DOI: https://doi.org/10.1016/j.socec.2025.102354
تاريخ النشر: 2025-03-11
المؤلف: Konstantinos Georgalos وآخرون
الموضوع الرئيسي: الأنظمة المعقدة واتخاذ القرار
نظرة عامة
تبحث هذه الورقة البحثية في تأثير تعقيد مهام القرار على سلوك الوكلاء الاستراتيجي، وخاصة في سياق التعب المعرفي. يتم تشغيل التعقيد كدالة لعدد النتائج في اليانصيب. من خلال استخدام تقنيات الاستدلال بايزي، يحدد المؤلفون ويقدرون نماذج صندوق الأدوات التكيفية للمعرفة بشكل كمي، ويقارنونها بدقة مع نماذج قائمة على التوقع تم تعديلها لتجنب التعقيد. تشير النتائج إلى أن الغالبية العظمى من الموضوعات تظهر أداءً أفضل مع نموذج صندوق الأدوات، سواء داخل العينة أو خارجها، مما يشير إلى أن الأفراد يلجأون إلى القواعد البسيطة عندما يواجهون تعقيدًا هائلًا في المهام.
تؤكد الخاتمة على ضرورة مراعاة التعقيد عند اختيار نماذج تفسيرية للسلوك الفردي. توضح الدراسة أن زيادة التعقيد تؤدي إلى التعب المعرفي في اتخاذ القرار، مما يدفع إلى الاعتماد على قواعد بسيطة. يتفوق نموذج صندوق الأدوات باستمرار على النماذج القائمة على التوقع، حتى عند الأخذ في الاعتبار تجنب التعقيد. يدعو المؤلفون إلى استخدام النمذجة الهرمية بايزي لتقدير النماذج الهيكلية لصنع القرار بكفاءة ويبرزون الحاجة إلى أبحاث مستقبلية لتوسيع نطاق مهام القرار لتتجاوز اليانصيب الثنائي. يقترحون أن يتم دمج عوامل مختلفة، مثل تنسيق الاحتمالات والنتائج، في دالة التعقيد لفهم تأثيراتها بشكل أفضل على عمليات اتخاذ القرار.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تحليلهم الاقتصادي باستخدام تقنيات بايزي الهرمية لتقدير المعلمات على مستوى الأفراد والمعلمات الفائقة على مستوى المجموعات. يقارنون النماذج داخل العينة وخارجها، مستخدمين عامل باي لعمليات المقارنة داخل العينة والاحتمالية المتوقعة لتقييمات خارج العينة. يتم نمذجة احتمال اختيار اليانصيب A باستخدام دالة ارتباط لوغاريتمية، مع تمثيل الاحتمالية العامة كتوزيع برنولي. يظهر نموذج صندوق الأدوات أداءً متفوقًا، حيث يصنف 56.3% من الموضوعات داخل العينة و60% خارج العينة، يليه متوسط التباين ونماذج أخرى.
توضح الأشكال توزيع أحجام صندوق الأدوات، مما يكشف أن معظم الموضوعات تستخدم 4 أو 5 قواعد بسيطة، متوافقة مع الأدبيات السابقة. تحدد التحليلات ثلاث قواعد بسيطة مهيمنة—Minimax (MINI)، Least Likely (LL)، وEqual Weight (EW)—التي تُفضل بسبب بساطتها وطبيعتها المتجنبة للمخاطر. على العكس، فإن قواعد Maximax (MAXI)، Equiprobable (EQUI)، وMost Likely (ML) تؤدي بشكل ضعيف. من الجدير بالذكر أن قاعدة الأولوية (PRIO) تظهر أداءً قويًا داخل العينة لكنها تنخفض بشكل كبير في التوقعات خارج العينة، مما يشير إلى تحول في الاستراتيجية مع تكيف الموضوعات مع مألوفية المهمة. تتماشى هذه النتيجة مع الأبحاث السابقة التي تشير إلى اتجاه نحو استراتيجيات أقل تطلبًا معرفيًا في اتخاذ القرار.
المناقشة
تؤكد قسم المناقشة في الورقة على التعقيد المتزايد في بيئات اتخاذ القرار، خاصة بسبب التقدم التكنولوجي والعولمة، مما يمكن أن يؤدي إلى التعب المعرفي بين المستهلكين. يظهر هذا التعقيد بأشكال مختلفة، مثل العديد من المنتجات المالية وخيارات الاستثمار، مما يؤدي غالبًا إلى ظهور تجنب التعقيد لدى الأفراد—تفضيل اليانصيب الأبسط مع نتائج أقل على الرغم من احتمال وجود تباين أعلى. وثقت الدراسات السابقة هذا السلوك، كاشفة أن جزءًا كبيرًا من الأفراد يتجنبون التعقيد، بينما قد يكون جزء أصغر محايدًا تجاه التعقيد أو حتى يحب التعقيد. من الجدير بالذكر أنه مع اكتساب الأفراد الخبرة، تميل نفورهم من التعقيد إلى التناقص، مما يشير إلى تحول نحو استراتيجيات اتخاذ القرار القائمة على القواعد البسيطة التي تبسط العبء المعرفي.
