本文的目的是提供一个新的框架,以理解行动,优化和选择时,将其应用于经济理论。通过借鉴称为变分的自由能原理的概念,本文将探讨该原理如何通过重新形成代理的优化方式来调节理性选择理论。这种方法将导致代理行为涵盖了广泛的所谓认知偏见,如行为经济学的科学文献所示,但没有将这些偏见作为市场不合理或市场失败的进一步指示,而是这些偏见也会限制这些偏见可以证明这些偏见可以告知这些偏见的局限性或危险。因此,本文提供了一种“道路中间”方法,在这种方法中,新古典主义者不如理性选择理论所假设的那样“理性”,但同时,不像行为经济学那样不理性。
摘要:人工智能的引入改善了几乎每个部门、行业和人类生活各个部分的运作。人工智能的使用在司法部、组织招聘、警察面部识别和学校招生中至关重要。在各个领域引入人工智能算法的目的是减少决策中的人为偏见。尽管取得了进展,但人们担心人工智能算法也存在偏见。这种说法背后的主要原因是人类开发人员负责算法使用的训练数据。有些领域中的偏见问题直接影响人类生活,并可能对人造成身体或情感上的伤害。一些例子是大学录取、招聘、法院的司法管理、公共福利系统、警察、公共安全和医疗保健。在上述任何领域中,开发过程很有可能有意或无意地在人工智能算法中引入偏见。本文提供了有关人工智能偏见的背景知识以及解决问题的可能解决方案。
摘要 13 14 预期结果以“巴甫洛夫”的方式影响行为:奖励前景激发行动,而惩罚前景抑制行动。理论认为,巴甫洛夫偏见是陌生或无法控制的环境中整体行动的“先验”。然而,这种解释无法解释这些偏见的强度——即使在熟悉的环境中也会导致频繁的行动失误。我们认为,如果通过工具控制灵活地运用巴甫洛夫控制,它会更加有用。19 具体而言,工具行动计划可能会塑造对奖励/惩罚信息的选择性注意,从而影响巴甫洛夫控制的输入。在两个眼动追踪样本(N = 35/64)中,我们观察到 Go/NoGo 行动计划影响参与者关注奖励/惩罚信息的时间和时长,这反过来又以巴甫洛夫的方式影响他们的反应。23 注意力效应更强的参与者表现更高。因此,人类似乎将巴甫洛夫控制与其工具性行动计划结合起来,将其作用从行动默认值扩展到确保稳健行动执行的有力工具。 关键词:巴甫洛夫偏见;强化学习,眼动追踪;行动准备;注意力 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
HAL 是一个多学科开放存取档案库,用于存放和传播科学研究文献,无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构,也可能来自公共或私人研究中心。
乐观偏见,即预期未来结果比不良结果更理想,也适用于我们喜欢或钦佩的人。然而,大脑如何产生这种社会乐观偏见仍不得而知。在这项研究中,受访者估计了一个内群体和三个外群体(热情无能、冷漠无能和冷漠无能)未来理想和不良结果的可能性。我们发现内群体和热情外群体存在强烈的社会乐观偏见,而冷漠无能外群体则呈现相反的模式。对于所有群体,社会乐观偏见的分数与受访者根据目标社会群体不同而参与的大脑结构活动相关。根据我们的假设,评估内群体会调动腹内侧前额叶皮质和楔前叶/后扣带皮层,而评估热情外群体会调动后岛叶、中扣带皮层和体感皮层。这些发现表明,尽管行为模式相似,但这些群体的社会乐观偏见的潜在认知机制却不同。考虑寒冷的外群体会激活右前颞叶和颞顶交界处。评估不耐寒的外群体还会激活前岛叶、下额叶皮层和背内侧额叶皮层。我们讨论了这些神经影像学发现及其假定的认知功能。
大生物多样性数据集具有较大的分类,地理和时间范围,具有监测和研究的巨大潜力。此类数据集对于评估物种种群和分布的时间变化尤为重要。可用数据中的差距,尤其是空间和时间差距,通常意味着数据不能代表目标人群。这阻碍了大规模推论,例如关于物种的趋势,并可能导致放错了保护作用。在这里,我们概念化了生物多样性监视数据的差距是缺少的数据问题,该数据为不同类型的生物学数据集的挑战和潜在解决方案提供了一个统一的框架。我们将典型的数据差距类型表征为不同类别的缺少数据类别,然后使用丢失的数据理论来探讨有关物种趋势和影响事件/丰富性的因素的含义。通过使用此框架,我们表明,当影响采样和/或数据可用性与影响物种的因素重叠时,可能会由于数据差距而产生的偏差。,但数据集本身没有偏见。结果取决于生态问题和统计方法,该方法确定了围绕哪些变异来源考虑的选择。我们认为,使用监视数据进行长期物种趋势建模的典型方法特别容易受到数据差距的影响,因为这种模型不倾向于说明驱动缺失的因素。为了确定解决此问题的一般解决方案,我们回顾了实证研究并使用仿真研究来比较一些最常使用的方法来处理数据差距,包括亚采样,加权和插补。所有这些方法具有减少偏差的潜力,但可能以增加参数估计的不确定性成本。加权技术可以说是迄今为止生态学中最不使用的,并且具有减少参数估计的偏差和方差的潜力。无论方法如何,降低偏见的能力都取决于对数据差距的知识和数据的可用性。在处理数据收集和分析工作流的不同阶段的数据差距时,我们使用此评论概述了必要的考虑。
