How Occam's razor guides human decision-making

In de rommelige realiteit van het dagelijks leven worden we voortdurend gedwongen te kiezen tussen concurrerende verhalen om te verklaren wat we zien. Wanneer een auto niet start, kunnen we de dode accu de schuld geven, een defecte alternator, of een geest in de motor. Onze hersenen moeten door deze mogelijkheden zeven, vaak met zeer weinig informatie, om te beslissen welke verklaring het meest waarschijnlijk waar is. Eeuwenlang hebben filosofen en wetenschappers een leidende regel voorgesteld voor dit proces, bekend als Occams scheermes. Het principe suggereert dat wanneer twee verklaringen even goed bij de feiten passen, de eenvoudigere keuze meestal de betere is. Het is een mentale afkorting die de voorkeur geeft aan het verhaal met minder bewegende onderdelen, minder aannames en minder ruimte voor fouten. Maar hoewel dit idee al lang een favoriet is van denkers, bleef het onduidelijk of menselijke hersenen dit werkelijk gebruiken op de precieze, wiskundige manier die de theorie voorspelt, of dat we simpelweg een vage voorkeur hebben voor dingen die minder ingewikkeld aanvoelen.

Een team van onderzoekers heeft deze vraag nu vanuit de filosofie naar het laboratorium verplaatst, door gebruik te maken van een reeks zorgvuldig ontworpen experimenten om exact te meten hoe mensen eenvoud afwegen tegen nauwkeurigheid. Ze ontdekten dat menselijke besluitvorming inderdaad een specifieke, kwantificeerbare vorm van Occams scheermes volgt. Wanneer geconfronteerd met ruisachtige, onzekere gegevens, geven mensen van nature de voorkeur aan de eenvoudigere verklaring, niet alleen omdat het goed voelt, maar omdat hun hersenen blijkbaar een complexe statistische berekening uitvoeren waarbij ze over alle mogelijke versies van een verhaal middelen om niet misleid te worden door toeval. Deze voorkeur voor eenvoud is zo diep geworteld dat deze voortduurt, zelfs wanneer mensen expliciet worden verteld om het te negeren en zich alleen op de beste passende vorm te concentreren. In een opvallend contrast met computers die getraind zijn om dezelfde problemen op te lossen, namen deze programma's deze eenvoud-bias alleen over wanneer ze daar specifiek voor geprogrammeerd waren, wat suggereert dat de menselijke neiging om eenvoudige verklaringen te verkiezen een fundamenteel kenmerk van onze cognitie is, en niet slechts een aangeleerde strategie.

De onderzoekers zetten zich in om dit te testen door een visueel spel te creëren waarin deelnemers als detectives moesten optreden. Op een computerscherm verscheen een wolk van tien rode stippen, die enigszins willekeurig rond een centraal punt waren verspreid. Deze stippen werden gegenereerd door een van de twee verborgen vormen, ofwel een rechte lijn of een gebogen boog, die dienden als de "bron" van de gegevens. De taak van de deelnemers was om te raden welke vorm de stippen had geproduceerd. De vormen werden in het zwart getekend en de stippen waren rood, wat een duidelijk visueel puzzelstuk creëerde. Om de taak wetenschappelijk rigoureus te maken, ontwierpen de onderzoekers vier verschillende versies van het spel. In elke versie zetten ze twee vormen tegenover elkaar op een manier die een specifiek wiskundig kenmerk van complexiteit isoleerde. Eén versie vergeleek een enkel punt met een lange lijn, om te testen hoe mensen omgaan met het aantal variabelen. Een andere versie vergeleek twee lijnen van verschillende lengtes, om de grootte van het mogelijke gebied dat de vorm kon beslaan te testen. Een derde versie keek naar hoe de vorm gepositioneerd was ten opzichte van de gegevens, en de vierde onderzocht hoe de vorm wegboog van de gegevens.

In deze experimenten konden de onderzoekers het wiskundig perfecte antwoord voor elke enkele proef berekenen. Een perfecte waarnemer, die de strikte regels van de Bayesiaanse statistiek volgt, zou niet alleen zoeken naar de vorm die het dichtst bij de stippen ligt. In plaats daarvan zou deze ideale waarnemer elke mogelijke positie overwegen die de vorm had kunnen innemen en deze middelen. Dit proces straft vormen die te flexibel of te groot zijn van nature af, omdat ze hun "verklarende kracht" te dun verspreiden over het scherm, waardoor ze minder waarschijnlijk de ware bron van een specifieke cluster van stippen zijn. De onderzoekers voorspelden dat als mensen deze vorm van statistisch redeneren zouden gebruiken, hun keuzes zouden verschuiven van de complexe vormen naar de eenvoudige vormen, zelfs wanneer de complexe vormen technisch gezien dichter bij de stippen liggen.

