Pradedant nuo pagrindų, verta aiškiai pasakyti, kad šiandien DI gali generuoti teisingus ir statistiškai pagrįstus sprendimus daug greičiau nei žmogus.
Medicina, finansai, kortų žaidimai ar kasdieniai sprendimai vis dažniau remiasi algoritmais, kurie per kelias sekundes apdoroja duomenis, žmogui tam prireiktų valandų ar dienų.
Tyrimai rodo, kad DI rekomendacijos dažnai būna objektyviai tikslesnės už žmogaus nuojautą, tačiau vartotojai ne visada geba jas tinkamai įvertinti.
Žmonės kartais per daug pasikliauja klaidingais DI atsakymais ir tuo pat metu ignoruoja teisingus, nes negali patikimai atskirti, kuri rekomendacija yra kokybiška.
Žaidimuose tai ypač matoma, kai žaidėjai analizuoja savo partijas, žino „teisingą“ ėjimą, bet realioje situacijoje vis tiek renkasi pažįstamą, bet prastesnę liniją.
Tokiu atveju DI analizė tampa teorine žinių baze, o ne realų elgesį keičiančiu įrankiu, ir klaidos kartojasi net tada, kai jų vieta jau yra aiškiai žinoma.
Šiame straipsnyje nagrinėjama, kodėl taip nutinka, kaip formuojasi atotrūkis tarp žinojimo ir veikimo ir kodėl net tiksli DI analizė neapsaugo nuo pasikartojančių žmogiškų klaidų.
Kai sprendimai pateikiami, bet žmonės vis tiek pasikartoja: kur slypi problema?
Tai rodo, kad problema dažnai slypi ne informacijos trūkume, o tame, kaip žmonės ją priima ir įvertina.
Turėti prieigą prie teisingo sprendimo ir juo realiai vadovautis yra du skirtingi dalykai.
Tyrimai rodo, kad žmonės dažnai nesugeba patikimai atskirti, kuri DI rekomendacija yra teisinga, o kuri klaidinga, todėl kartais laikosi net prastų pasiūlymų.
Panašiai ir žaidimuose žaidėjai neretai laiko „teisingą“ ėjimą per daug rizikingu, o „saugų“ ėjimą pervertina vien todėl, kad jis atitinka jų ankstesnę patirtį.
Emocinė reakcija į praradimus ar sėkmingus atsitiktinius laimėjimus gali iškreipti sprendimą labiau nei bet kuri lentelė su tikimybėmis.
Tokiu atveju DI analizė konkuruoja ne su logika, o su įsisenėjusiais įpročiais ir asmeniniais pasakojimais apie tai, „kas man veikia“.
Kortų žaidimuose tai matoma, kai žaidėjai sąmoningai renkasi linijas, kurias DI vertina kaip nuostolingas, nes jos „jau kartą atnešė didelį banką“.
Pačios rekomendacijos jiems būna aiškios, tačiau įtampa prie stalo ir noras atkartoti emocinę patirtį nustumdo statistinį argumentą į antrą planą.
Dalis žaidėjų nuosekliai analizuoja savo rankas, seka teoriją ir teorijoje sutinka, kad algoritmas teisus.
Vis dėlto realioje dinamikoje jie remiasi intuicija, kuri labiau reaguoja į paskutinių sesijų baigtis nei į tūkstančių situacijų duomenis.
Šį skirtumą tarp supratimo ir taikymo iliustruoja ir tai, kaip naudojamos edukacinės platformos.
Net ir tokiose svetainėse kaip Pokeriukas lankytojai dažnai ieško konkrečių „triukų“, o ne nuoseklaus mąstymo modelio keitimo.
Gavę rekomendaciją jie pritaiko ją vienai izoliuotai situacijai, bet neperkelia į platesnį sprendimų kontekstą.
Tuomet, vos pasikeitus aplinkybėms, sugrįžtama prie senų schemų ir taip vėl atkuriama klaidų grandinė.
Analitiniai modeliai tokiu atveju veikia tarsi veidrodis, kuriame žmogus trumpam pamato savo žaidimo trūkumus, bet nepadaro struktūrinių korekcijų.
