TU Darmstadt / ULB / TUbiblio

Evaluation bayesianischer kognitiver Modelle in der Vorhersage menschlichen Verhaltens

Schürmann, Tim (2019):
Evaluation bayesianischer kognitiver Modelle in der Vorhersage menschlichen Verhaltens.
Darmstadt, Technische Universität, [Online-Edition: https://tuprints.ulb.tu-darmstadt.de/8601],
[Ph.D. Thesis]

Abstract

Die vorliegende Arbeit befasst sich mit bayesianischer kognitiver Modellierung und ihrem Potential zur Erklärung und Vorhersage menschlichen Verhaltens. Kognitive Modellierung unterscheidet sich dabei von anderen in der psychologischen Forschung angewandten Modellierungsmethoden durch den Versuch, den Prozess der Informationsverarbeitung innerhalb eines Individuums formalisieren. Als Konsequenz sind psychologische Konstrukte in kognitiven Modellen oft präziser und weniger flexibel als in mathematischen oder verbal-theoretischen Modellen implementiert. Bayesianische kognitive Modelle betrachten beobachtbares menschliches Verhalten als Folge eines wahrscheinlichkeitsbasierten Prozesses. Sie folgen weiterhin der Annahme, dass die menschliche Wahrnehmung unsicherheitsbehaftet ist. Menschen, die etwas über den Zustand ihrer Umwelt lernen, schreiben deshalb ihren Annahmen über den Zustand ihrer Umwelt ein Ausmaß an Vertrauen zu, das als Wahrscheinlichkeit interpretiert werden kann. Des Weiteren können sie ihr Vertrauen in Annahmen über die Umwelt unter Berücksichtigung neuer Informationen verändern. Sie greifen dafür den Satz von Bayes auf, eine mathematische Regel zur Berechnung bedingter Wahrscheinlichkeiten. Hat ein Individuum beispielsweise eine Annahme über die eigene Umwelt, glaubt es eingangs zu einem bestimmten Ausmaß daran, dass diese Annahme zutrifft. Beobachtet es daraufhin Geschehnisse aus seiner Umwelt, dann beurteilt es die Wahrscheinlichkeit dieser Geschehnisse, das Zutreffen seiner Annahme vorausgesetzt. Der Satz von Bayes beschreibt, wie das Individuum sein Ausmaß an Vertrauen in seine Annahme in Relation dazu verändern sollte, wie wahrscheinlich die beobachteten Geschehnisse gegeben seiner Annahme sind. Bisherige Untersuchungen menschlichen Wahrnehmungs- und Entscheidungsverhaltens scheinen zwar in Konflikt mit der mathematisch rationalen Anwendung des Satzes von Bayes zu stehen. Durch die Berücksichtigung ressourcenbezogener Einschränkungen ist es jedoch gelungen, augenscheinlich irrationale Entscheidungsphänomene beim Menschen zu rationalisieren. So beschreibt die Sampling-Hypothese das Konzept, den Menschen nicht als vollends bayesianischen Agenten zu beschreiben, sondern ihn in Abhängigkeit verfügbarer Ressourcen nur Teilmengen seiner vorhandenen Informationen berücksichtigen zu lassen. Ihre Umsetzung in kognitiven Modellen ermöglicht dadurch die Erklärung ehemals als irrational deklarierten Verhaltens. Auf Basis dieser theoretischen Weiterentwicklung bayesianischer kognitiver Modellierung untersuche ich ihre Vorhersagequalität menschlichen Verhaltens in drei Domänen. Zunächst greife ich ein existierendes Modell auf, das die Entstehung von Körperillusionen als rationale Integration mehrerer sensorischer Kanäle beschreibt. Bei Körperillusionen wird menschlichen Studienteilnehmenden durch eine Manipulation der sensorischen Kanäle der Eindruck vermittelt, dass sich ein eigenes Gliedmaß nicht dort befindet, wo es tatsächlich ist. Zwei bekannte Varianten solcher Illusionen sind