Wir Menschen interagieren mit unserer Umwelt spielerisch leicht, was so nicht möglich wäre ohne die Fähigkeit dynamische Prozesse einschätzen zu können. Es ist unbestreitbar, dass hierzu die Existenz von passenden internen Modellen von Nöten ist, jedoch ist es unklar wie unser Gehirn es schafft mit der Komplexität und Datenfülle unserer Umwelt umzugehen. So bereitet es uns überhaupt keine Mühe etwas im Vorbeigehen in einen Papierkorb fallen zu lassen, ohne dabei auch nur ansatzweise in Verlegenheit zu geraten lange über die zugrundeliegenden Dynamiken nachdenken zu müssen, doch zeitgleich geben Versuchspersonen, die nach diskreten Schlussfolgerungen über genau diesen physikalischen Prozess befragt werden, teilweise abstrus falsche Antworten. Gleichsam grobe Fehleinschätzungen von Versuchspersonen konnten unter anderem in Experimenten mit schwingenden Pendeln und Objekten nach dem Verlassen einer erzwungenen Kreisbahn festgestellt werden. Doch wie kann diese Diskrepanz zwischen adäquatem Handeln im Alltag und groben Fehleinschätzungen in Experimenten erklärt werden?

Eine Erklärung für diese Abweichungen vom Idealverhalten wurde schon vor Jahrzehnten darin gesucht, dass sich Menschen eher auf Faustregeln bzw. Heuristiken verlassen. Dabei ist die Grundidee, dass davon auszugehen ist, dass interne Modelle im menschlichen Gehirn nicht in der Lage sind die Komplexität ihrer Umwelt abzubilden und deshalb auf fehleranfällige Vereinfachungen der zugrundeliegenden Abläufe angewiesen sind. Diese Heuristiken sind aber meist spezifisch auf das Verhalten in einzelnen Experimenten zugeschnitten und liefern dadurch auch selten allgemein gültige Erklärungen. Dem steht der Ansatz gegenüber Abweichungen im menschlichen Verhalten mit probabilistischen Modellen zu erklären, die sowohl menschliche Ungenauigkeiten als auch hilfreiche Vorannahmen berücksichtigen. In der hier vorliegenden Thesis wollen wir uns dieser Widersprüchlichkeit der weitestgehend fehlerfreien Interaktion mit unserer Umwelt und den groben Fehleinschätzungen in Entscheidungsaufgaben annehmen. Dazu werden wir im Folgenden verschiedene Experimente in kontrollierten Umgebungen ebenso wie probabilistische Modelle und Algorithmen zur Erklärung dieser Abweichungen präsentieren.

Zuerst betrachten wir die Abweichungen der Versuchspersonen vom Idealverhalten in zwei Distanz-Einschätzungs-Experimenten, eines mit binären und eines mit kontinuierlichen Antwortmöglichkeiten. Hier beschreiben wir individuelle Abweichungen, deren Beständigkeit über Experimente hinweg und Übereinstimmung mit a priori Größenvorstellungen. Das Ganze erfolgt dabei unter Berücksichtigung von physiologischen Limitierungen, wie eingeschränkter Präzision des Sehsystems und Variabilität in Handlungen, und mitunter auch Verzerrungen durch Vorannahmen, also a priori Vorstellungen. Da Versuchspersonen bei ihren Distanzentscheidungen auf zwei-dimensionale Projektionen auf einem Bildschirm und damit nur auf die scheinbare Größe beschränkt waren, mussten sie auf ihre Annahmen über Objektgrößen zurückgreifen, um überhaupt mögliche Entfernungen schätzen zu können. Durch die Verwendung von gewohnten Objekten konstanter Größe und der Tatsache, dass Menschen variable und mitunter verzerrte Größenvorstellungen über diese bekannten Objekte haben, können diese zur Erklärung der Abweichungen bei den Distanzeinschätzungen beitragen. Mithilfe zweier Inferenz Methoden wurden individuelle Größenvorstellungen bestimmt. Die so festgestellten Annahmen mitsamt der möglichen Verzerrungen waren über beide Methoden hinweg konsistent und im Einklang mit den Abweichungen bei den Distanzschätzungen. So zeigen wir, dass Abweichungen bzw. Fehleinschätzungen bei Distanzeinschätzungen in der Tat Hand in Hand mit falschen Vorstellungen über Größen und natürlicherer Variabilität in Wahrnehmungs- und Entscheidungsprozessen geht. Damit unterstützen unsere Resultate die Sicht auf menschliches Verhalten als grundsätzlich auf akkuraten Vorstellungen über die Umwelt beruhendes probabilistisches System, das optimale Entscheidungen fällt gegeben seiner Einschränkungen.