يقترح المؤلفون أن الاعتماد على القواعد البسيطة، أو القواعد البسيطة، يصبح أكثر وضوحًا مع زيادة تعقيد القرار، مما يؤدي إلى تفضيل نموذج صندوق الأدوات المعرفية على النماذج التقليدية القائمة على التوقع. تشير نتائجهم إلى أن نموذج صندوق الأدوات، الذي يسمح باختيار استراتيجيات تكيفية بناءً على بيئة القرار، يظهر قدرة وصفية وتوجيهية متفوقة مقارنة بالنماذج المنافسة التي تتضمن تجنب التعقيد. تدعو الورقة إلى أبحاث مستقبلية لتوسيع فهم التعقيد في اتخاذ القرار من خلال النظر في عوامل إضافية تتجاوز مجرد عدد البدائل، مثل تنسيق الاحتمالات والنتائج، واستكشاف مجموعة أوسع من مهام القرار لالتقاط الفروق الدقيقة في تأثير التعقيد على سلوك المخاطرة.
DOI: https://doi.org/10.1016/j.socec.2025.102354
Publication Date: 2025-03-11
Author(s): Konstantinos Georgalos et al.
Primary Topic: Complex Systems and Decision Making
Overview
This research paper investigates the impact of decision-task complexity on agents’ strategic behavior, particularly in the context of cognitive fatigue. Complexity is operationalized as a function of the number of outcomes in a lottery. By employing Bayesian inference techniques, the authors quantitatively specify and estimate adaptive toolbox models of cognition, rigorously comparing them against expectation-based models adjusted for complexity aversion. The findings indicate that a majority of subjects exhibit better performance with the toolbox model, both in-sample and out-of-sample, suggesting that individuals resort to heuristics when faced with overwhelming task complexity.
The conclusion emphasizes the necessity of considering complexity in selecting explanatory models for individual behavior. The study demonstrates that increased complexity leads to cognitive fatigue in decision-making, prompting a reliance on simpler heuristics. The toolbox model consistently outperforms expectation-based models, even when accounting for complexity aversion. The authors advocate for the use of Bayesian Hierarchical modeling to efficiently estimate structural models of decision-making and highlight the need for future research to broaden the scope of decision-tasks beyond binary lotteries. They suggest that various factors, such as the formatting of probabilities and outcomes, should be integrated into the complexity function to better understand its effects on decision-making processes.
Results
In this section, the authors present the results of their econometric analysis using Hierarchical Bayesian techniques to estimate individual-level parameters and group-level hyper-parameters. They compare models both in-sample and out-of-sample, utilizing the Bayes Factor for in-sample comparisons and predicted log-likelihood for out-of-sample assessments. The probability of choosing lottery A is modeled using a logit link function, with the overall likelihood represented as a Bernoulli distribution. The toolbox model demonstrates superior performance, classifying 56.3% of subjects in-sample and 60% out-of-sample, followed by the mean variance and other models.
Figures illustrate the distribution of toolbox sizes, revealing that most subjects utilize 4 or 5 heuristics, consistent with prior literature. The analysis identifies three dominant heuristics—Minimax (MINI), Least Likely (LL), and Equal Weight (EW)—which are favored for their simplicity and risk-averse nature. Conversely, the Maximax (MAXI), Equiprobable (EQUI), and Most Likely (ML) heuristics perform poorly. Notably, the Priority Heuristic (PRIO) shows strong in-sample performance but declines significantly in out-of-sample predictions, suggesting a shift in strategy as subjects adapt to task familiarity. This finding aligns with previous research indicating a trend towards less cognitively demanding strategies in decision-making.
Discussion
The discussion section of the paper emphasizes the growing complexity in decision-making environments, particularly due to technological advancements and globalization, which can lead to cognitive fatigue among consumers. This complexity manifests in various forms, such as numerous financial products and investment options, which often results in individuals exhibiting complexity aversion—preferring simpler lotteries with fewer outcomes despite potentially higher variance. Previous studies have documented this behavior, revealing that a significant portion of individuals are complexity-averse, while a smaller fraction may be complexity-neutral or even complexity-loving. Notably, as individuals gain experience, their aversion to complexity tends to diminish, suggesting a shift towards heuristic decision-making strategies that simplify the cognitive load.
The authors propose that the reliance on heuristics, or simple rules of thumb, becomes more pronounced as decision complexity increases, leading to a preference for a cognitive toolbox model over traditional expectation-based utility models. Their findings indicate that a toolbox model, which allows for adaptive strategy selection based on the decision environment, demonstrates superior descriptive and prescriptive capacity compared to competing models that incorporate complexity aversion. The paper calls for future research to broaden the understanding of complexity in decision-making by considering additional factors beyond merely the number of alternatives, such as the formatting of probabilities and outcomes, and to explore a wider range of decision tasks to fully capture the nuances of complexity’s impact on risk-taking behavior.