Kategoriarkiv: Tänkande och beslutsfattande

#13 Hjärnmodell nr 2: System 1 vs. System 2

Introduktion

Förra bloggavsnittet handlade om hjärnmodellen:

”Prefrontala cortex vs. Limbiska systemet”

I det här avsnittet presenterar jag en kort sammanfattning av en annan populär hjärnmodell:

”Det snabba System 1 vs. det långsamma System 2.”

Och precis som med alla vetenskapliga modeller bör man komma ihåg att:

“All models are wrong, but some are useful.”

George Box, statistiker.

Snabbt och långsamt

Psykologen och ekonomipristagaren Daniel Kahneman bygger mycket av sin bok ”Tänka, snabbt och långsamt” på teorin om två kognitiva system, men som han själv lyfter fram i boken presenterades modellen om ”dual-process accounts of reasoning” först av psykologerna Keith Stanovich och Richard West.

I sin enklaste form säger Kahnemans version av modellen att evolutionen mejslat fram två separata system, det snabba System 1 och det långsamma System 2, i våra mänskliga intellekt. Men som ofta är fallet med olika teoretiska och hypotetiska system i hjärnan går det inte (i alla fall inte idag) att lokalisera System 1 eller 2 till några särskilda områden eller specifika förbindelser i hjärnan.

De två systemen

Detta är huvuddragen i de två systemen, enligt Kahneman:

System 1

  • Automatiskt.
  • Snabbt.
  • Kräver ett minimum av ansträngning.
  • Verkar utan någon upplevelse av medveten styrning.
  • Hanterar många medfödda förmågor; flera delar vi med andra djur.
  • Kärnan i System 1 är inlärda associationsbanor mellan tankar och minnen.
  • Upptäcker lätt enkla samband (”de är alla likadana”).
  • Skickligt på att sammanställa information om en enda sak.

System 2

  • Arbetar passivt i bakgrunden och aktiveras extra vid intellektuellt ansträngande aktiviteter.
  • Kräver fokus och uppmärksamhet, och avbryts när uppmärksamheten avtar.
  • Ger en subjektiv upplevelse av att man har kontroll, gör medvetna val och koncentrerar sig.
  • Klarar av att följa uppsatta regler.
  • Kan jämföra föremål, ämnen och situationer utifrån flera variabler.
  • Kan göra medvetna val mellan olika alternativ.

Båda systemen är ständigt aktiva när vi är vakna, och hur man än väljer att definiera ”uppmärksamhet” så är just den kognitiva mekanismen nödvändig för att båda systemen ska fungera.

Det snabba och automatiska System 1 scannar löpande av omgivningen och sköter om det mesta utan nämnvärd ansträngning, medan System 2 endast går in och kontrollerar och justerar vid behov – något som kräver extra mental ansträngning och energi.

System 1 har förmågan att utveckla komplexa tankemönster, men det är bara System 2 som klarar att bygga tankar i flera steg.

Förslag och godkännande

En särskilt intressant uppdelning som Kahneman gör är den att System 1 kontinuerligt genererar olika ”förslag” i form av intryck, intuitioner, avsikter och känslor. Dessa övervägs av System 2 och om de ”godkänns” förvandlas intrycken och intuitionerna till övertygelser, medan impulser förvandlas till medvetna viljehandlingar.

Den här uppdelningen fungerar oftast galant, med en effektiv fördelning av uppmärksamhet, koncentration och ansträngning mellan systemen – vilket också optimerar prestationen. Utan System 1:s automatiska scanning och associativa lätthet hade vi konstant blivit mentalt utmattade, och System 2 är dessutom alldeles för långsamt för att hinna analysera och hantera brådskande, riskfyllda situationer.    

De olika ”förslagen” som System 1 löpande presenterar accepteras för det mesta utan några särskilda ändringar av System 2 – vi litar helt enkelt på de flesta av våra intryck och följer de flesta av våra impulser. Om det däremot tillstöter problem kopplas System 2 in för extra analys av situationen. Det kan t.ex. röra sig om nya eller komplicerade problemställningar eller svårtolkade avvikelser i miljön – även i sociala situationer.