als Rubber-Hand- beziehungsweise Rubber-Foot-Illusion bekannt. Das Modell wurde ehemals auf die Rubber-Hand-Illusion angewandt und war im Stande, qualitative Prognosen über das Zustandekommen der Illusion zu treffen. Es überschätzte jedoch ein quantitatives Kriterium einer erfolgreichen Körperillusion, den propriozeptiven Drift. In dieser Arbeit übertrage ich das komputationale Problem des Modells auf die Rubber-Foot-Illusion und zeige durch Neuauswertung eines bestehenden empirischen Datensatzes, dass die Überschätzung propriozeptiven Drifts von einem Teil des verwendeten Modells, des Priors, ausgeht. Bisherige Forschung hatte das Vorwissen menschlicher Studienteilnehmender als uniforme Verteilung modelliert, die statt der echten Position des menschlichen Gliedmaßes alle möglichen Positionen im Umfeld der Studienteilnehmenden als gleich wahrscheinlich darstellte. Durch die Verwendung von zwei Varianten eines informierten Priors, der das echte Gliedmaß zu Beginn des Experiments dort verortet, wo es sich tatsächlich befindet, kann die Prognose propriozeptiven Drifts deutlich verbessert werden. Das zweite Anwendungsfeld bayesianischer kognitiver Modellierung in dieser Arbeit betrifft menschliches Entscheidungsverhalten zwischen Optionen unter Berücksichtigung mehrerer Attribute je Option. Ich stelle zwei Studien vor, die sich inhaltlich mit dem Entscheidungsverhalten von Nutzenden von Online-Diensten befassen. Durch die mediale Berichterstattung über Datenlecks bei Konzernen, Wahlmanipulationsversuche und institutionelle Datensammlung mag der Eindruck entstehen, dass der Erhalt digitaler Privatsphäre im Fokus vieler Nutzenden stehen sollte. Dennoch berichtet die Forschungsliteratur vom sogenannten Privatsphären-Paradox: dem Umstand, dass Nutzende auf Nachfrage zwar Sorgen um den Verlust ihrer Privatsphäre äußern, aber dennoch dazu tendieren, Online-Dienste zu nutzen, die diesen Privatsphärenverlust ermöglichen. Mit Blick auf dieses Verhalten wird in der Literatur die Rationalität von Nutzenden angezweifelt. Stattdessen wird angenommen, dass Nutzende aufgrund begrenzter kognitiver Ressourcen eher auf Heuristiken statt auf Nützlichkeitsmaximierung im Sinne bayesianischer Entscheidungstheorie setzen. Es bedarf jedoch keiner Anwendung von Heuristiken, um das gezeigte Nutzungsverhalten zu erklären. Deshalb formalisiere ich ein rationales Prozessmodell, das Entscheidungen über die Nutzung hypothetischer Online-Dienste als Ergebnis eines Sampling-Prozesses von Präferenzen vorhersagt. Seine Leistung wird dabei mit zwei heuristischen und einer bayesianischen Variante ohne Sampling-Prozess verglichen. Die Modelle sagen die Anzahl an Entscheidungen für die Nutzung hypothetischer Online-Dienste auf Basis angegebener Präferenzen von Teilnehmenden in zwei Online-Studien vorher. Für die Mehrheit aller Stimuli stelle ich dabei fest, dass das rationale Prozessmodell die beste Vorhersagequalität bietet. Daraus leite ich Handlungsempfehlungen für die Gestaltung von Interventionen ab, die Nutzenden privatsphärenschützende Entscheidungsfindung ermöglichen sollen. Zuletzt behandelt das dritte Anwendungsfeld dieser Arbeit die Modellierung menschlichen Entscheidungsverhaltens zwischen Optionen, die jeweils nur durch ein Attribut charakterisiert sind. Inhalt der Modellierung ist die Wahrnehmung nonverbalen Flirtverhaltens, die aufgrund seiner Prävalenz in vielen