In einem weiteren Experiment zur Untersuchung von a priori Vorstellungen erweitern wir das experimentelle Design zu einer kontinuierlichen Interaktionsaufgabe unter zusätzlicher Manipulation von visuellem Feedback. Im Fokus stehen dabei die a priori Vorstellung der Versuchspersonen über die non-lineare Dynamik von unter Reibungseinwirkung schlitternden Objekten und ihre Fähigkeit, Information aus dem reinen Betrachten von Objektkollisionen auf diese kontinuierliche Interaktionsaufgabe zu übertragen. Der Vergleich von heuristisch motivierten Modellen mit realistischen, auf Newton’scher Physik basierender Modellen hat ergeben, dass das Verhalten am Besten mit realistischen statt approximativen Modellen zu beschreiben ist. Das gilt vor allem für Verhalten während visuelles Feedback vorhanden war, aber auch in anschließenden Phasen ohne Feedback. Nach dem Erlernen der Aufgabe und dem Betrachten von Objektkollisionen waren Versuchspersonen in der Lage ein Objekt im Mittel nahezu zielgenau über verschiedene Distanzen schlittern zu lassen ohne jemals zu erfahren wo dieses zum Stehen gekommen ist oder wie schnell es sich überhaupt bewegen lässt. Nicht nur sprechen die hohen Bayes Faktoren zu Gunsten der Newton’schen Modelle klar für die Sichtweise, dass interne Modelle realistischer und probabilistischer Natur sind, sondern auch die schiere Notwendigkeit dieser realistischen Modelle, um überhaupt die Information so korrekt zu erfassen und auf die Interaktion übertragen zu können. Zusammenfassend unterstreichen die Ergebnisse des zweiten Experiments noch einmal zusätzlich die höhere Passfähigkeit der probabilistischen Modelle mit realistischen Dynamiken um Abweichungen vom Idealverhalten bei Menschen zu erklären sowie ihr Nutzen bei der Beschreibung von Aufgabentransfer.

Darauffolgend gehen wir mithilfe eines neu entwickelten Algorithmus individuellen Kostenfunktionen als zusätzliche Ursache für menschliche Abweichungen vom Idealverhalten auf den Grund. Bis hierhin wurden im Modell, das das Verhalten der Versuchspersonen beim Schlittern von Objekten erklärt, nur die drei Kostenfunktionen 0-1, hinge und squared loss implizit durch eine Verschiebung der Verteilung, die die messbaren Antworten beschreibt, berücksichtigt. Bei diesem Algorithmus jedoch ermöglichen wir individualisierte Kostenfunktionen und die Integration von Kosten für den Aufwand der Aktion selbst, wie z.B. die subjektive Anstrengung. Dabei entsteht ein ganzer Parameterraum möglicher Kostenfunktionen. Da die letztendliche Wahl einer Aktion maßgeblich von den subjektiv erwarteten Kosten beeinflusst wird ist die Berücksichtigung von individuellen Kostenfunktionen entscheidend für die Erklärung menschlichen Verhaltens. Die Fähigkeit, Kostenfunktionen und auch Variabilitätsparameter aus menschlichen Antworten bei kontinuierlichen Schätzaufgaben zu inferieren, haben wir mithilfe generativer Modelle erfolgreich getestet. Angewandt auf reale Daten aus solchen kontinuierlichen Schätzaufgaben konnten wir auch die allgegenwärtige Unterschätzung von Werten durch das Zusammenspiel von individuellen, asymmetrischen Kostenfunktionen mit natürlicher Variabilität erklären und darüberhinaus noch Ähnlichkeiten zwischen einzelnen Aufgaben aufzeigen. Dadurch konnten wir weitere Evidenz für die Eignung probabilistischer Modelle zur Beschreibung menschlichen Verhaltens und Abweichungen sammeln.