Som jag skrev om i blogginlägget om den mänskliga kausaldriften söker hjärnan ständigt efter mönster och samband i omgivningen och i tankarna, och om man kopplar den driften till tvåsystemsmodellen kan man i så fall tänka sig att System 1 står för mycket av den automatiska och intuitiva mönsterigenkänningen.

Snedvridningar och bias

System 1 är i de flesta fall otroligt skickligt på att snabbt och (tillräckligt) korrekt uppfatta och tolka olika problem och situationer, men ibland blir det fel. System 1 lider nämligen av olika typer av kognitiv bias (systematiska fel och snedvridningar i tankarna), som gör att tolkningarna och bedömningarna blir felaktiga.

Det är de här snedvridningarna som Daniel Kahneman och Amos Tversky fokuserat på i sin forskning, och det är också dem som Kahnemans bok ”Tänka, snabbt och långsamt” handlar om.

System 1:

  • glider ofta över till att besvara en enklare fråga än den ursprungliga.
  • tar ofta hjälp av olika genvägar eller heuristiker (”tumregler”) – t.ex. affekt-, tillgänglighets- och representativitetsheuristik.
  • förlitar sig mycket på ”intuitionen”, vilken tyvärr ofta leder fel.
  • är konsekvent dåligt på att resonera logiskt och statistiskt.

Och så vidare…

Kognitiv bias är ett lika spännande som omfattande område inom kognitionspsykologin. Många bias-fenomen är relativt lätta att greppa när man läser om dem, men ofta mycket svåra att uppfatta hos sig själv när man gör sig skyldig till dem.

” Utgångspunkten för den här boken är att det är lättare att upptäcka andras misstag än våra egna.”

Daniel Kahneman, ”Tänka, snabbt och långsamt”

Jag avslutar denna mycket förenklade sammanfattning med två Youtube-videor.

Den första är en kort intervju med Daniel Kahneman:

Den andra är en liten tecknad sammanfattning av System 1 och System 2, gjord av LUSCID (Your user-friendly guide to science):

*****

Tack för uppmärksamheten!

 

#7 Två sannolikhetsproblem

Med del 7 i Hjärnambassadens ”Tänkarskola för beslutsfattare” vill jag visa på en av den mänskliga hjärnans svagheter: att resonera kring sannolikheter.

Jag har redan i tidigare inlägg berört statistiska resonemang och kommer att återkomma många gånger framöver till olika bias-fenomen som grundar sig i människans svårigheter med statistiska resonemang och sannolikhetsbedömningar.

I det här inlägget vill jag bara som lite underhållning presentera två mycket kända sannolikhetsproblem, som visar hur till synes enkla situationer kan ställa till det för oss.

Beslutsfattare ställs ofta inför olika typer av scenarier där sannolikheter behöver bedömas. Ofta handlar det om subjektiva och ungefärliga bedömningar, grundade i gissningar och erfarenheter. Det kan t.ex. vara hur stor chansen är att en kund säger ja till ett erbjudande eller hur stor risken är att en viss investering går med förlust. Det är frågeställningar som oftast inte har något exakt svar eller går att räkna ut strikt statistiskt.

Men ibland handlar det om rent objektivt bedömbara sannolikheter som går att räkna ut exakt, och de följande två problemen är just av den typen. De är båda mycket kända exempel och det är enkelt att googla fram svaren. Det är däremot inte lika enkelt för många att verkligen förstå de rätta svaren när man vet dem. En av anledningarna är att vår ”intuition” kring sannolikheter många gånger lurar oss.

Försök gärna lösa de två problemen helt på egen hand och presentera sedan dina svar med förklaringar (vilka sannolikheter?) i kommentarsfältet på LinkedIn.

