Technische Samenvatting: Besluitvorming onder Combinatorisch Risico

Probleemdefinitie

Het artikel adresseert een hiaat in het onderzoek naar besluitvorming onder risico, dat traditioneel gericht is op keuzes uit enkelvoudige loterijen waarbij kansverdelingen expliciet worden gegeven. De auteurs introduceren combinatorisch risico, een klasse van problemen waarbij risico voortvloeit uit de combinatie van meerdere onafhankelijke risicocomponenten, en waarbij de uitkomstverdeling geïnduceerd is in plaats van direct gepresenteerd.

De auteurs formaliseren dit aan de hand van een twee-componenten investeringsallocatie-taak. In dit scenario moet een besluitvormer een enkele, ondeelbare investering toewijzen aan één van de twee onafhankelijke Bernoulli-componenten (A of B).

• Initiële staat: Componenten hebben initiële succeswaarschijnlijkheden $P^{ini}_A$ en $P^{ini}_B$.
• Actie: Investeren in een component verhoogt de succeswaarschijnlijkheid met een specifieke increment ($\Delta P_A$ of $\Delta P_B$).
• Uitkomst: De totale uitbetaling hangt af van de som van de successen ($U = X_A + X_B$), wat een Binomiale verdeling induceert over $\{0, 1, 2\}$.
• Uitdaging: De geïnduceerde kansmassa-functie (PMF) is niet direct observeerbaar in de "controle"-conditie; besluitvormers moeten het risicoprofiel afleiden uit de component-specifieke kenmerken.

De studie onderzoekt of mensen deze problemen representeren als expliciete geïnduceerde loterijen of dat zij vertrouwen op heuristieken gebaseerd op saillante combinatorische kenmerken. Verder wordt onderzocht hoe het verstrekken van de geïnduceerde PMF (de "behandelings"-conditie) de besluitstrategieën verandert en of dit leidt tot meer voordelige keuzes.

Methodologie

Experimenteel Ontwerp

De auteurs voerden een online experiment uit met $N=2.640$ participanten, gebruikmakend van een vendor-marketing framing om morele confounders te vermijden.

• Condities:
  • Controle (C): Participanten zagen alleen componentkenmerken ($P^{ini}$, $\Delta P$).
  • Behandeling (T): Participanten zagen de componentkenmerken plus de geïnduceerde PMF's voor het totaal aantal successen onder beide opties.
  • Grootte: Twee uitbetalingsgroottes ($30 en $100) werden gebruikt om de gevoeligheid voor de grootte van de uitbetaling te testen.
• Stimuli: 1.873 besluitvormingsproblemen gegenereerd vanuit een discrete grid van waarschijnlijkheden, gegroepeerd in batches.
• Metrieken: Geaggregeerde keuze-waarschijnlijkheden (proportie die voor Optie B kiest) werden geregistreerd over de condities heen.

Modelleringsbenadering

Om gedragspatronen te verklaren, hanteerden de auteurs een meerfasige modelleringsstrategie:

1. Benchmark Modellen: Ze testten standaard heuristieken (Probability Gain, After-investment Probability, Tail-Probability modellen) en theoretisch gefundeerde modellen (State-Space Utility, Expected Utility, Prospect Theory, Cumulative Prospect Theory) toegepast op de geïnduceerde loterijen.
2. Symbolische Regressie (SR): Erkennend dat handmatig geconstrueerde theorieën ontoereikend waren, ontwikkelden de auteurs een hybride, ontologie-gestuurde SR-framework.
   • Architectuur: Een eiland-gebaseerde evolutionaire zoektocht (NSGA-II) draait parallel over de condities heen.
   • LLM Integratie: Een LLM voert een lokale verfijning uit van Pareto-optimale kandidaten en synthetiseert nieuwe expressies op basis van een gedeelde ontologie.
   • Ontologie: Gedetecteerde expressies worden geparsed in een gedeelde ontologie om terugkerende functionele vormen en gedragconcepten te identificeren, wat de exploratie van onderbelichte regio's stuurt.
   • Inputstructuur: In tegenstelling tot standaard SR zijn inputs getypeerd (Scalar/Vector) om de structuur van waarschijnlijkheden en uitkomsten te behouden.
3. Residuele Analyse: Om het effect van de PMF-weergave te isoleren, pasten de auteurs een residu-model toe op de behandelingsdata met de voorspellingen van het beste Controle-model als baseline, waarbij een Prospect Theory (PT) component werd toegevoegd om de variantie te verklaren.

