Cognitive Bias Reasons

 

Reasons of cognitive bias can be categorized into three parts: heuristics, artifacts, and error management (Haselton, et.al., 2015). Heuristics are processing methods to produce decision using shortcuts because there is limitation in time and human ability. Heuristic principles reduce complex tasks of assessing probabilities and predicting values to simpler judgmental operations (Tversky & Kahneman, 1974). Biases as artifact found as a result of skilled researches, they conclude that humans have evolved problem‐solving mechanisms tailored to problems recurrently present over evolutionary history and humans can be shown to use appropriate reasoning strategies. Error management biases can be generally sorted into three broad categories: biases pertaining to judgments of threat, biases pertaining to evaluations of interpersonal relationships, and biases pertaining to evaluations of the self (Haselton, et.al., 2015).

Bias Manajemen Kesalahan

Error Management Biases

https://onlinelibrary.wiley.com/doi/full/10.1002/9781119125563.evpsych241

Seperti bias yang dihasilkan dari penerapan heuristik, bias dalam set ketiga ini — bias manajemen kesalahan — adalah bias asli. Dalam kasus ini, bagaimanapun, bias bukanlah hasil dari jalan pintas dalam rancangan pikiran. Sebaliknya, bias itu sendiri melayani fungsi yang berkembang.
Teori Manajemen Kesalahan

Teori manajemen kesalahan (EMT; Haselton & Buss, 2000; Haselton & Nettle, 2006; Johnson et al., 2013) menerapkan prinsip-prinsip teori deteksi sinyal (Green & Swets, 1966) untuk tugas penilaian untuk membuat prediksi tentang evolusi kognitif. rancangan. Kerangka kerja manajemen kesalahan memandang mekanisme kognitif tidak sebanyak "pencari kebenaran" (seperti yang telah dipikirkan sebelumnya; misalnya, Fodor, 2001), tetapi sebagai pelaksana adaptasi (misalnya, Tooby & Cosmides, 1990). Prinsip utama dari kerangka ini adalah bahwa mekanisme kognitif secara umum dapat menghasilkan dua jenis kesalahan: positif palsu (mengambil tindakan yang lebih baik tidak dilakukan), dan negatif palsu (gagal mengambil tindakan yang lebih baik dilakukan. ).

Mekanisme yang optimal tidak akan membuat kesalahan pada kedua jenis. Namun, sebagian besar tugas penilaian dunia nyata bersifat probabilistik dan mencakup jumlah ketidakpastian yang tidak dapat direduksi. Penilaian auditori, misalnya, dibuat tidak pasti dengan adanya kebisingan sekitar, dan beberapa kesalahan mungkin terjadi, bagaimanapun baiknya mekanismenya.

Yang terpenting, biaya kesesuaian untuk membuat setiap jenis kesalahan jarang sama. Melarikan diri dari area yang tidak mengandung predator menghasilkan biaya ketidaknyamanan yang kecil, tetapi jauh lebih murah daripada kegagalan untuk melarikan diri dari predator yang benar-benar dekat. EMT memprediksi bahwa aturan keputusan yang optimal tidak akan meminimalkan tingkat kesalahan total, tetapi efek bersih kesalahan pada kesesuaian. Jika satu kesalahan secara konsisten lebih merusak kebugaran daripada yang lain, EMT memperkirakan bahwa bias untuk membuat kesalahan yang lebih murah akan berkembang — ini karena lebih baik membuat lebih banyak kesalahan secara keseluruhan selama harganya relatif murah. Secara keseluruhan, EMT memprediksi bahwa bias akan berkembang dalam penilaian dan evaluasi manusia yang sesuai dengan semua kriteria berikut: (a) melibatkan beberapa tingkat kebisingan atau ketidakpastian, (b) mereka memiliki konsekuensi untuk kesesuaian dan keberhasilan reproduksi, dan (c ) mereka secara konsisten dikaitkan dengan biaya asimetris (di mana lebih banyak asimetri menyebabkan bias yang lebih besar). Untuk formalisme matematika dari logika ini dan ekspektasi EMT, lihat Haselton dan Nettle (2006) dan Johnson et al. (2013). (Untuk akun terkait, lihat Higgins, 1997.)