Och kom ihåg: rätt svar är bara intressant om du verkligen förstått varför det är rätt!

Problem 1

Bayes' Rule and the Monty Hall Problem

Du medverkar i ett underhållningsprogram på TV, där ditt mål är att vinna en ny bil.

1) När spelet börjar står du framför tre stängda dörrar: en dörr till vänster, en i mitten och en till höger. Bakom en av dörrarna står en ny bil, och bakom vardera av de andra två dörrarna står en get. Du har ingen aning om vad som finns bakom vilken dörr.

2) Spelledaren ber dig gå fram och ställa dig framför en av dörrarna, vilken som helst.

3) När du gjort det öppnar spelledaren en av de andra två dörrarna, och bakom den står en get.

4) Du får nu frågan om du vill stå kvar framför dörren du har valt (som fortfarande är stängd), och vinna det som finns bakom den, eller om du vill byta till den andra stängda dörren och istället vinna det som finns bakom den?

Alltså: om du vill ha störst chans att vinna bilen, ska du då stå kvar eller byta dörr? Spelar det någon roll hur du gör? Och hur ser sannolikheterna ut?

Problem 2

Du har gått vilse i Amazonas djungler. Av misstag äter du en mycket giftig svamp, och enda sättet för dig att inte dö är att hitta en viss sorts groda och slicka på den. Hanarna och honorna ser exakt likadana ut och är jämnt fördelade i djungeln, men det finns två skillnader: det är bara honorna som utsöndrar motgiftet och det är bara hanarna som kväker.

Utmattad och döende stapplar du runt och letar, när du plötsligt ser en groda av rätt art på en stubbe. Den är helt tyst så du hoppas att det är en hona. Plötsligt hör du ett typiskt kväkande bakom dig, du vänder dig om och ser två stycken grodor av den rätta arten i en liten glänta. Du vet inte vilken av de två grodorna i gläntan som kväkte. Du står exakt mitt emellan stubben och gläntan, och du har bara krafter kvar att släpa dig fram till en av platserna innan du dör.

Frågan är nu: ska du satsa på att slicka på den ensamma grodan på stubben eller slicka på båda grodorna i gläntan? Vilket av valen ger dig störst chans att överleva? Spelar det någon roll hur du gör? Och hur ser sannolikheterna ut?

Tack för uppmärksamheten!

 

#6 Känsliga enkätfrågor med randomiserade svar

Del 6 i Hjärnambassadens ”Tänkarskola för beslutsfattare” handlar om hur du kan gå tillväga om du i en enkät vill ställa känsliga enkätfrågor till dina anställda.

Kanske vill du veta hur stor andel av företagets anställda som dricker för mycket, vill byta jobb eller upplever för mycket stress? Sannolikheten att få ärliga svar på sådana känsliga frågor minskar ofta om de tillfrågade tror att det kanske går att koppla svaren till enskilda individer – eller avdelningar. Så om det går att helt hoppa över att svara gör många det.

Svarsbortfall i enkäter kan skapa stora problem när det gäller den statistiska tillförlitligheten. För att undvika detta kan man använda följande metod, med så kallade ”randomiserade svar”.

EXEMPEL

Upplägg

Du är ansvarig för en omfattande arbetsmiljöundersökning på ett stort företag. För att få klarhet i vissa rykten som cirkulerat vill du bland annat gärna veta om de anställda någon gång den senaste månaden allvarligt funderat på att säga upp sig p.g.a. för hög stressnivå på jobbet.

För att få ärliga, men anonyma, svar bestämmer du dig för att använda metoden med randomiserade svar. Du väljer att använda en vanlig sexsidig tärning för att fördela frågorna slumpvis.

När det är dags att besvara stressfrågan får alla anställda i tur och ordning ställa sig bakom en skärm, där följande instruktioner finns att läsa:

1) Kasta tärningen en gång.

2) Om tärningen visar 1, 2, 3 eller 4 – svara då Ja eller Nej på frågan: visar tärningen ett udda antal prickar?

