Instanzbasiertes Lernen in dynamischen Entscheidungsprozessen

Zusammenfassung Dieses Papier präsentiert eine Lern- theorie, die für dynamisches Entscheiden (DDM) relevant ist, genannt instanzbasiertes Lernen Theorie (IBLT). IBLT schlägt fünf Lernmechanismen im Kontext eines Entscheidungsprozesses vor: instanzbasiertes Wissen, erkennbasierte Abruf, adaptive Strategien, notwendigkeitsbasierte Wahl und Feedback-Updates. IBLT schlägt im DDM vor, dass Menschen mit der Ansammlung und Verfeinerung von Instanzen lernen, die die Entscheidungssituation, Aktion und den Nutzen von Entscheidungen enthalten. Während Entscheidungsträger mit einer dynamischen Aufgabe interagieren, erkennen sie eine Situation gemäß ihrer Ähnlichkeit zu vergangenen Instanzen, passen ihre Urteilstrategien von heuristikbasiert zu instanzbasiert an und verfeinern das angesammelte Wissen gemäß dem Feedback zu den Ergebnissen ihrer Handlungen. Die Lernmechanismen der IBLT wurden in einem ACT-R kognitiven Modell implementiert. Durch eine Reihe von Experimenten zeigt dieses Papier, wie die Lernmechanismen der IBLT eng die relative Trendstärke und Leistung von menschlichen Daten annähern. Obwohl das kognitive Modell im Kontext einer dynamischen Aufgabe begrenzt ist, ist die IBLT eine allgemeine Theorie des Entscheidens, die auf andere dynamische Umgebungen anwendbar ist.