Eine niedrigdimensionale Approximation optimaler Sicherheit

Menschliche Entscheidungsfindung wird von einem Gefühl der Sicherheit begleitet. Gemäß der Bayesschen Entscheidungstheorie spiegelt Sicherheit die erlernte Wahrscheinlichkeit wider, eine korrekte Antwort zu geben, basierend auf verfügbaren Daten (z. B. angesammelte Stimulusbeweise und Reaktionszeit). Obwohl optimal ist es rechnerisch unpraktikabel, diese Wahrscheinlichkeiten für alle möglichen Datenkombinationen unabhängig zu erlernen. Hier beschreiben wir ein neuartiges Modell der Sicherheit, das eine niedrigdimensionale Approximation dieser optimalen, aber unpraktikablen Lösung implementiert. Dieses Modell ermöglicht eine effiziente Schätzung der Sicherheit und berücksichtigt gleichzeitig Besonderheiten, verschiedene Arten von Verzerrungen und Abweichungen von der optimalen korrekten Wahrscheinlichkeit. Unser Modell trennt Sicherheitsverzerrungen, die aus der Einschätzung der Zuverlässigkeit der Beweise durch Individuen resultieren (erfasst durch Parameter α), von Sicherheitsverzerrungen, die durch allgemeine, stimulusunabhängige Unter- und Übersicherheit verursacht werden (erfasst durch Parameter β). Wir liefern empirische Belege, dass dieses Modell sowohl Wahlentscheidungsdaten (Genauigkeit, Reaktionszeit) als auch vertrauensbasierte Bewertungen von Versuch zu Versuch gleichzeitig genau abbildet. Schließlich testen und validieren wir empirisch zwei neuartige Vorhersagen des Modells, nämlich dass 1) Veränderungen der Sicherheit unabhängig von der Leistung sein können und 2) eine gezielte Manipulation jedes Parameters unseres Modells zu unterschiedlichen Mustern von Sicherheitsurteilen führt. Als handhabbare und flexible Erklärung der Berechnung von Sicherheit bietet unser Modell einen klaren Rahmen zur Interpretation und weiteren Aufklärung verschiedener Formen von Sicherheitsverzerrungen.