3) Om tärningen visar 5 eller 6 – svara då Ja eller Nej på frågan: har du någon gång den senaste månaden allvarligt funderat på att säga upp dig p.g.a. för hög stressnivå på jobbet?

Resultat

240 anställda deltar i undersökningen, varav 88 svarar Ja och 152 svarar Nej.

Du vet nu hur många som totalt svarade Ja eller Nej, men inte hur många Ja som hör till stressfrågan. Detta behöver du räkna ut.

Uträkning

OBS! Siffrorna bygger på sannolikheter och är därför ungefärliga, men i uträkningen skriver jag dem exakt.

1) Om tärningen visade 1, 2, 3 eller 4 skulle personen svara på tärningsfrågan. Sannolikheten är alltså 4/6 (eftersom det finns 6 sidor på tärningen) att en anställd fick svara på tärningsfrågan.

  • Då bör (4/6) * 240 = 160 personer ha svarat på tärningsfrågan.
  • Av dem bör 50 % ha svarat Ja (eftersom 1 och 3 på tärningen ger 2/4 möjliga utfall med udda prickar).
  • 50 % av 160 = 80 Ja-svar på tärningsfrågan.

2) Sannolikheten är 2/6 att en anställd fick svara på stressfrågan, d.v.s. resterande 80 personer av de 240 totalt.

3) Av samtliga 88 som svarade Ja i undersökningen var alltså 80 av svaren från dem som fick tärningsfrågan (se 1). Då blir antalet som svarade Ja på stressfrågan 88-80 = 8.

4) 8 delat med 80 (som ju var det totala antalet som svarade på stressfrågan) = 10 %.

Slutsats

Eftersom du använt ett slumpförfarande för att skapa en svarsgrupp med okända individer kan du nu generalisera stress-svararnas 10 % till samtliga anställda. Alltså vet du nu att ca 10 % av de totalt 240 anställda (ca 24 st) någon gång den senaste månaden allvarligt funderat på att säga upp sig p.g.a. stress.

Avslutning

Huvudpoängen med den här metoden är att de tillfrågade garanteras total anonymitet, eftersom frågeställaren inte vet vem som svarat på vilken fråga. Det finns därför ingen anledning för de tillfrågade att svara oärligt eller inte alls.

Olika varianter av metoden kan utformas. Man kan också passa på att ställa flera känsliga frågor vid samma tillfälle, utan att svaren går att koppla till varandra, och då använda samma typ av randomiseringsprocess för varje fråga.

Den som planerar enkäten måste bestämma vilka som ska delta. Vill man täcka in hela företaget eller bara en särskild grupp av anställda? Då är det viktigt att känna till att av statistiska skäl ger den här typen av randomiserade upplägg med tärningskast säkrare resultat ju fler anställda som deltar.

Är man osäker kring sitt upplägg är det bäst att rådfråga en statistiskt kunnig person.

* Vilka känsliga enkätfrågor skulle du vilja ställa till dina anställda?

* Vilka enkätfrågor skulle vara känsliga för dig själv att svara på?

*****

Tack för uppmärksamheten!

 

#5 Hindsight bias

Del 5 i Hjärnambassadens ”Tänkarskola för beslutsfattare” handlar om hindsight bias (”efterklokhets-bias”), och bygger vidare på förra avsnittet om outcome bias.

Definition

Hindsight bias definieras som övertygelsen att en händelse (eller ett skeende) var sannolikare och därför mer förutsebar än vad den faktiskt var – enbart därför att den ägt rum. Denna förvrängning av minnet och av premisserna för en händelse är ett problematiskt kognitivt fenomen – inte minst när misstag, kriser och olyckor ska utvärderas.