Abschließend haben wir das bereits beschriebene Experiment des Objekt-Schlitterns in die virtuelle Realität übertragen, um dabei eine möglichst natürliche Interaktion zu ermöglichen. Hierbei sind wir von der Annahme ausgegangen, dass sowohl das haptische Greifen des echten Objektes als auch die natürliche Armbewegung, um es schlittern zu lassen, dazu beitragen, dass Versuchspersonen dieWahl eines passenden internen Modelles leichter fallen und sich in adäquatem Verhalten wiederfinden sollte. Diese Annahme wäre zudem dann im Einklang mit der Literatur um embodied cognition. Im Vergleich zum vorherigen Versuchsaufbau mit Interaktion mittels Tastatur konnte das Verhalten der Versuchspersonen signifikant besser mit dem realistischen Newton’schen Modell beschrieben werden als mit der nächstbesten linearen Approximation. Besonders interessant daran war, dass Versuchspersonen keinerlei Informationen über die Trajektorie der Objekte erhielten, d.h. das Schlittern und der Ort des Stillstandes nie zu sehen waren. Daraus lässt sich schließen, dass das interne Modell, das das Verhalten bestimmte, zuvor gelernt sein musste und korrekt die Non-Linearität der Dynamik widerspiegeln konnte. Hier zeigen unsere Ergebnisse die Relevanz von natürlicher Interaktion in Experimenten zur Untersuchung menschlichen Verhaltens auf und zugleich auch erneut die Eignung probabilistischer und realistischer Modelle dieses zu beschreiben.

Zusammengefasst präsentieren wir verschiedene Experimente, probabilistische Modelle und Algorithmen zur Untersuchung interner Vorstellungen des Menschen über funktionale Zusammenhänge und Dynamiken unserer Umwelt. Dabei identifizieren wir relevante Elemente, die die Wahl geeigneter interner Modelle beim Menschen unterstützen, indem wir Monitor- und VR-basierte Experimente unter der Kontrolle der verfügbaren Informationen durchgeführt haben. Unsere Ergebnisse zeigen dabei, dass erstens, natürliche Interaktionen die Wahl geeigneter interner Modelle fördern. Das steht dabei im Einklang sowohl mit der Idee von embodied cognition als auch der, menschliches Verhalten als nahezu optimal mithilfe von probabilistischen Modellen zu beschreiben. Zweitens, dass menschliches Verhalten selbst mit Verzerrungen konsistent über Aufgaben hinweg bleiben kann und dadurch nicht nur die Bedeutung sondern auch die Allgemeingültigkeit von a priori Vorstellungen bei der Modellierung von Verhalten betont. Drittens, dass individuelle Kostenfunktionen zum Einen auch Kosten für die Aktionen selbst statt nur deren Ergebnis beachten sollten und zum Anderen einen wichtigen Beitrag zum Verständnis des Auftretens von suboptimalen Verhalten leisten. Dabei helfen die Ergebnisse einen besseren Einblick in die Mechanismen des Übergangs von falschen Schlussfolgerungen über physikalische Zusammenhänge in Experimenten und dem routinierten Meistern unseres Alltages zu erlangen. Künftige Untersuchungen könnten dabei noch stärker in Richtung möglicher Erklärungen für die zugrundeliegenden neuronalen Repräsentationen unserer komplexen Umwelt und Vernetzung verschiedener Wissensdomänen gehen, die die Grundlage für diese Leistungen bilden.