Dalam kerangka kerja ini, banyak kesalahan nyata dalam penilaian dan evaluasi manusia mungkin mencerminkan operasi mekanisme yang dirancang untuk membuat kesalahan yang tidak mahal dan sering terjadi daripada kesalahan yang sesekali menimbulkan bencana (Haselton & Nettle, 2006; Johnson et al., 2013). Dalam dekade sejak penerbitan edisi pertama volume ini, ruang lingkup penelitian EMT telah berkembang, dengan aliran penelitian yang mendokumentasikan penilaian bias secara fungsional di berbagai domain yang relevan dengan kebugaran. Di bagian ini, kami menyoroti contoh utama di seluruh domain ini (untuk ulasan yang berisi contoh tambahan, lihat Haselton & Galperin, 2013; Haselton et al., 2009; Haselton & Nettle, 2006; Johnson et al., 2013).

Bias manajemen kesalahan secara umum dapat diurutkan menjadi tiga kategori besar: bias yang berkaitan dengan penilaian ancaman, bias yang berkaitan dengan evaluasi hubungan interpersonal, dan bias yang berkaitan dengan evaluasi diri (mengikuti Haselton & Nettle, 2006). Tabel 2 memberikan contoh dalam masing-masing kategori ini, biaya yang dihipotesiskan dari setiap jenis kesalahan dalam domain tertentu, dan hasil yang diharapkan untuk masing-masing.

Bias sebagai Artefak

Biases as Artifacts 

https://onlinelibrary.wiley.com/doi/full/10.1002/9781119125563.evpsych241 

Salah satu kritik terhadap penelitian heuristik dan bias klasik (misalnya, Tversky & Kahneman, 1974) adalah bahwa strategi untuk mengidentifikasi bias dan mengevaluasi kinerja kognitif mungkin tidak sepenuhnya sesuai. Jika masalah yang disajikan di laboratorium bukanlah masalah yang dirancang oleh pikiran manusia, kita tidak perlu heran bahwa tanggapan orang-orang tampaknya tidak rasional secara sistematis.

Satu jenis artefak muncul dari format masalah baru secara evolusioner. Gigerenzer (1997) mengusulkan bahwa tugas yang dimaksudkan untuk menilai prediksi statistik manusia harus menyajikan informasi dalam format frekuensi (bukan probabilitas), mengingat bahwa frekuensi alami, seperti berapa kali suatu peristiwa telah terjadi dalam periode waktu tertentu, lebih mudah diamati. di alam. Sebaliknya, probabilitas (dalam arti angka antara 0 dan 1) adalah abstraksi matematika di luar data input sensorik, dan informasi tentang tingkat dasar kejadian hilang ketika probabilitas dihitung (Cosmides & Tooby, 1996). Perhitungan Bayesian yang melibatkan frekuensi oleh karena itu secara komputasi lebih sederhana daripada perhitungan ekivalen yang melibatkan probabilitas, frekuensi relatif, atau persentase. Sementara kalkulasi probabilitas perlu memperkenalkan kembali informasi tentang tarif dasar, kalkulasi frekuensi tidak dilakukan karena bagian dari komputasi ini sudah “selesai” dalam representasi frekuensi itu sendiri (Hoffrage, Lindsey, Hertwig, & Gigerenzer, 2001).