sozialen Kontexten unsicherheitsbehaftet ist. In einer Online-Studie wurden Teilnehmende gebeten, sich kurze Videoausschnitte anzusehen, in denen eine Schauspielerin verschiedene nonverbale Verhaltensweisen in zwei sozialen Kontexten darstellte. Für jedes gezeigte Verhalten sollten sie sich entscheiden, ob es eine Flirtintention ausdrücken sollte. Ob der Sampling-Prozess des rationalen Prozessmodells dieses Entscheidungsverhalten hinreichend besser vorhersagt als Alternativmodelle, wird in diesem Kapitel untersucht. Der Modellvergleich zwischen dem rationalen Prozessmodell, einem Angleichungsmodell und einem bayesianischen Modell ohne Sampling-Prozess zeigt, dass das Angleichungsmodell bessere Vorhersagen produziert, als beide anderen Modelle. Diesen Unterschied führe ich auf den jeweiligen Mechanismus zur Wissensrepräsentation beider Modelle zurück und diskutiere Erweiterungen der Modellstruktur. Ich beende die Arbeit mit einer Einordnung des Verhaltens der verschiedenen betrachteten Modelle hinsichtlich psychologischer Plausibilität und lege dar, welche Eigenschaften das vorgestellte rationale Prozessmodell mit anderen empirisch erfolgreichen Modellierungsarten gemein hat. Diese einheitlichen Eigenschaften legen den Verdacht nahe, dass unterschiedliche Arten kognitiver Modellierung letzten Endes ähnliche Berechnungen in ihren jeweiligen Modellstrukturen abbilden und aufgrund dieser, nicht ihrer jeweiligen zugrundeliegenden Theorie, erfolgreich Vorhersagen über menschliches Verhalten treffen können. Als Konsequenz sollte zukünftige Forschung die metakognitiven Systeme, die zur Entstehung dieser einheitlichen Eigenschaften psychologischer Prozesse führen, mitberücksichtigen.

Item Type: Ph.D. Thesis
Erschienen: 2019
Creators: Schürmann, Tim
Title: Evaluation bayesianischer kognitiver Modelle in der Vorhersage menschlichen Verhaltens
Language: German
Abstract:

Die vorliegende Arbeit befasst sich mit bayesianischer kognitiver Modellierung und ihrem Potential zur Erklärung und Vorhersage menschlichen Verhaltens. Kognitive Modellierung unterscheidet sich dabei von anderen in der psychologischen Forschung angewandten Modellierungsmethoden durch den Versuch, den Prozess der Informationsverarbeitung innerhalb eines Individuums formalisieren. Als Konsequenz sind psychologische Konstrukte in kognitiven Modellen oft präziser und weniger flexibel als in mathematischen oder verbal-theoretischen Modellen implementiert. Bayesianische kognitive Modelle betrachten beobachtbares menschliches Verhalten als Folge eines wahrscheinlichkeitsbasierten Prozesses. Sie folgen weiterhin der Annahme, dass die menschliche Wahrnehmung unsicherheitsbehaftet ist. Menschen, die etwas über den Zustand ihrer Umwelt lernen, schreiben deshalb ihren Annahmen über den Zustand ihrer Umwelt ein Ausmaß an Vertrauen zu, das als Wahrscheinlichkeit interpretiert werden kann. Des Weiteren können sie ihr Vertrauen in Annahmen über die Umwelt unter Berücksichtigung neuer Informationen verändern. Sie greifen dafür den Satz von Bayes auf, eine mathematische Regel zur Berechnung bedingter Wahrscheinlichkeiten. Hat ein Individuum beispielsweise eine Annahme über die eigene Umwelt, glaubt es eingangs zu einem bestimmten Ausmaß daran, dass diese Annahme zutrifft. Beobachtet es daraufhin Geschehnisse aus seiner Umwelt, dann beurteilt es die Wahrscheinlichkeit dieser Geschehnisse, das Zutreffen