Selbstnutzdistanz als rechnerischer Ansatz zur Verständnis der Klarheit des Selbstkonzepts

Die Stabilität und Kohäsion des Selbstkonzepts sind entscheidend für das psychologische Funktionieren und das Wohlbefinden, doch die Mechanismen, die diesen fundamentalen Aspekt der menschlichen Kognition zugrunde liegen, sind noch unzureichend erforscht. Durch die Integration von Erkenntnissen aus der Kognitions- und Persönlichkeitspsychologie mit dem Reinforcement Learning führen wir die Selbst-Nutzdistanz (SUD) ein – ein Maß zur Quantifizierung der Unterschiede zwischen den Attributen des Selbstkonzepts von Individuen und ihrem erwarteten Nutzenwert. In Studie 1 (n = 155) gaben die Teilnehmenden Selbst- und erwartete Nutzenbewertungen mithilfe eines Satzes vordefinierter Adjektive ab. SUD zeigte eine signifikante negative Beziehung zur Klarheit des Selbstkonzepts, die auch nach Berücksichtigung des Selbstwerts der Individuen Bestand hatte. In Studie 2 (n = 323) fanden wir, dass SUD eine inkrementelle prädiktive Genauigkeit gegenüber den Diskrepanzen zwischen Ideal-Selbst und Soll-Selbst in der Vorhersage der Klarheit des Selbstkonzepts bietet. In Studie 3 (n = 85) untersuchten wir die mechanistischen Prinzipien, die der Selbst-Nutzdistanz zugrunde liegen. Die Teilnehmenden führten eine soziale Lernaufgabe durch, bei der sie über die Nützlichkeit von Eigenschaften einer Referenzgruppe lernten. Wir formalisierten verschiedene rechnerische Modelle, um die Strategien zu untersuchen, die Individuen nutzen, um Schätzungen der Eigenschaftsnützlichkeit als Reaktion auf umweltbedingte Rückmeldungen anzupassen. Durch hierarchische bayesianische Inferenz fanden wir Hinweise darauf, dass die Teilnehmenden ihr Selbstkonzept nutzten, um das Lernen der Eigenschaftsnützlichkeit zu modulieren, und so effektiv die Maximierung der Selbst-Nutzdistanz vermieden. Unsere Ergebnisse geben Einblicke in die Dynamik des Selbstkonzepts, die helfen könnten, die Aufrechterhaltung adaptiver und maladaptiver Merkmale zu verstehen.