Menurut perspektif ini, manusia akan memiliki kemampuan untuk memperkirakan kemungkinan kejadian yang diberi petunjuk tertentu. Jika keterampilan ini adalah bagian dari penalaran manusia, tugas yang melibatkan input probabilitas cenderung tidak mengungkapkannya daripada tugas yang melibatkan frekuensi alami. Memang, format frekuensi memang meningkatkan kinerja dalam tugas-tugas seperti "masalah Linda" yang terkenal. Sedangkan format probabilitas menghasilkan pelanggaran aturan konjungsi di antara 50 dan 90% responden, format frekuensi menurunkan tingkat kesalahan antara 0 dan 25% (Fiedler, 1988; Hertwig & Gigerenzer, 1999; Tversky & Kahneman, 1983; tetapi lihat Mellers, Hertwig, & Kahneman, 2001). Penelitian yang lebih baru menunjukkan bahwa format probabilitas menimbulkan masalah serius bagi dokter medis: Tiga perempat dokter yang disurvei salah menafsirkan makna dan penerapan "tingkat kelangsungan hidup", dan jurnal sering menerbitkan makalah di mana statistik probabilitas ini disalahgunakan dalam menafsirkan hasil (Gigerenzer & Wegwarth, 2013).

Artefak kedua dapat muncul dari konten masalah baru secara evolusioner. Perspektif desain kognitif yang telah kami jelaskan menunjukkan bahwa peneliti tidak harus mengharapkan kinerja yang baik dalam tugas-tugas yang melibatkan aturan logika abstrak. Logika berbasis pemalsuan cukup sulit bagi manusia sehingga mata kuliah logika, statistik, dan desain penelitian berusaha untuk mengajarkannya kepada siswa (dengan hanya keberhasilan campuran). Wason (1983) secara empiris menegaskan hal ini di laboratorium menggunakan tugas yang mengharuskan subjek untuk menentukan apakah aturan bersyarat (jika p lalu q) telah dilanggar. Dia mendemonstrasikan bahwa subjek mengakui bahwa bukti konfirmasi (keberadaan p) relevan dengan keputusan, tetapi mereka sering gagal untuk memeriksa pemalsuan aturan (tidak adanya q). Penelitian yang menggunakan tugas Wason mengungkapkan berbagai efek konten yang tampak (Wason & Shapiro, 1971; Johnson-Laird, Legrenzi, & Legrenzi, 1972), di mana kinerja berubah secara dramatis menjadi lebih baik.

Dalam serangkaian eksperimen klasik, Cosmides (1989) menunjukkan bahwa sejumlah efek konten dapat dikaitkan dengan algoritme deteksi penipu. Ketika isi aturan bersyarat melibatkan pertukaran sosial (jika Anda mengambil manfaat [p], kemudian Anda membayar biayanya [q]), orang secara spontan didorong untuk mencari tidak hanya manfaat yang diambil (p) tetapi juga biaya yang tidak dibayarkan ( bukan q), dan kinerja meningkat secara dramatis dari 25% benar (Wason, 1983) menjadi 75% benar (Cosmides, 1989; juga lihat Cosmides, Barrett, & Tooby, 2010, untuk pembaruan terbaru yang mereplikasi temuan ini dan membantu untuk mengatur penjelasan alternatif yang diajukan oleh kritikus).

Kesimpulan yang bisa diambil dari studi tersebut bukanlah bahwa manusia pandai menggunakan aturan abstrak logika. Sebaliknya, manusia telah mengembangkan mekanisme pemecahan masalah yang disesuaikan dengan masalah yang muncul berulang kali dalam sejarah evolusi. Ketika masalah dibingkai dengan cara yang sesuai dengan masalah adaptif ini (seperti pelanggaran kontrak sosial), manusia dapat ditunjukkan untuk menggunakan strategi penalaran yang tepat.