Hindsight bias vs. outcome bias

Hindsight bias och outcome bias har flera gemensamma drag:

  • Båda är psykologiska fenomen som uppstår i efterhand, när någon typ av ny information har tillkommit (en händelse har ägt rum eller det finns ett resultat att förhålla sig till).
  • Båda involverar någon form av felaktig uppfattning om orsak-verkan – ofta falska eller gravt förenklade kausala samband.
  • Effekten av båda fenomenen är störst när utfallen uppfattas som negativa.

En av de viktigaste skillnaderna är dock att hindsight bias till stora delar beror på en omedveten förvrängning av minnesbilden före en händelse. När det gäller outcome bias är det istället det förmodade resultatet av ett beslut som får en oproportionerligt stor betydelse för utvärderingen av själva beslutet.

Tre nivåer

Hindsight bias kan delas in i tre nivåer:

1) en förvrängning av den egna minnesbilden före en händelse (”memory distortion”)

2) övertygelsen om att händelsen var oundviklig (”inevitability”)

3) en retroaktiv överskattning av förmågan att ha kunnat förutse händelsen (”foreseeability”)  

Denna nivåindelning är hämtad från en utförlig och ofta citerad översiktsartikel av Neal J. Roese och Kathleen D. Vohs med titeln ”Hindsight bias” (publicerad i Perspectives on Psychological Science 2012.) Även stora delar av nedanstående genomgång bygger på samma artikel.

1. Förvrängning av minnet

”Jag sade att det skulle hända.”

Den strukturellt sett lägsta nivån, förvrängningen av minnet, ligger utanför vår medvetna kontroll och inträffar när vi försöker återkalla en minnesbild. Den moderna minnesforskningen har länge vetat att ett enskilt minnesfragment är ömtåligt och lätt att förändra varje gång det återkallas ur långtidsminnet.

Historiskt har långtidsminnet ofta betraktats som en slags mental kamera, med uppgift att exakt återge detaljerna kring en enskild händelse. Ur det perspektivet blir minnesbildernas höga grad av föränderlighet en uppenbar svaghet i minnesfunktionen.

Men hjärnforskarna har på senare tid insett att just den ”svagheten” istället är en av de grundläggande mekanismerna – minnesuppdatering – som evolutionen mejslat fram för vårt långtidsminne, för att på bästa sätt hjälpa oss att fatta så adekvata beslut som möjligt i nuet och om framtiden.

(För en underhållande och pedagogisk genomgång av dagens vetenskapliga rön om våra minnesfunktioner rekommenderas avsnitt 3 av säsong 2, ”Dina minnen”, av SVT:s programserie ”Din hjärna”, med psykiatern Anders Hansen som programledare.)

Man kan uttrycka det som att förmågan till en konstruktiv uppdatering av en minnesbild i de flesta fall hjälper oss mer i vårt beslutsfattande än en minnesbild huggen i sten. Men som med alla våra hjärnfunktioner blir det fel ibland.

När ett minne uppdateras med ny information spelar nämligen ett annat viktigt fenomen en stor, och ibland problematisk, roll: tendensen att endast de delar av minnesbilden som passar in med den nya informationen aktiveras (confirmation bias, bekräftelse-bias).

När det gäller minnesuppdateringen vid hindsight bias får detta bland annat till följd en oförmåga i efterhand att återkalla en tidigare känsla av osäkerhet (innan en händelse ägde rum). Efter att händelsen ägt rum ersätts istället denna tidigare känsla av osäkerhet med en falsk känsla av tidigare visshet. Detta ger en felaktig uppfattning i efterhand av sannolikheten för att händelsen skulle äga rum.

Vid återkallandet av ett minne är det också vanligt med s.k. ”source confusion”, alltså en sammanblandning i efterhand av varifrån (och då också närifrån) en viss bit information egentligen kommer. Var det verkligen ett minnesfragment från tiden före en viss händelse, eller kommer informationen istället från en tidpunkt efter att händelsen ägt rum?

2. Oundviklighet

”Det var oundvikligt att det skulle hända.”