Dėl to atotrūkis tarp „žinau, kaip reikėtų žaisti“ ir „taip iš tikrųjų žaidžiu“ išlieka ir tampa pagrindiniu pasikartojančių klaidų šaltiniu.
Psichologinis pasipriešinimas: kodėl protingi patarimai lieka neišgirsti
Šį atotrūkį palaiko ne tik techninės žinios ar jų trūkumas, bet ir psichologinis pasipriešinimas pripažinti, kad dabartinis elgesys yra neefektyvus.
Net ir tada, kai DI analizė aiškiai parodo pelningesnę ar saugesnę strategiją, žmogus viduje gina savo ankstesnius sprendimus.
Vienas dažniausių mechanizmų yra patvirtinimo šališkumas, kai žaidėjas ar specialistas sąmoningai ar nesąmoningai renkasi tik tas įžvalgas, kurios palaiko jo jau turimą nuomonę.
Tokiu atveju priešingi, nors ir statistiškai teisingi, DI pasiūlymai atmetami kaip „išimtys“ ar „teoriškai teisingi, bet nepritaikomi praktikoje“.
Tai matyti ir žaidimuose, ir kasdienėse sprendimų situacijose, kur žmonės linkę prisiminti tuos atvejus, kai „pasielgė prieš taisykles ir vis tiek laimėjo“.
Tuo pat metu ignoruojami ilgo laikotarpio nuostoliai, kurie susidaro kartojant tą pačią rizikingą logiką.
Tyrimas apie DI sprendimus rodo, kad žmonės dažnai nesugeba atskirti teisingų ir klaidingų DI rekomendacijų, todėl arba jas pervertina, arba per daug nuvertina.
Praktiškai tai reiškia dvi kraštutines reakcijas į DI patarimus, ir abi didina klaidų pasikartojimo tikimybę.
Vienu atveju DI nuomonė laikoma neginčijama, net kai ji akivaizdžiai prieštarauja situacijos kontekstui.
Kitu atveju žmogus beveik automatiškai atmeta algoritmo pasiūlymą, jei jis nesutampa su vidine „nuojauta“.
Abiem atvejais prapuola kritinis vertinimas, kuris reikalingas norint realiai pakeisti elgesį.
Prie vidinio pasipriešinimo prisideda ir savivertė, ypač kai žmogus ilgą laiką laikė save „patyrusiu“ ar „stipriu“ tam tikroje srityje.
Tokiais atvejais pripažinti, kad DI sistema nuosekliai randa geresnius sprendimus, gali būti suvokiama kaip grėsmė savo kompetencijos vaizdui.
Dėl to patarimai formaliai priimami, bet realiame elgesyje atsiranda „maži kompromisai“, kurie grąžina prie ankstesnio sprendimo modelio.
Ši dinamika paaiškina, kodėl net aiškiai suprantant, kad algoritmas siūlo efektyvesnį kelią, elgesys dažnai išlieka toks pats ir klaidų grandinė nesutrūksta.
Klaidos vietos žinojimas: kuo DI ir žmogaus bendradarbiavimas skiriasi nuo automatinių sprendimų
Iš čia natūraliai pereinama prie klausimo, kada DI iš tikrųjų padeda nutraukti tą klaidų grandinę, o kada tik ją aprašo.
Moksliniai darbai su Didieji kalbiniai modeliai rodo, kad sistema dažnai nesugeba pati surasti loginės klaidos, bet gana tiksliai ją pataiso, jei žmogus nurodo konkrečią vietą.
Tokio tipo rezultatai atskleidžia, kad DI veikia efektyviai ne kaip visiškai autonomiškas sprendėjas, o kaip partneris, dirbantis su žmogaus pateiktu kontekstu.
Autonominis sprendimas reiškia, kad žaidėjas ar specialistas perkelia atsakomybę mašinai ir laukia galutinio verdikto be papildomų klausimų.
Bendradarbiavimas reiškia, kad žmogus formuluoja užduotį, tikslina, kur įtaria problemą, ir vertina gautą atsaką kritiškai.