Heuristik

Heuristics

https://onlinelibrary.wiley.com/doi/full/10.1002/9781119125563.evpsych241

Mungkin penjelasan yang paling sering digunakan untuk bias adalah sebagai produk sampingan yang diperlukan dari keterbatasan pemrosesan — karena waktu dan kemampuan pemrosesan informasi terbatas, manusia harus menggunakan pintasan atau aturan praktis yang cenderung rusak secara sistematis. Kahneman dan Tversky (1973) menunjukkan bahwa penilaian manusia sering kali menyimpang secara substansial dari standar normatif berdasarkan teori probabilitas atau logika sederhana. Dalam menilai urutan pembalikan koin, misalnya, orang menilai urutan HTHTTH lebih mungkin daripada urutan HHHTTT atau HHHHTH. Seperti yang ditunjukkan Tversky dan Kahneman (1974), sementara dalam beberapa hal representatif, jenis urutan pertama tidak mungkin — itu berisi terlalu banyak pergantian dan terlalu sedikit berjalan. "Kekeliruan penjudi" adalah ekspresi dari intuisi yang serupa. Semakin banyak taruhan yang kalah, semakin penjudi merasa menang sekarang, meskipun setiap giliran baru tidak tergantung pada yang terakhir (Tversky & Kahneman, 1974).

Tversky dan Kahneman mengaitkan ini dan bias lainnya dengan pengoperasian jalan pintas mental: "Orang-orang mengandalkan sejumlah prinsip heuristik yang mengurangi tugas-tugas kompleks dalam menilai probabilitas dan memprediksi nilai-nilai untuk operasi penghakiman yang lebih sederhana" (1974, p. 1124). Kekeliruan penjudi dan kekeliruan konjungsi dikaitkan dengan salah satu heuristik, keterwakilan, atau cara A yang paling umum digunakan atau mewakili B. Menurut akun ini, kepala dan ekor yang bergantian lebih mewakili keacakan daripada seri berisi lari.

Gagasan bahwa bias dihasilkan dari penggunaan heuristik yang disederhanakan memiliki daya tarik logis. Seperti yang diungkapkan oleh Arkes (1991), "upaya ekstra yang diperlukan untuk menggunakan strategi yang lebih canggih adalah biaya yang seringkali melebihi manfaat potensial dari peningkatan akurasi" (hlm. 486-487). Biaya ini dapat mempengaruhi evolusi mekanisme kognitif pada dua tingkat. Mungkin ada biaya dalam istilah evolusioner, karena perkembangan sirkuit otak tertentu akan meningkatkan durasi ontogeni atau memindahkan alokasi energi potensial dari pengembangan mekanisme lain. Mungkin juga ada biaya dalam waktu nyata, karena keputusan yang menggunakan algoritme kompleks akan memakan waktu lebih lama atau memerlukan lebih banyak sumber perhatian daripada keputusan yang menggunakan alternatif yang lebih sederhana. Keputusan adaptif sering kali perlu dibuat dengan cepat, dan ini mungkin membatasi jenis strategi yang optimal. Bukti dari berbagai sumber menunjukkan bahwa orang memang memecahkan masalah secara berbeda ketika di bawah tekanan waktu atau ketika motivasi mereka untuk menjadi akurat berkurang.

Salah satu contoh efek motivasi adalah kenyataan bahwa persepsi sosial individu yang menempati posisi kekuasaan yang lebih tinggi dalam hierarki sosial seringkali kurang akurat daripada yang lebih rendah dalam hierarki (Fiske, 1993). Mereka yang lebih berkuasa lebih cenderung mendukung stereotip tentang orang lain daripada memperhatikan informasi individu yang spesifik untuk target yang dievaluasi, yang mungkin meningkatkan akurasi (Goodwin, Gubin, Fiske, & Yzerbyt, 2000). Individu yang ditugaskan lebih banyak kekuatan pengambilan keputusan dalam meninjau aplikasi magang lebih memperhatikan stereotip informasi yang konsisten dan lebih sedikit untuk stereotip informasi yang tidak konsisten (Goodwin et al., 2000). Demikian pula, dalam studi tentang dua kelompok mahasiswa yang bersaing untuk mendapatkan pendanaan universitas, individu yang melaporkan lebih banyak kekuatan pribadi menilai sikap lawan mereka kurang akurat (Ebenbach & Keltner, 1998). Interpretasi umum dari temuan seperti ini adalah bahwa individu dengan kekuasaan lebih rendah menempati posisi sosial yang lebih berbahaya dan oleh karena itu mereka harus mengalokasikan lebih banyak waktu dan energi untuk penilaian sosial; individu yang lebih kuat menikmati kemewahan mengalokasikan upaya kognitif mereka di tempat lain (Galinsky, Magee, Inesi, & Gruenfeld, 2006; Keltner, Gruenfeld, & Anderson, 2003).