Nästa, kognitivt högre, nivå vid hindsight bias är den felaktiga övertygelsen i efterhand att det var oundvikligt att en händelse eller ett skeende skulle äga rum. Det handlar alltså om ett fel som rör uppfattningen om den objektiva världen. Här spelar förenklade och falskt kausala samband en mycket viktig roll. (Se tidigare inlägg om den mänskliga kausaldriften och om korrelation vs. kausalitet.)  

Vi människor har en stark drift att kraftigt förenkla de upplevda sambanden mellan orsak och verkan, och vid hindsight bias samverkar denna drift med vårt djupt liggande behov av sammanhängande, meningsfyllda och begripliga narrativ. Finns de inte där naturligt (och det gör de sällan) skapar vi dem enkelt själva – och gärna i efterhand (”story/narrative bias”).

3. Förutsebarhet

”Jag visste att det skulle hända.”

Den kognitivt högsta nivån vid hindsight bias är den förhöjda föreställningen om den egna förmågan att i förväg ha kunnat förutse en viss händelse eller ett skeende.

Medan övertygelsen om oundviklighet på förra nivån bygger på en felaktig uppfattning om den objektiva världen grundar sig idén om förutsebarhet istället på en felaktig uppfattning om den subjektiva kunskapsnivån och förmågan att kunna förutse. Vi smickrar gärna oss själva med att säga ”jag visste att det skulle hända”.

Här stöter vi också på en försåtlig metakognitiv fälla: processing fluency. (Metakognitiv är ett begrepp som ungefär betyder ”vår förmåga att tänka om vårt eget tänkande”). Med processing fluency menas med vilken lätthet (flyt) som vi gör bedömningar och kommer fram till slutsatser.

Om det i efterhand uppfattas som enkelt för oss (hög fluency) att pussla ihop olika delhändelser till ett sammanhängande, meningsfyllt och begripligt händelseförlopp är vi också mer benägna att tro att händelseförloppet dessutom är sant. Enkelhet förväxlas alltså med äkthet, vilket ökar effekten av hindsight bias.

Konsekvenser

Hindsight bias spelar av naturliga skäl en mycket stor roll för enskilda ledare och ledningsgrupper vid återblickar till en tidpunkt före en viss händelse, och för olika typer av retroaktiva utvärderingar och felsökningar.

Två särskilt problematiska konsekvenser, som Roese och Vohs tar upp i sin artikel, är ”närsynthet” (myopia) och överdrivet självförtroende (overconfidence).

  • Närsynthet

Begreppet betecknar här en oförmåga att i efterhand hitta orsakerna till ett problem, antingen på grund av en fixering vid fel faktorer eller genom att ge en enda korrekt orsak (av flera) en proportionellt överdriven roll i skeendet. Detta försvårar möjligheterna att lära sig av sina misstag.

Här finns också en fara i att kollegor eller överordnade i efterhand skuldbelägger enskilda personer för ett misstag eller en olycka, när det kanske i själva verket inte alls var särskilt enkelt att förutse exakt vad som skulle hända.

Exempel: När rymdfärjan Challenger exploderade 1986 visade haveriutredningen att orsaken var en defekt tätningsring av gummi (en O-ring) – en av många små defekter man kände till i förväg. Drabbade av hindsight bias efter utredningen framstod det för många som obegripligt att just O-ringen inte hade åtgärdats, samtidigt som de ignorerade alla de andra kända riskfaktorerna.

  • Överdrivet självförtroende

Om vi i efterhand överskattar hur stor vår förmåga egentligen var att kunna förutse ett visst skeende är risken stor att vi även i framtiden kommer att överskatta vår förmåga att kunna förutse skeenden och deras konsekvenser. Detta överdrivna självförtroende bäddar för ett beslutsfattande präglat av stort risktagande.

Åtgärder för att minska hindsight bias

En viktig strategi som på gruppnivå kan bidra till mindre effekt av hindsight bias är att noga dokumentera vad som sägs och förutspås vid olika nyckeltillfällen – exempelvis vid särskilda planerings- eller beslutsmöten – för att bland annat motverka effekterna av minnesförvrängningar.

