|
版权所有©2001作者。由韧性联盟授权在此发布。
以下是引用这篇文章的既定格式:
安德里斯，2001。G. Gigerenzer, P. M. Todd和ABC研究小组，2001。简单的启发式让我们变得聪明。牛津大学出版社，英国牛津。保护生态5(2): 4。(在线)的URL: http://www.consecol.org/vol5/iss2/art4/
书评G. Gigerenzer, P. M. Todd和ABC研究小组，2000。简单的启发式让我们变得聪明。牛津大学出版社，英国牛津。j·马蒂Anderies
CSIRO
出版日期:2001年10月29日
当我看到Gigerenzer等人(2000)的书名时，简单的启发式让我们变得聪明，我觉得“太棒了!这本书将讲述如何构建简单的启发式，以便在复杂的环境中做出良好的决策。”我也认为这样的书会很有用保护生态观众。当我发现这不是这本书的内容时，我的兴奋消退了。相反，它关注的是将行为建模为无限理性或有限理性的科学方法之间的矛盾。
读完第一章后，我的兴奋程度还是相当高的。当然，更好地理解人们如何思考和做决定对于整合科学和基础政策研究很重要。这本书的开头是这样的:“这本书是一种邀请，让你参与一段旅程，进入一个基本上未知的领域……进入一个理性的土地，不同于我们从认知科学和经济学的许多故事中了解到的熟悉的土地... .”。这是一段漫长的旅程，大约365页，字体相对较小。
第一章确定了本书的主题:作者(18位)不相信人类拥有认知科学和经济学中人类认知和决策过程模型中假设的无限计算能力。作者提出“……人类的许多推理和决策都可以通过快速和简单的启发式来模拟，这种启发式在有限的时间和知识下进行推理。”接下来的13章在不同的背景下支持这一观点，包括二元选择、分类、配偶选择和亲代投资。
我赞同这本书的基本主题。然而，正如作者所指出的那样，“无限理性的支持者普遍承认，他们的模型假设了不切实际的心智能力，但仍然辩称，人类的行为似乎是无限理性的。”事实上，如果目的是了解动物的行为，特别是那些在选择压力下的行为，这样的观点是相当合理的。如果进化可以制造出如此复杂的物理标本，它肯定可以解决一些相当复杂的优化问题，也就是说，它可以执行一些非常复杂的计算，并将它们硬连接到生物体的大脑和身体。当然，这种优化过程会受到历史偶发事件和生物构造的物理限制的影响。在这些物理和历史的约束下，对这一优化过程的研究形成了行为生态学的基础。
然而，作者感兴趣的不仅仅是解释行为。他们指出，“无限理性的最大弱点是它不能描述真实的人的思维方式。”行为(可能是无意识的)和有意识的思考和决策之间的区别是很明显的。作者认为，在许多情况下，人们使用(非常简单的)启发式来思考和做决定。为了说明这一点，本书大部分篇幅使用的方法是比较基于一组“线索”来预测“标准”的简单方法和复杂方法，例如，预测两个德国城市中哪一个拥有更高的人口，基于诸如一个城市是否为国家首都、是否在大联盟中有足球队、是否有大学等线索。使用单个线索和指示何时停止查找线索(收集信息)并做出决定的“停止规则”的启发式的性能与使用所有线索并在它们之间“集成”的方法(如多重回归)的性能进行了比较。不同的方法在“节俭”(使用尽可能少的线索)和准确性的基础上进行比较。
本书中使用的一个启发式例子是“极简主义者”(the minimal)，它查找线索，直到找到一个能区分两个样本的线索，然后做出决定。它从识别提示开始。如果极简主义者只认得一个城市，而不认得另一个，它就会预测它认得的那个城市人口更多。如果它认出了两个城市，它就会继续下一个线索(例如，一个城市是国家首都吗?)据预测，首都城市的人口将比非首都城市多。
在许多情况下，启发式的效果几乎和更复杂的算法一样好，比如仅根据是否认识股票名称来为投资组合选择股票。在书中的例子中，启发式的表现令人印象深刻。然而，我们很容易理解启发式算法与更复杂的算法相比的良好情况:
