Energiebegrenzte Bayessche Aktualisierung: Ein effektives Modell des ressourcenabhängigen Glaubens

Die Bayessche Inferenz bietet einen normativen Rahmen für die Aktualisierung von Überzeugungen, abstrahiert jedoch in Standardformulierungen von den Ressourcen-Kosten der Implementierung. Warum führt dasselbe Beweismaterial unter verschiedenen kognitiven Lasten, Zeitdruck oder Motivationszuständen systematisch zu unterschiedlichen Überzeugungsrevisionen? Dieses Papier schlägt ein eingeschränktes rechnerisches Modell der Überzeugungsaktualisierung unter Ressourcenbeschränkungen vor, das auf der Theorie der Energieeffizienz (EET) basiert. Wir führen ein latentes Ressourcenverhältnis η = E˙ resp/E˙ main ein, wobei E˙ resp die allocationsbezogene Zuweisung (Verarbeitung von Beweisen und Erzeugung von Veränderungen) und E˙ main die erhaltungsbezogene Zuweisung (Stabilisierung aktueller Repräsentationen) bezeichnet. In einem eingeschränkten variationalen Rahmen ergibt sich dadurch eine effektive Posterior-Verteilung q(H) ∝ p(E | H) λp0(H), wobei die Lernrate durch die feste Zuordnung λ = η/(1 +η) gegeben ist. Die Standard-Bayessche Aktualisierung wird als Grenzfall wiederhergestellt. Der Rahmen unterscheidet ferner zwischen parametrischer Aktualisierung innerhalb einer festen darstellenden Struktur und struktureller Revision des Hypothesenraums selbst, modelliert als ein Barrierenüberwindungsprozess, der durch einen effektiven Widerstand Eb gesteuert wird. Wir leiten modell-diskriminative Vorhersagen ab und skizzieren eine Messperspektive, in der die latenten Variablen durch multiple physiologische und verhaltensbezogene Proxys eingeschränkt werden. Dieses Papier bietet eine eingeschränkte, testbare formale Darstellung der Dynamik des Glaubens unter Ressourcenbeschränkungen.