De resultaten bevestigden dat mensen precies dit doen. Wanneer de gegevens ambigu waren, wat betekende dat de stippen min of meer equidistant van beide vormen waren, kozen deelnemers consequent voor de eenvoudigere optie. Maar de studie ging verder dan alleen het tonen van een algemene voorkeur; het mat de kracht van die voorkeur met hoge precisie. Door duizenden keuzes van meer dan 200 deelnemers te analyseren, vonden het team dat mensen gevoelig waren voor vier onderscheidende geometrische kenmerken van de vormen: hun dimensionaliteit (hoeveel parameters ze hadden), hun grenzen (waar ze eindigden), hun volume (hoeveel ruimte ze besloegen) en hun robuustheid (hoe ze kromden). De keuzes van de deelnemers kwamen kwantitatief overeen met de voorspellingen van het wiskundige model. Ze hadden niet alleen een vage voorkeur voor "eenvoudige" dingen; ze wegingen deze specifieke geometrische factoren op een manier die nauw aansloot bij het theoretische ideaal van het integreren over alle mogelijke oorzaken.

Om te begrijpen of dit een aangeleerd gedrag was of iets fundamentelers, vergeleken de onderzoekers de menselijke deelnemers met kunstmatige neurale netwerken, een type computerprogramma dat ontworpen is om het brein na te bootsen. Ze trainden deze netwerken om dezelfde stip-en-vorm-puzzels op te lossen. Wanneer de netwerken werden getraind om de wiskundig perfecte "generatieve" oplossing te vinden — wat het gebruik van de eenvoud-bias vereist — leerden ze dit en presteerden ze beter dan de mensen. Echter, wanneer de onderzoekers de instructies veranderden en de netwerken vertelden om de "maximum likelihood"-oplossing te vinden — wat betekent dat ze simpelweg de vorm moeten kiezen die het dichtst bij de stippen ligt, waarbij de complexiteit wordt genegeerd — pasten de netwerken zich onmiddellijk aan. Ze toonden geen enkele voorkeur voor eenvoud meer en presteerden perfect op de nieuwe taak.

De menselijke deelnemers veranderden echter niet zo gemakkelijk. Zelfs wanneer ze dezelfde instructies kregen om complexiteit te negeren en gewoon de dichtstbijzijnde vorm te kiezen, bleven ze de voorkeur geven aan de eenvoudigere opties. Hun hersenen leken niet in staat om het mechanisme dat over alle mogelijkheden middelt, uit te schakelen. Dit suggereert dat de menselijke voorkeur voor eenvoud niet een flexibele strategie is die we adopteren wanneer we worden verteld om slim te zijn, maar een kernonderdeel van hoe we informatie verwerken. We lijken van nature over de vele manieren te middelen waarop een verhaal waar zou kunnen zijn, wat ons beschermt tegen het overfitten op ruis, terwijl machines dit alleen doen als we die capaciteit expliciet inbouwen.

De studie onthulde ook dat hoewel mensen opmerkelijk goed zijn, ze niet perfect zijn. Er was een breed scala aan individuele verschillen in hoe sterk mensen deze eenvoudregels toepasten. Sommige deelnemers lagen zeer dicht bij het wiskundige ideaal, terwijl anderen minder gevoelig waren voor bepaalde kenmerken, zoals de grootte van de vorm of de kromming ervan. Interessant genoeg maakten degenen die verder van het ideaal aflagen meer fouten, wat suggereğuert dat het afstemmen van dit interne "eenvoudsfilter" cruciaal is voor het maken van nauwkeurige beslissingen in een wereld vol ruis. De onderzoekers merkten op dat mensen de verschillende kenmerken verschillend leken te wegen, misschien omdat sommige gemakkelijker te berekenen zijn dan andere. Het tellen van het aantal variabelen in een vorm kan bijvoorbeeld eenvoudiger zijn voor de hersenen dan het berekenen van het totale volume van de ruimte die het beslaat, wat leidt tot een natuurlijke onbalans in de toepassing van de regel.

Uiteindelijk biedt dit werk een zeldzame, kwantitatieve blik op de verborgen machinerie van het menselijk denken. Het laat zien dat onze hersenen niet alleen patronenherkenningsmachines zijn die zoeken naar de beste pasvorm. In plaats daarvan fungeren ze als geavanceerde statistici die constant vragen: "Op hoeveel andere manieren had dit kunnen gebeuren?" en het antwoord gebruiken om hun keuzes te sturen. Door te integreren over alle mogelijke verklaringen, vermijden we de valkuil om een complex, flexibel verhaal te geloven, enkel omdat het toevallig bij de huidige gegevens past. Deze studie bevestigt dat Occams scheermes niet alleen een filosofische suggestie is voor hoe we zouden moeten denken, maar een beschrijving van hoe we daadwerkelijk denken: een ingebouwd kenmerk van de menselijke cognitie dat ons helpt te navigeren in een wereld vol onzekerheid en ruis.