1)该任务是预测两个样本中哪一个在某些标准上得分更高，而不是预测实际得分(即粗粒度预测)。
2)其中一两个线索具有较强的预测价值(或者用书的语言来说是较强的“生态合理性”)。
3)线索高度相关。
当我读到第三章中“识别”启发式被用来选股时，我明白了这一点。一个公司的名字被认可的事实带来了很多信息，也就是说，它与其他线索高度相关(例如，广告支出，市场份额，等等)。在第2-5章所举的所有例子中，我一直在思考这些启发式能很好地发挥作用的情况。
在第4章中，作者探讨了“取最佳”(TTB)，这是一种启发式方法，试图使用有效性最高的线索来预测两个样本中哪一个得分更高。当被问及两个城市中哪一个人口更多时，它在多元回归中表现得相当好，这并不令人惊讶。请注意，在预测实际人口时，“取其精华”并未进行多元回归测试。
在第6章中，作者讨论了简单启发式有效的条件:我之前提到的三点。他们证实了我的直觉，即启发式的有效性取决于环境，也就是说，线索的性质。他们用一个简单的数学公式把结果加起来。假设我们得到了线索的有序集合(根据它们的预测能力)，C1，C2,……Cn．线索是
结果是:“取其精华”的表现相当于一个线性回归模型的非补偿性线索。违反条件(1)越多，启发式性能越差。
第7章和第8章更多地关注于决策的心理学，而不是特定启发式的表现，即试图理解人们何时使用启发式，并将启发式与另一种决策模型贝叶斯网络进行比较。我从这些章节中总结出两点信息，即:(1)越是时间紧迫的人，越会使用启发式;(2)一般化后，启发式算法的性能退化程度不像贝叶斯网络那样严重。
人们在时间紧迫的情况下使用启发式的观点似乎破坏了书中关于人们不使用复杂算法解决问题的主张。第7章指出，人们思考的时间越多，他们就越试图理解相关性，整合各种线索，并使用其他复杂的决策算法。事实上，作者引用的一项研究表明，“那些必须更频繁地为自己的决策负责的参与者选择的策略需要付出相当大的努力，但做出正确决策的可能性更高。”在第7章的末尾，作者指出:“即使人们使用了大量的信息并将其整合，他们似乎只使用了简单的认知操作。”这一章未能说服我，在更复杂的认知过程和启发式之间存在着有意义的分离。
第8章强调了启发式的一个优点:它们比更复杂的算法更不容易受到过拟合的影响。当贝叶斯网络在一个相关性强于它所提取的总体的子总体上进行训练时，它就会成为这种问题的牺牲品。这篇文章的写作方式表明，这个结果应该是令人惊讶的。正如他们所说，“就像‘取最优’所采用的简单的单一原因决策，几乎和计算成本高昂的贝叶斯网络一样准确。”注意，贝叶斯网络在大多数情况下确实比TTB做得好，但差不了多少。我不相信这不是预测的复杂性与用于预测的算法的复杂性(或成本)不匹配的结果。
第9-14章关注比二元选择更复杂的决策过程，即记忆、估计和分类、从动作推断意图、配偶选择和亲代投资。第九章探讨了“事后偏误”(在事实发生后错误地相信一个人可以预测事件结果的倾向)可能是记忆更新和推断的启发式的副产品，而不是人类信息处理的错误。第10章开发了一个启发式的城市人口估计，利用j型潜在分布的性质。第11章比较了一种启发式的消去分类法和更复杂的算法，包括神经网络。每一章都提供了与现有文献的良好连接，允许将任务放在上下文中。
第12章比较了“消除分类”(CBE)启启式和更复杂的算法的性能，包括一个神经网络，根据计算机模拟的两个bug的运动线索(相对距离、相对角度、相对航向、绝对速度、相对速度、绝对涡度和相对涡度)对意图(追逐、逃避、战斗、追求、被追求和玩耍)进行分类。这里让我震惊的是，神经网络和CBE之间的性能差异比其他情况更明显。讨论的重点是CBE如何做到几乎与其他两种线性整合策略一样好:Dawe的规则是简单地将线索值相加，Franklin的规则是基于数据(训练集)的加权和，信息较少。我会发现一个关于为什么神经网络在这种情况下做得更好的讨论非常有趣，例如，这个例子中的环境是什么提高了神经网络的性能?