I blogginlägget om outcome bias presenterar jag en checklista för dokumentation av beslut i styrelser och ledningsgrupper. En motsvarande lista kan användas för att dokumentera gruppmedlemmarnas skattningar av sannolikheterna för olika scenarier – innan det finns något verkligt utfall att relatera till. Hur oundvikligt respektive förutsebart uppfattas varje tänkbart scenario vara i förväg? Dokumentationen kan sedan i efterhand hjälpa till att fastslå vad gruppmedlemmarna faktiskt sade och tyckte.

En av de träningsmetoder som forskningen har hittat stöd för när det gäller att minska effekten av hindsight bias på individnivå är ”att överväga motsatsen”. I den här metoden uppmuntras beslutsfattaren att i efterhand tänka ut alternativa scenarier till det inträffade, och att även förklara hur dessa scenarier hade kunnat uppstå.

Här finns två typer av frågor:

a) vilka alternativa omständigheter hade kunnat resultera i samma scenario som det inträffade?

b) vilka alternativa omständigheter hade kunnat resultera i ett annorlunda scenario än det inträffade?

Avslutning

Jag avslutar det här inlägget med två videor.

Den första, med Mary Daphne vid Columbia University, tar upp problemet med hindsight bias i sociala sammanhang. (Hon utgår bland annat från samma artikel av Roese & Vohs som jag presenterade i inledningen.)

Den andra videon, med Todd Daniel, är från en kurs i statistik och fokuserar på hindsight bias i samband med inlärning.

Tack för uppmärksamheten!

#4 Outcome bias

Del 4 i Hjärnambassadens ”Tänkarskola för beslutsfattare” handlar om outcome bias (”resultatbias” eller ”utfallssnedvridning”), och bygger vidare på tidigare blogginlägg om den mänskliga kausaldriften, korrelation vs. kausalitet och regression mot medelvärdet.

Definition

Den korta definitionen av outcome bias är tankefelet:

  • att vid utvärderingen av ett beslut endast utgå från hur resultatet blev,

och som följd av detta:

  • att ett beslut följt av ett negativt resultat automatiskt värderas som mycket sämre än exakt samma beslut följt av ett positivt resultat. (En studie kring just detta tas upp i videoklippet i slutet.)

Problemet vid outcome bias, och det som gör det till en snedvridning i tanken, är att bedömningen av ett beslut baseras på information som tillkommit efter själva beslutet. Men den nya informationen, framför allt hur resultatet blev, måste av logiska skäl ignoreras vid utvärderingen av kvaliteten på själva beslutet.

Resultat och samband

Mängder av faktorer kan påverka även det mest korrekta beslut i negativ riktning – efter att beslutet har fattats. Och även det omvända gäller: ett undermåligt och felaktigt fattat beslut kan råka få ett positivt utfall längre fram.

En förklaring till detta är att under den tid som går mellan ett visst beslut och det utvalda resultatet sker ofta en påverkan av flera – ibland oöverskådligt många – externa och okontrollerbara faktorer (inklusive slumpen), som i större eller mindre utsträckning får effekt på resultatet.

Jag skriver ovan ”det utvalda resultatet”, för vilket ”resultat” är det man väljer att titta på och varför? Det finns kanske flera alternativa ”resultat”? Och hur ser egentligen det kausala sambandet (orsak-verkan-sambandet) ut mellan ett visst beslut och ”resultatet”?

Vi människor kan relativt lätt förstå enkla linjära samband och direkta kausala samband som
”A => B”, men får snabbt stora svårigheter med icke-linjära samband (som t.ex. exponentiella samband) och komplexa kausala samband med flera eller dolda variabler – inklusive rena skensamband. Ändå bedömer vi ofta tvärsäkert och med starka känslor resultaten som om de med självklarhet vore direkt kausalt kopplade till besluten.

