einem natürlichen Ungleichgewicht in der Anwendung der Regel führt.

Letztendlich bietet diese Arbeit einen seltenen, quantitativen Einblick in die verborgenen Mechanismen des menschlichen Denkens. Sie zeigt, dass unsere Gehirne nicht nur Mustererkennungsmaschinen sind, die nach der besten Übereinstimmung suchen. Stattdessen agieren sie wie hochentwickelte Statistiker, die ständig fragen: „Auf wie vielen anderen Arten hätte das geschehen können?“ und die Antwort nutzen, um ihre Entscheidungen zu leiten. Indem sie über alle möglichen Erklärungen mitteln, vermeiden wir die Falle, einer komplexen, flexiblen Geschichte zu glauben, nur weil sie zufällig zur aktuellen Datenlage passt. Diese Studie bestätigt, dass Occams Rasiermesser nicht nur ein philosophischer Vorschlag dafür ist, wie wir denken sollten, sondern eine Beschreibung dessen, wie wir tatsächlich denken – ein fest eingebautes Merkmal der menschlichen Kognition, das uns hilft, in einer Welt voller Unsicherheit und Rauschen zu navigieren.