seiner Annahme vorausgesetzt. Der Satz von Bayes beschreibt, wie das Individuum sein Ausmaß an Vertrauen in seine Annahme in Relation dazu verändern sollte, wie wahrscheinlich die beobachteten Geschehnisse gegeben seiner Annahme sind. Bisherige Untersuchungen menschlichen Wahrnehmungs- und Entscheidungsverhaltens scheinen zwar in Konflikt mit der mathematisch rationalen Anwendung des Satzes von Bayes zu stehen. Durch die Berücksichtigung ressourcenbezogener Einschränkungen ist es jedoch gelungen, augenscheinlich irrationale Entscheidungsphänomene beim Menschen zu rationalisieren. So beschreibt die Sampling-Hypothese das Konzept, den Menschen nicht als vollends bayesianischen Agenten zu beschreiben, sondern ihn in Abhängigkeit verfügbarer Ressourcen nur Teilmengen seiner vorhandenen Informationen berücksichtigen zu lassen. Ihre Umsetzung in kognitiven Modellen ermöglicht dadurch die Erklärung ehemals als irrational deklarierten Verhaltens. Auf Basis dieser theoretischen Weiterentwicklung bayesianischer kognitiver Modellierung untersuche ich ihre Vorhersagequalität menschlichen Verhaltens in drei Domänen. Zunächst greife ich ein existierendes Modell auf, das die Entstehung von Körperillusionen als rationale Integration mehrerer sensorischer Kanäle beschreibt. Bei Körperillusionen wird menschlichen Studienteilnehmenden durch eine Manipulation der sensorischen Kanäle der Eindruck vermittelt, dass sich ein eigenes Gliedmaß nicht dort befindet, wo es tatsächlich ist. Zwei bekannte Varianten solcher Illusionen sind als Rubber-Hand- beziehungsweise Rubber-Foot-Illusion bekannt. Das Modell wurde ehemals auf die Rubber-Hand-Illusion angewandt und war im Stande, qualitative Prognosen über das Zustandekommen der Illusion zu treffen. Es überschätzte jedoch ein quantitatives Kriterium einer erfolgreichen Körperillusion, den propriozeptiven Drift. In dieser Arbeit übertrage ich das komputationale Problem des Modells auf die Rubber-Foot-Illusion und zeige durch Neuauswertung eines bestehenden empirischen Datensatzes, dass die Überschätzung propriozeptiven Drifts von einem Teil des verwendeten Modells, des Priors, ausgeht. Bisherige Forschung hatte das Vorwissen menschlicher Studienteilnehmender als uniforme Verteilung modelliert, die statt der echten Position des menschlichen Gliedmaßes alle möglichen Positionen im Umfeld der Studienteilnehmenden als gleich wahrscheinlich darstellte. Durch die Verwendung von zwei Varianten eines informierten Priors, der das echte Gliedmaß zu Beginn des Experiments dort verortet, wo es sich tatsächlich befindet, kann die Prognose propriozeptiven Drifts deutlich verbessert werden. Das zweite Anwendungsfeld bayesianischer kognitiver Modellierung in dieser Arbeit betrifft menschliches Entscheidungsverhalten zwischen Optionen unter Berücksichtigung mehrerer Attribute je Option. Ich stelle zwei Studien vor, die sich inhaltlich mit dem Entscheidungsverhalten von Nutzenden von Online-Diensten befassen. Durch die mediale Berichterstattung über Datenlecks bei Konzernen, Wahlmanipulationsversuche und institutionelle Datensammlung mag der Eindruck entstehen, dass der Erhalt digitaler Privatsphäre im Fokus vieler Nutzenden stehen sollte. Dennoch berichtet die Forschungsliteratur vom sogenannten Privatsphären-Paradox: dem Umstand, dass Nutzende auf Nachfrage zwar Sorgen um den Verlust ihrer Privatsphäre äußern, aber dennoch dazu