第13章和第14章对生物学文献中流行的主题:配偶选择和亲代投资进行了启发式分析。在第13章中，TTB的一个变体与配偶选择的简单模型的最优规则进行了较量。最优规则保证了选出最佳候选人的最高机会。如果你感兴趣的不是挑选最好的，而是在前25%的候选人中，启发式的效果很好。与前面的例子一样，对于粗粒度的预测，启发式执行得很好。在第十四章中，讨论了六个简单的启发喂养小鸡。然后将这些简单的启发式方法中的最佳方法与三种约束优化模型进行比较。根据作者的说法，简单的启发式优于所有三种优化模型。由于与启发式比较的优化模型有些特别，这一结果的重要性被削弱了。
最后两章试图将书中发展的所有思路整合在一起。第15章，标题为“人工智能、行为生态学和经济学中的魔鬼与启发式”，探讨了启发式在理解这些领域中的行为方面可能发挥的作用。这部分最吸引我的是对动物理性的讨论。作者讨论了觅食理论中的优化技术以及实际行为与“最优”的偏差。作者指出:“如果行为生态学家一直意识到约束(导致与实际行为的偏差)，他们在试图解释行为时并不总是考虑到这些约束。”总的来说，我对这种说法的准确性表示怀疑。根据我在行为生态学中随机动态规划模型的经验，仔细讨论约束及其对行为解释的影响是建模过程中必不可少的部分。
作者继续指出，在优化模型中包含约束条件，这与“令人满意”等有限理性的“真正”模型不符。在后一种情况下，假设有机体不处于优化状态，而是试图达到一个最小阈值。除此之外的任何改进都相对不重要。启发式和约束优化分离的重要性被夸大了。首先，改变目标函数以包含阈值是很简单的(例如，经济学中的Stone-Geary效用函数)，从而在优化框架中捕获类似于满足的行为。其次，启发式本身很可能是给定问题的最优解。我看不出在这里做出如此强烈区分的价值或重要性。事实上，作者后来指出，“一个有希望的解释是，渴望水平和经验法则本身是进化选择的结果。”正如我之前关于行为生态学的评论，启发式可能是在生理约束和历史偶发条件下优化问题的(近似)解决方案。
总之，尽管这本书提供了一些关于决策过程的有趣讨论，但它太长了。我们探索了太多具有相同基本结构的例子，例如，在特定的环境中，目标是某些标准的粗粒度估计，启发式可能是有效的。在我看来，这似乎是信息价值与获取成本之间权衡的一个简单例子。没有例子表明启发式的表现很差。这些例子与概率和统计中完善的标准符号无关，例如，这些例子是关于在给定一组自变量的情况下预测随机变量的。模型中附加的自变量的预测能力的增强将取决于这些变量之间的相关性。这是众所周知的。一种更直接的方法来调查启发式在什么情况下在发达的理论背景下表现良好，将比书中的方法更有启发性:展示了几个启发式在令人惊讶和反直觉的情况下表现良好的例子。最后，作者过多地区分了启发式和约束优化。我不相信启发式为人类(或动物)行为提供了比其他更复杂的模型(如贝叶斯网络或约束优化)更好的模型。 I was left to believe that people may apply a range of decision processes (including complex ones that integrate cues) to different problems in different environments. Whether we are conscious that we used a more complex decision rule, perhaps one hard-wired by natural selection, is another story. I expect that few保护生态读者会发现这本书对他们的研究很有用。那些对行为生态学、人类社会生物学或心理学感兴趣的人可能会对书中提出的观点感兴趣。
Gigerenzer, G. P. M. Todd和ABC[适应行为和认知]研究小组，2000。简单的启发式让我们变得聪明。牛津大学出版社，英国牛津。416页，平装本，19.95美元。ISBN 0195143817。
欢迎对本文进行回复。如果被接受发表，您的回复将被超链接到文章。要提交评论，请关注这个链接．要阅读已接受的评论，请关注这个链接．
我要感谢一位匿名的推荐人，他的评论大大改进了这篇书评。
G. Gigerenzer, P. M. Todd和ABC研究集团。2000.简单的启发式让我们变得聪明。牛津大学出版社，英国牛津。
记者的地址:
j·马蒂Anderies
GPO箱284
堪培拉,法案2601
澳大利亚
电话:+61 2 6242 1662
传真:+61 2 6242 1565
m.anderies@cse.csiro.au
