Einleitung
Warum treffen Menschen die Entscheidungen, die sie treffen? Diese grundlegende Frage beschäftigt Forscher in Psychologie, Wirtschaftswissenschaften und Neurowissenschaften seit langem. Traditionelle Ansätze stützen sich oft auf die Beobachtung von Entscheidungen in kontrollierten Experimenten und die Ableitung zugrunde liegender Entscheidungsprozesse durch mathematische Modelle. Diese Methoden können jedoch nur erfassen, was Menschen tun, nicht warum sie es tun. Ein Forscherteam des Center Synergy of Systems (SynoSys) der TU Dresden, des Max-Planck-Instituts für Bildungsforschung und der Universität Basel hat nun einen neuartigen Ansatz entwickelt, der beobachtete Entscheidungen mit eigenen Beschreibungen der Teilnehmer über ihre Entscheidungsprozesse kombiniert. Durch den Einsatz großer Sprachmodelle (LLMs) können sie Freitexterklärungen systematisch analysieren, um die Gründe hinter menschlichen Entscheidungen in beispielloser Detailtiefe aufzudecken. Ihre Ergebnisse wurden in den Proceedings of the National Academy of Sciences veröffentlicht.
Erklärungen in Daten verwandeln
Der Hauptautor Dr. Kamil Fuławka, Forscher am SynoSys, erklärt: „Unser Verständnis menschlichen Verhaltens, einschließlich der Entscheidungsfindung, kann vertieft werden, indem man Menschen bittet, ihre Gedankengänge näher zu erläutern. Die systematische Analyse solcher Freitextdaten erfordert jedoch skalierbare und rigorose Analyseinstrumente – ein Unterfangen, das nun durch LLMs unterstützt werden kann.“ In ihrem Experiment nahmen die Teilnehmer an einer Glücksspielaufgabe teil und wurden gebeten, jede Entscheidung in eigenen Worten zu erklären. Um diese Erklärungen zu analysieren, griffen die Forscher auf bestehende Theorien und Modelle der Entscheidungsfindung zurück und entwickelten eine umfangreiche Liste möglicher Entscheidungsgründe, wie z. B. die Konzentration auf das bestmögliche Ergebnis oder die Vermeidung eines großen Verlusts. Große Sprachmodelle identifizierten dann, welche dieser Gründe in den Freitexterklärungen der Teilnehmer vorkamen, während die mathematische Modellierung der Entscheidungen der Teilnehmer eine Validierung ermöglichte.
Wie die Studie ablief
Die Studie umfasste ein kontrolliertes Glücksspielexperiment, bei dem die Teilnehmer eine Reihe von Entscheidungen zwischen riskanten Optionen trafen. Nach jeder Entscheidung gaben sie eine kurze Erklärung ihrer Überlegungen ein. Die Forscher erstellten eine umfassende Liste potenzieller Entscheidungsgründe auf der Grundlage etablierter Entscheidungstheorien, darunter:
- Maximierung des Erwartungswerts
- Minimierung potenzieller Verluste
- Suche nach der höchstmöglichen Auszahlung
- Vermeidung des schlechtesten Ergebnisses
- Befolgung einer einfachen Heuristik wie „Wähle die Option mit der höheren Gewinnwahrscheinlichkeit“
Mithilfe eines großen Sprachmodells klassifizierten sie automatisch jede Freitextantwort, um festzustellen, welche Gründe vorhanden waren. Um die Genauigkeit zu gewährleisten, wurden die Klassifikationen des LLMs mit menschlichen Bewertern kreuzvalidiert und mit mathematischen Modellen verglichen, die Entscheidungen auf der Grundlage der identifizierten Gründe vorhersagten. Dieser Multi-Methoden-Ansatz ermöglichte es dem Team, sowohl die von den Teilnehmern genannten Gründe zu entdecken als auch zu überprüfen, ob diese Gründe tatsächlich ihre Entscheidungen bestimmen.
Entscheidungsgründe variieren je nach Kontext
Die Kombination aus verbalen Berichten, LLMs und rigoroser mathematischer Modellierung zeigte deutlich, dass die eigenen Einsichten der Menschen eine wertvolle Datenquelle sind. Es zeigte auch, dass die Gründe, auf die sich Menschen stützen, nicht festgelegt sind, sondern sich systematisch mit der Struktur des Entscheidungsproblems verschieben. Wenn beispielsweise die potenziellen Verluste groß waren, erwähnten die Teilnehmer häufiger die Verlustvermeidung; wenn die potenziellen Gewinne hoch waren, konzentrierten sie sich auf die Gewinnmaximierung. Diese Kontextabhängigkeit stellt traditionelle Modelle in Frage, die von stabilen Präferenzen oder festen Entscheidungsstrategien ausgehen.
„Viele wichtige Entscheidungen – von Finanzinvestitionen bis hin zu medizinischen Entscheidungen – beinhalten die Abwägung von Risiken und Nutzen“, sagt Dr. Fuławka. „Unsere Methode zeigt, dass Menschen ihre Argumentation an die spezifische Situation anpassen, was Auswirkungen auf die Vorhersage von Verhalten und die Gestaltung von Interventionen hat.“
Implikationen für die Verhaltenswissenschaft
Diese Forschung eröffnet neue Wege zur Untersuchung menschlichen Verhaltens. Durch die Integration von Freitextdaten mit LLMs können Wissenschaftler nun auf die reichhaltigen, qualitativen Informationen zugreifen, die Teilnehmer auf natürliche Weise liefern, ohne die Einschränkungen vordefinierter Umfragefragen. Der Ansatz ist skalierbar und ermöglicht die schnelle und konsistente Analyse Tausender Antworten. Darüber hinaus bietet er eine Brücke zwischen qualitativen und quantitativen Methoden und liefert ein vollständigeres Bild der Entscheidungsfindung.
Die Studie unterstreicht auch das Potenzial von LLMs als Werkzeuge für die Verhaltensforschung. Obwohl LLMs oft dafür kritisiert werden, dass ihnen echtes Verständnis fehlt, dienen sie hier als leistungsstarke Mustererkennungsmaschinen, die Entscheidungsgründe im Text zuverlässig erkennen können. Die Forscher betonen, dass die Klassifikationen des LLMs gegen menschliche Urteile und mathematische Modelle validiert wurden, was die Zuverlässigkeit gewährleistet.
Zukünftige Richtungen
Das Team plant, seine Methode auf andere Bereiche anzuwenden, wie z. B. Konsumentscheidungen, politische Entscheidungsfindung und Gesundheitsverhalten. Sie wollen auch die Liste der Entscheidungsgründe verfeinern und untersuchen, wie individuelle Unterschiede (z. B. Alter, kognitive Fähigkeiten) die von Menschen verwendeten Gründe beeinflussen. Letztendlich könnte diese Arbeit zu genaueren Modellen menschlicher Entscheidungen führen, die sowohl Verhaltensdaten als auch selbstberichtete Überlegungen einbeziehen.
Da sich LLMs weiter verbessern, wird ihre Fähigkeit, komplexe menschliche Sprache zu analysieren, nur noch zunehmen. Diese Studie demonstriert eine praktische Anwendung, die den Reichtum der menschlichen Selbstbeobachtung respektiert und gleichzeitig wissenschaftliche Strenge wahrt. Die verborgenen Gründe hinter unseren Entscheidungen sind vielleicht bald nicht mehr so verborgen.
Dieser Artikel basiert auf einer Berichterstattung von Phys.org. Lesen Sie den Originalartikel.
Originally published on phys.org