tendieren, Online-Dienste zu nutzen, die diesen Privatsphärenverlust ermöglichen. Mit Blick auf dieses Verhalten wird in der Literatur die Rationalität von Nutzenden angezweifelt. Stattdessen wird angenommen, dass Nutzende aufgrund begrenzter kognitiver Ressourcen eher auf Heuristiken statt auf Nützlichkeitsmaximierung im Sinne bayesianischer Entscheidungstheorie setzen. Es bedarf jedoch keiner Anwendung von Heuristiken, um das gezeigte Nutzungsverhalten zu erklären. Deshalb formalisiere ich ein rationales Prozessmodell, das Entscheidungen über die Nutzung hypothetischer Online-Dienste als Ergebnis eines Sampling-Prozesses von Präferenzen vorhersagt. Seine Leistung wird dabei mit zwei heuristischen und einer bayesianischen Variante ohne Sampling-Prozess verglichen. Die Modelle sagen die Anzahl an Entscheidungen für die Nutzung hypothetischer Online-Dienste auf Basis angegebener Präferenzen von Teilnehmenden in zwei Online-Studien vorher. Für die Mehrheit aller Stimuli stelle ich dabei fest, dass das rationale Prozessmodell die beste Vorhersagequalität bietet. Daraus leite ich Handlungsempfehlungen für die Gestaltung von Interventionen ab, die Nutzenden privatsphärenschützende Entscheidungsfindung ermöglichen sollen. Zuletzt behandelt das dritte Anwendungsfeld dieser Arbeit die Modellierung menschlichen Entscheidungsverhaltens zwischen Optionen, die jeweils nur durch ein Attribut charakterisiert sind. Inhalt der Modellierung ist die Wahrnehmung nonverbalen Flirtverhaltens, die aufgrund seiner Prävalenz in vielen sozialen Kontexten unsicherheitsbehaftet ist. In einer Online-Studie wurden Teilnehmende gebeten, sich kurze Videoausschnitte anzusehen, in denen eine Schauspielerin verschiedene nonverbale Verhaltensweisen in zwei sozialen Kontexten darstellte. Für jedes gezeigte Verhalten sollten sie sich entscheiden, ob es eine Flirtintention ausdrücken sollte. Ob der Sampling-Prozess des rationalen Prozessmodells dieses Entscheidungsverhalten hinreichend besser vorhersagt als Alternativmodelle, wird in diesem Kapitel untersucht. Der Modellvergleich zwischen dem rationalen Prozessmodell, einem Angleichungsmodell und einem bayesianischen Modell ohne Sampling-Prozess zeigt, dass das Angleichungsmodell bessere Vorhersagen produziert, als beide anderen Modelle. Diesen Unterschied führe ich auf den jeweiligen Mechanismus zur Wissensrepräsentation beider Modelle zurück und diskutiere Erweiterungen der Modellstruktur. Ich beende die Arbeit mit einer Einordnung des Verhaltens der verschiedenen betrachteten Modelle hinsichtlich psychologischer Plausibilität und lege dar, welche Eigenschaften das vorgestellte rationale Prozessmodell mit anderen empirisch erfolgreichen Modellierungsarten gemein hat. Diese einheitlichen Eigenschaften legen den Verdacht nahe, dass unterschiedliche Arten kognitiver Modellierung letzten Endes ähnliche Berechnungen in ihren jeweiligen Modellstrukturen abbilden und aufgrund dieser, nicht ihrer jeweiligen zugrundeliegenden Theorie, erfolgreich Vorhersagen über menschliches Verhalten treffen können. Als Konsequenz sollte zukünftige Forschung die metakognitiven Systeme, die zur Entstehung dieser einheitlichen Eigenschaften psychologischer Prozesse führen, mitberücksichtigen.

Place of Publication: Darmstadt
Divisions: DFG-Graduiertenkollegs
DFG-Graduiertenkollegs > Research Training Group 2050 Privacy and Trust for Mobile Users