Secara keseluruhan, ada banyak bukti bias dan kesalahan kognitif pada manusia. Beberapa bias ini mungkin disebabkan oleh penggunaan jalan pintas, yang seringkali efektif. Untuk efek ini, bagaimanapun, penting untuk dicatat bahwa penjelasan "keterbatasan pemrosesan" tidak lengkap. Dari semua jalan pintas kognitif yang sama ekonomisnya, mengapa yang khusus ini disukai oleh seleksi? Di bagian bias manajemen kesalahan berikut, kami menyarankan agar arah dan isi bias tidak sembarangan. Seleksi telah memahat cara-cara dimana daya komputasi yang terbatas digunakan sebaik mungkin untuk melayani kepentingan kebugaran manusia selama waktu evolusi.

Landasan Bias Kognitif

Foundations of Cognitive Bias

Perspektif psikologi evolusioner memprediksi bahwa pikiran dilengkapi dengan mekanisme spesifik fungsi yang diadaptasi untuk tujuan khusus — mekanisme dengan desain khusus untuk memecahkan masalah seperti kawin, yang terpisah, setidaknya sebagian, dari mereka yang terlibat dalam memecahkan masalah pilihan makanan, penghindaran predator, dan pertukaran sosial (misalnya, Kenrick, Neuberg, Griskevicius, Becker, & Schaller, 2010). Dalam evaluasi bias kognitif, mendemonstrasikan kekhususan domain dalam memecahkan masalah tertentu adalah bagian dari pembangunan kasus yang sifatnya telah dibentuk oleh seleksi untuk menjalankan fungsi itu. Fungsi mata yang berkembang, misalnya, adalah untuk memfasilitasi penglihatan karena ia melakukan ini dengan baik (ia menunjukkan kemahiran), ciri-ciri mata memiliki efek umum dan unik untuk memfasilitasi penglihatan (ia menunjukkan kekhususan), dan tidak ada yang masuk akal hipotesis alternatif yang menjelaskan fitur mata.

Beberapa fitur desain yang tampak cacat jika dilihat dengan satu cara terungkap sebagai adaptasi jika dilihat secara berbeda. Jika seseorang hanya mempertimbangkan gagasan bahwa seleksi mendukung maksimalisasi keberhasilan reproduksi langsung, misalnya, fakta bahwa manusia perempuan kehilangan kemampuan reproduksi bertahun-tahun sebelum kematian akan tampak sebagai cacat desain. Namun, ada bukti bahwa wanita dalam masyarakat tradisional dapat meningkatkan kebugaran inklusif mereka dengan mentransfer investasi kepada anak perempuan mereka segera setelah putri mereka mencapai usia reproduksi (Voland & Beise, 2002). Dilihat dari sudut ini, menopause wanita mungkin dirancang dengan sangat baik (Hawkes, 2003).
Pertama, pemilihan mungkin menyukai jalan pintas yang berguna yang cenderung bekerja dalam banyak keadaan, meskipun mereka tidak memenuhi beberapa standar normatif (heuristik); kedua, bias yang tampak bisa muncul jika tugas yang dihadapi bukanlah tugas yang dirancang untuk pikiran (artefak); dan ketiga, bias dapat muncul jika pola respons yang bias terhadap masalah adaptif menghasilkan biaya kesalahan yang lebih rendah daripada pola respons yang tidak bias (bias manajemen kesalahan). Selain menarik dalam dirinya sendiri, penyelidikan bias menawarkan kapasitas untuk mengungkap kontur pikiran yang berevolusi dengan mengungkapkan masalah yang tampaknya telah dirancang untuk dipecahkan: Sedangkan persepsi "akurat" tidak banyak membantu membatasi hipotesis tentang kognitif. desain, menemukan bias seringkali dapat mengungkapkannya.