Šis skirtumas ypač ryškus situacijose, kuriose yra daug tarpinių žingsnių, pavyzdžiui, ilgose kombinacijų grandinėse ar sudėtingose strategijų medžiuose.
Jei žmogus tik perduoda visą sprendimą algoritmui, jis neįgyja aiškesnio supratimo, kurioje vietoje pats linkęs klysti.
Tuo tarpu prašydamas įvertinti konkretų žingsnį ir nurodydamas savo svarstymus, jis kuria savotišką dialogą su sistema.
Toks dialogas leidžia tiksliau matyti, kuriame etape nuosekliai atsiranda klaidinga prielaida ar per didelė rizikos tolerancija.
Vėl pasikartojanti klaida tampa atpažįstamu modeliu, o ne pavieniu nesėkmingu bandymu.
Empiriniai tyrimai apie DI sprendimų priėmimą rodo, kad žmonėms apskritai sunku įvertinti, kada rekomendacija yra teisinga, o kada klaidinga, todėl jiems reikia aiškaus atgalinio ryšio.
Be refleksijos apie tai, kodėl sprendimas buvo pataisytas, DI pateikta korekcija lieka kaip izoliuota pastaba, kuri neperauga į bendresnį įgūdį.
Būtent čia atsiranda tarpdisciplininio bendradarbiavimo poreikis, jungiantis technologinį aiškinamumą ir psichologinį mokymosi procesą.
Psichologiniu požiūriu svarbu, kad žmogus pats įvardytų savo hipotezę, o DI ją patikrintų, o ne iš karto pateiktų paruoštą atsakymą.
Toks procesas mažina gynybiškumą, nes klaida labiau suvokiama kaip patikrinta prielaida, o ne kaip asmeninė nesėkmė.
Praktikoje tai gali reikšti, kad žaidėjas pirmiausia suformuluoja savo ėjimo logiką ir tik po to paprašo DI įvertinti atskirus sprendimo taškus.
Jei sistema nuosekliai rodo, kad klaida kyla toje pačioje schemoje, žmogui lengviau susieti abstrakčią rekomendaciją su konkrečiu elgesio pokyčiu.
Priešinga situacija, kai naudojami tik automatiniai sprendimai, iš esmės palaiko „juodos dėžės“ įspūdį.
Tada DI atsakymas priimamas ar atmetamas kaip paketas, o pats sprendimo procesas lieka nepermatomas ir neprisideda prie mokymosi.
Dėl to klaidos vieta nesuformuluojama sąmoningai ir vėliau lengvai pasikartoja panašiose situacijose.
Taip susidaro paradoksas, kuriame pažangi analizė egzistuoja, bet be aiškaus žmogiško įsitraukimo ji neduoda ilgalaikio elgesio pokyčio.
Kodėl žmogiškos klaidos kartojasi net ir turint technologijų pagalbą
Iš čia natūraliai matyti, kad pati DI analizė yra tik viena grandis, o spragą sukuria žmogaus santykis su gautu atsakymu.
Tyrimai rodo, kad vartotojai ne tik sunkiai išskiria teisingas ir klaidingas DI rekomendacijas, bet ir linkę nesieti jų su savo vėlesniu elgesiu.
Dėl to net tikslus sprendimas dažnai neperauga į naują įprotį ar patikslintą strategiją.
Klaidos atrodo tarsi atskiri epizodai, o ne pasikartojantis modelis, kurį reikėtų sąmoningai keisti.
Norint mažinti tokią spragą, reikia aiškaus žingsnio tarp DI pateiktos išvados ir konkretaus elgesio plano.
Praktiškai tai reiškia, kad po kiekvienos DI analizės turi atsirasti paprasti, iš anksto apibrėžti veiksmai, kuriuos žmogus išbando realiose situacijose.
Nauda atsiranda tik tada, kai klaidos suformuluojamos, pakartotinai aptariamos ir sąmoningai stebimos laikui bėgant.
Toks ciklas paverčia DI ne vien teorinių atsakymų šaltiniu, o nuoseklaus elgesio koregavimo priemone.