03 Department of Human Sciences
03 Department of Human Sciences > Institute for Psychology
03 Department of Human Sciences > Institute for Psychology > Engineering psychology research group!
Date Deposited: 14 Apr 2019 19:55
Official URL: https://tuprints.ulb.tu-darmstadt.de/8601
URN: urn:nbn:de:tuda-tuprints-86016
Referees: Vogt, Prof. Dr. Joachim and Beckerle, Jun.-Prof. Philipp
Refereed / Verteidigung / mdl. Prüfung: 28 January 2019
Alternative Abstract:
Alternative abstract Language
This dissertation addresses Bayesian cognitive modeling and its potential for the explanation and prediction of human behavior. Cognitive modeling differs from other modeling techniques in psychological research due to its attempt to formalize the process of information integration inside of an individual. Consequently, psychological constructs take a more precise and less flexible form in cognitive models compared to their implementation in mathematical or verbal-theoretical models. Bayesian cognitive models consider human behavior as the result of a probability-based process. They furthermore assume that human perception is subject to uncertainty. Humans learning about the state of their environment are assumed to assign degrees of belief to possible states that can be interpreted as probabilities that these states represent the truth. In addition, they are expected to reconsider their degrees of belief in environment states following the perception of new information. To do so, they apply Bayes’ rule, a mathematical rule describing the calculation of conditional probabilities. When an individual holds an assumption about the state of their environment, they may believe that this assumption is true to a certain degree. Once the individual observes an event with relevance to the state of the environment, they judge the probability of observing that event given that the assumed state of the environment is correct. Bayes’ rule specifies how to adjust the individual’s degree of belief about the state of the environment in relation to the probability of the observed event. Previous investigations of human perception and decision making seem to indicate that it is not an accurate description of how humans process information about the state of their environment. By recognizing resource-related restrictions however, previous research was able to rationalize seemingly irrational phenomena in the description of human cognition. For example, the sampling hypothesis describes humans as using only parts of their available information about the world due to resource constraints, rather than as fully-fledged Bayesian agents. Its formalization as part of cognitive models therefore enables the rationalization of behavior that previously appeared irrational. Based on this theoretical advancement of Bayesian cognitive modeling, I investigate its quality of prediction concerning human behavior in three domains. To begin with, I adopt an existing model that describes the emergence of body illusions as the rational integration of multiple sensory channels. Body illusions are elicited in human experiment participants by the manipulation of sensory channels so that they are under the impression that one of their actual limbs is not where it is physically located. Two typical experimental setups are the Rubber Hand Illusion and Rubber Foot Illusion. The model in question was previously used to predict the emergence of the Rubber Hand Illusion qualitatively. Quantitatively, however, it overestimated an empirical dependent variable known as proprioceptive drift. In this dissertation, I transfer the model’s computational problem to the Rubber Foot Illusion and apply it to an existing empirical data set. I demonstrate that the overestimation of proprioceptive drift originates from a specific part of the model known as the prior. A previous study had modeled the prior knowledge of participants as a uniform distribution, making every possible position on a horizontal plane in front of them seem equally plausible as an estimate of the limb’s position. By using two variants of an informed prior centered at the real physical position of the limb, the prediction of proprioceptive drift is shown to be improved significantly. The second research area of this dissertation concerns human decisions between options described by multiple attributes. I present two original studies that focus on decision making of users regarding online services. Media coverage regarding commercial data leaks, attempted election manipulations and institutional data collection may give the impression that online privacy preservation should be on users’ minds. Research has however identified a phenomenon called the privacy paradox: when questioned, users do report concern about losing privacy and valuable data, but they still tend to use services that enable loss of privacy. This behavior and divergence from stated preferences leads scholars to question users’ rationality. Instead, it is assumed that users rely on heuristics rather than subjective utility maximization as would be rational following Bayesian decision theory due to limited cognitive resources. However, applying heuristics is not required to produce the observed user behavior. To show this, I formalize a rational process model that predicts participant choices for or against the use of hypothetical online services as the result of sampling from their preferences. The model’s performance is subsequently compared to two heuristic alternatives as well as a Bayesian model variant omitting the sampling process. The models aim to predict the number of use choices for the hypothetical online services based on stated preferences of participants in the two online studies. For the majority of investigated stimuli, the rational process model shows the best predictive quality. I derive recommendations for intervention design focused privacy protecting decision making. Finally, the third research area of this dissertation focuses on modeling human decisions between options where each is described by a single attribute. I present a comparison between models that predict the perception of nonverbal flirt behavior, which is subject to uncertainty due to its prevalence in many social contexts. Participants in an online study were asked to view short video clips in which an actress performed several nonverbal behaviors in two social contexts. For every behavior shown, participants were asked to decide whether it expressed the intention to flirt. I investigate whether the rational process modeling approach produces sufficiently better predictions of said decisions than alternative models. The resulting comparison between the rational process model, a probability matching model and a Bayesian model omitting the sampling process shows that the probability matching model produces better predictions than both other models. I attribute the difference in predictive quality to the differing mechanisms of agent knowledge representation between models and discuss extensions to the respective model structures. I conclude the dissertation by classifying the behavior of the proposed models regarding their psychological plausibility and point out similarities between the rational process model and other empirically successful forms of cognitive models. These similarities suggest that several different paradigms of cognitive modeling ultimately conduct similar computations in their respective model structures and that they, not the theories surrounding them, are important to arrive at successful predictions of human behavior. Consequently, future research should make efforts to consider the meta-cognitive systems that lead to these similar functions between modeling paradigms.English
Export:

Optionen (nur für Redakteure)

View Item View Item