Sejak edisi asli Buku Pegangan ini, volume pekerjaan yang menyelidiki bias manajemen kesalahan telah berkembang pesat. Oleh karena itu, kami membahas heuristik dan artefak hanya secara singkat dan fokus pada pekerjaan yang lebih baru pada bias manajemen kesalahan (untuk diskusi evolusioner yang lebih rinci tentang heuristik dan artefak, lihat Haselton et al., 2009). Kami tidak bermaksud ketiga kategori bias tersebut menjadi sepenuhnya lengkap atau saling eksklusif; kami menawarkannya sebagai cara yang berguna untuk mengatur penelitian tentang bias kognitif dan mendapatkan wawasan tentang mengapa bias itu ada.

Consumer Decision Making

James R. Bettman, Eric J. Johnson, John W. Payne
Duke University, Wharton School University of Pennsylvania, Duke University

This chapter reviews theories and research on consumer decision making. We characterize the properties of the consumer decision-making task and the consumer information environment. The limited information processing capabilities of consumers are addressed, and the choice heuristics used by consumers to cope with difficult decisions are described. Conceptual frameworks for understanding contingent consumer decision making and a review of relevant research on contingent processing are presented. Finally, methods for studying consumer decision making are discussed, and future research opportunities are outlined.

INTRODUCTION


THE CONSUMER DECISION MAKING TASK

The Consumer Information Environment

Other Factors Characterizing Consumer Decision Tasks

How Consumers Cope with Difficult Decision Tasks


THE CONSUMER AS A LIMITED INFORMATION PROCESSOR

Human Memory
 Working memory
 Long-term memory

Implications of Consumer Processing Limitations

CHOICE HEURISTICS
 The weighted additive (WADD) rule
 The satisficing (SAT) heuristic
 The lexicographic (LEX) heuristic
 The elimination-by-aspects (EBA) heuristic
 The majority of confirming dimensions (MCD) heuristic
 The frequency of good and bad features (FRQ) heuristic
 The equal weight (EQW) heuristic
 Combined heuristics
 Other heuristics

General Properties of Choice Heuristics
 Compensatory versus noncompensatory
 Consistent versus selective processing
 Amount of processing
 Alternative-based versus attribute-based processing
 Quantitative versus qualitative reasoning
 Formation of evaluations

Implementation of Heuristics

CONTINGENT CONSUMER DECISION MAKING

The Concept of Contingent Decision Making
 Characteristics of the decision problem
 Characteristics of the person
 Characteristics of the social context

Conceptual Frameworks for Contingent Decision Making
 The cost/benefit framework
 A perceptual framework

RESEARCH ON CONTINGENT CONSUMER DECISION MAKING

Problem Factors: Task Variables
 Problem size
 Time pressure
 Response mode
 Types of decision task
 Information format

Problem Factors: Context Variables
 Similarity
 Correlated attributes
 Comparable versus noncomparable choices
 The quality of the alternatives available

Person Factors
 Prior knowledge
 Information processing abilities

Implications of Contingent Decision Making

METHODS FOR STUDYING CONSUMER DECISION MAKING

Input-Output Approaches

Process-Tracing Approaches
 Verbal protocols
 Information acquisition approaches
 Chronometric analysis

FUTURE RESEARCH OPPORTUNITIES