©2024作者。开放访问。本文获得了创意共享归因及其商业商业期4.0国际许可证的许可,该许可允许以任何中等或格式的任何非商业用途,共享,分发和复制,只要您与原始作者提供适当的信誉,并为原始的许可证提供了链接,并符合您的创造地点的链接,并指明您的授权材料。您没有根据本许可证的许可来共享本文或部分内容的适用材料。本文中的图像或其他第三方材料包含在文章的创意共享许可中,除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料,并且您的预期用途不受法定法规的允许或超过允许的用途,则您需要直接从版权所有者那里获得许可。要查看此许可证的副本,请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。
大生物多样性数据集具有较大的分类,地理和时间范围,具有监测和研究的巨大潜力。此类数据集对于评估物种种群和分布的时间变化尤为重要。可用数据中的差距,尤其是空间和时间差距,通常意味着数据不能代表目标人群。这阻碍了大规模推论,例如关于物种的趋势,并可能导致放错了保护作用。在这里,我们概念化了生物多样性监视数据的差距是缺少的数据问题,该数据为不同类型的生物学数据集的挑战和潜在解决方案提供了一个统一的框架。我们将典型的数据差距类型表征为不同类别的缺少数据类别,然后使用丢失的数据理论来探讨有关物种趋势和影响事件/丰富性的因素的含义。通过使用此框架,我们表明,当影响采样和/或数据可用性与影响物种的因素重叠时,可能会由于数据差距而产生的偏差。,但数据集本身没有偏见。结果取决于生态问题和统计方法,该方法确定了围绕哪些变异来源考虑的选择。我们认为,使用监视数据进行长期物种趋势建模的典型方法特别容易受到数据差距的影响,因为这种模型不倾向于说明驱动缺失的因素。为了确定解决此问题的一般解决方案,我们回顾了实证研究并使用仿真研究来比较一些最常使用的方法来处理数据差距,包括亚采样,加权和插补。所有这些方法具有减少偏差的潜力,但可能以增加参数估计的不确定性成本。加权技术可以说是迄今为止生态学中最不使用的,并且具有减少参数估计的偏差和方差的潜力。无论方法如何,降低偏见的能力都取决于对数据差距的知识和数据的可用性。在处理数据收集和分析工作流的不同阶段的数据差距时,我们使用此评论概述了必要的考虑。
在创意环节中,参与者在发散过程和收敛过程中都表现出认知偏差。在各种情况下,观察到发散过程依赖于或与 ChatGPT 给出的方向密切相关。尽管三组在创意方法上有所不同,并且各自决定在创意生成的早期阶段纳入或排除生成性 AI 工具,但他们的最终结果几乎倾向于同一方向:创建一个颜色编码的分隔空间,让专注、放松和协作可以共存。结果的细节再次相似或在多个情况下相同:使用舒适的座椅(在研讨会 1、2 和 3 期间建议 14 次)、窗帘(在研讨会 1 和 3 期间建议 3 次)、灵活的座椅(在研讨会 1 和 2 期间建议 13 次)和隔音(在研讨会 1、2 和 3 期间建议 13 次)。这些例子是特意选择作为例证的,因为它们在二人的 ChatGPT 对话中反复出现。
本文探讨了认知偏见对企业内战略决策和市场竞争力的普遍影响。认知偏见是与理性判断的系统偏差,严重影响了信息的感知和决策。这种偏见会扭曲战略计划和运营效率,从而导致次优的结果并降低市场竞争力。分析的重点是几种常见的认知偏见,包括自我服务的偏见,使个人责任偏差;基于初始信息影响财务预测和战略决策的锚定偏见;以及沉没的成本谬误,过去的投资不适当地影响了当前的决策,损害了替代方案,潜在的有利可图的途径。探索扩展到这些偏见如何误导市场分析和战略计划,尤其是在扩张和进入新市场时。通过全面的文献综述和定性分析,本文研究了商业环境中认知偏见的表现及其对市场竞争力的影响。认为,认识和减轻这些偏见对于旨在改善决策过程并保持动态市场中竞争优势的公司至关重要。讨论了缓解认知偏见的策略,包括培养一种批判性思维的文化,促进团队内的各种观点,以及通过制止和余额实施结构化的决策过程。认知偏见代表了与规范判断和理性决策的系统偏差。本文强调了战略规划中持续学习和适应性的必要性,以更加与市场现实保持一致并增强整体业务弹性。关键字:认知偏见,战略决策,市场竞争力,锚定偏见,沉没成本谬误,自我服务偏见,业务策略。引言本文深入研究了认知偏见对业务战略和市场竞争力的深刻影响。这些偏见塑造了个人如何看待和解释信息,通常会导致决定与客观理性不同的决定。因此,认知偏见会大大影响组织成果和在市场上的竞争定位。通过各种机制来表现出业务的认知偏见,每种机制都可能使理性的决策和战略计划脱轨。例如,自我服务的偏见使个人将成功归因于自己的努力和失败的外部因素。这些偏见会缩减客观评估和从商业活动中学习,可能阻碍组织的增长和适应(Bazerman&Moore,2009)。