Belangrijkste Resultaten

Gedragsvindingen

• Dominantie van Combinatorische Kenmerken: In de afwezigheid van PMF's (Controle) gaven participanten systematisch de voorkeur aan opties met hogere waarschijnlijkheidsincrements. Wanneer de increments gelijk waren, gaven zij de voorkeur aan de optie met een hogere initiële (en dus na-investering) succeswaarschijnlijkheid, wat consistent is met een voorkeur voor lagere variantie.
• Impact van PMF Weergave: Het onthullen van de geïnduceerde PMF (Behandeling) veranderde de keuzepatronen significant:
  • Participanten werden minder responsief voor de kern-combinatorische risicokenmerken (increments en initiële waarschijnlijkheden).
  • De variantie in keuzes over de problemen heen nam af.
  • Cruciaal: Het verstrekken van de PMF leidde niet tot een betere besluitkwaliteit; de Behandelingsgroep behaalde niet significant hogere verwachte uitbetalingen dan de Controlegroep.
• Gevoeligheid voor Grootte: In de Controleconditie verhoogden hogere uitbetalingsgroottes de gevoeligheid voor verschillen in variantie. In de Behandelingconditie verdween deze afhankelijkheid, wat wijst op een verschuiving in de besluitstrategie.

Modelleringsontdekkingen

• Controle Conditie: De best presterende modellen ontdekt via SR vertrouwden primair op na-investering succeswaarschijnlijkheden ($P^{aft}_A - P^{aft}_B$) en waarschijnlijkheidsincrements ($\Delta P_A - \Delta P_B$).
  • Deze modellen vereisten geen exacte evaluatie van de volledige geïnduceerde PMF.
  • Zij presteerden beter dan standaard heuristische en state-space utility benchmarks.
  • Exacte verwachte uitbetaling verscheen pas in de meest complexe modellen en had een zwakke invloed, wat suggereert dat mensen in deze setting niet expliciet de verwachte waarde berekenen.
• Behandeling Conditie: De beste modellen combineerden combinatorische kenmerken met niet-lineaire transformaties van de verwachte uitbetaling afgeleid van de geïnduceerde loterij (bijv. log- of machtstransformaties van het verschil in verwachte waarde).
• Residuele Analyse: De verschuiving van Controle- naar Behandelingsgedrag werd effectief gevangen door een Prospect Theory-evaluatie van de getoonde PMF te layeren bovenop de voorspellingen van het Controle-model. Dit bevestigt dat de PMF fungeert als een extra waarderingslaag in plaats van de onderliggende heuristiek te vervangen.

Bijdragen en Betekenis

Wetenschappelijke Bijdragen

1. Definitie van Combinatorisch Risico: Het artikel formaliseert een onderscheidende klasse van besluitvormingsproblemen waarbij risico wordt geïnduceerd door de combinatie van componenten, wat verschilt van standaard loterijkeuzes.
2. Gedragsinzicht: Het toont aan dat mensen combinatorisch risico navigeren door te redeneren over saillante probabilistische kenmerken (increments en succeswaarschijnlijkheden) in plaats van expliciet de geïnduceerde loterijen te construeren.
3. Methodologisch Framework: De auteurs presenteren een ontologie-gestuurd hybride symbolische regressie-framework dat evolutionaire zoektochten combineert met LLM-gebaseerde generatie en semantische organisatie. Deze aanpak slaagde erin compacte, interpreteerbare modellen te ontdekken die handmatig geconstrueerde theorieën en standaard benchmarks overtreffen.
4. Informatiewaarde: De studie levert bewijs dat het verstrekken van volledige distributieve informatie (PMF's) de besluitheuristieken verandert maar niet noodzakelijkerwijs leidt tot meer optimale uitkomsten, wat wijst op een potentiële cognitieve kostenpost of een verschuiving in aandacht die niet vertaalt naar betere prestaties.

Claims over Betekenis

Het artikel claimt dat de bevindingen de assumptie uitdagen dat besluitvormers complexe risico's representeren als expliciete loterijen. In plaats daarvan suggereert het een tweelaags cognitief proces:

• Primaire Laag: Redeneren over kern-combinatorische kenmerken (increments en succeswaarschijnlijkheden).
• Secundaire Laag: Het benutten van distributieve informatie (PMF's) als een toegevoegde waarderingslaag, enkel wanneer deze expliciet beschikbaar is, wat de aandacht wegtrekt van de kernkenmerken maar de besluitkwaliteit niet verbetert.

De auteurs positioneren dit werk als een productief domein op het snijvlak van gedragstheorie en interpreteerbare machine learning, waarbij zij aantonen dat symbolische regressie in staat is om psychologisch betekenisvolle regulariteiten te herstellen die standaardtheorieën missen, met name in settings waar computationele complexiteit een exacte evaluatie verhindert.