Kontroll

Resultaten är så klart inte oviktiga, men vi har alltså sällan, om någonsin, full kontroll över dem – särskilt inte om det går en tid mellan beslut och resultat.

De grekiska och romerska stoikerna förstod mycket väl vikten av att fokusera på det man kan kontrollera, och att därför också formulera mål som går att kontrollera.

  • Om jag går in i en tennismatch bör jag således inte ha som mål att vinna, utan att spela så bra som möjligt. Jag kan ju kontrollera det jag själv gör, men resultatet – vinst – kan jag inte kontrollera, såvida jag inte också kan kontrollera min motståndares rörelser och alla slumpmässiga faktorer som kan påverka spelet.
  • Om jag är säljare kan jag aldrig styra hur många som faktiskt köper, men däremot hur många potentiella kunder jag kontaktar, vad jag säger, hur jag beter mig o.s.v. Där har jag kontroll och kan hela tiden sträva efter att förbättra mig. Ett bestämt säljmål i termer av ”x antal nya köpare” ligger däremot utanför min kontroll och är därför ett mål jag bör undvika att sätta upp.
  • Om ledningen för ett företag har ett visst kvartals- eller årsresultat som övergripande mål riskerar de på samma sätt att falla offer för en illusion av kontroll, särskilt om de föreställer sig direkt kausala samband mellan beslut och resultat.

Det är alltså mycket vanskligt att koppla belöningar och bestraffningar (som bonusar och avsked) enbart till resultaten, eftersom det helt enkelt riskerar att vara belöningar och bestraffningar av precis vilka externa och okontrollerbara faktorer som helst. Och i så fall kan man ju lika gärna slå tärning. Udda prickar: VD:n får 1 miljon i bonus, jämna prickar: VD:n får betala en miljon – eller avgå.

Ändå envisas vi med att hylla eller såga företagens VD:ar enbart utifrån resultaten. Och ekonomijournalistiken hakar gärna på – för vem vill läsa en analyserande artikel som säger att slumpen sannolikt ligger bakom att det går bra eller dåligt för ett storföretag på börsen?

Utifrån ovanstående resonemang är det av naturliga skäl mycket stor risk att destruktiva former av outcome bias frodas i mål- och resultatstyrda organisationer. Om i princip det enda som räknas är resultatet är det stor risk att beslutsrutinerna, delprocesserna mellan beslut och resultat samt de anställda glöms bort, nedprioriteras eller till och med korrumperas – till förmån för resultatet (ändamålet får helga medlen).

Kvalitetssäkring av gruppbeslut

Hur en ledningsgrupp eller styrelse på bästa sätt kvalitetssäkrar sitt beslutsfattande, och inte minst sin dokumentation av besluten, ligger egentligen utanför det här blogginlägget, men här är förslag på en checklista:

  • Vilka var närvarande när beslutet fattades? Saknades någon?
  • Fick alla närvarande säga sin mening?
  • Hur fattades beslutet?
  • Vilka fattade beslutet?
  • Vilka argument låg bakom beslutet?
  • Fanns det någon som var emot beslutet? Varför?
  • Saknades någon typ av information?
  • Hur har beslutet dokumenterats?
  • Finns beslutsunderlagen lätt åtkomliga i anslutning till beslutsprotokollet?
  • Påverkade tidspress eller särskilda krav utifrån hur gruppen fattade beslutet?

Viktigt att vara uppmärksam på här är olika varianter av ”group think” och osund obalans inom gruppen när det gäller vems mening och åsikter som får styra besluten.

Dokumentationen av besluten bör formuleras neutralt och transparent, så att inte protokollen i efterhand framställer underlagen och beslutsfattandet till förmån för den eller dem som drev igenom besluten (”vinnarens historieskrivning”).

Om gruppen på allvar är intresserad av att förbättra sitt kollektiva beslutsfattande bör punkterna i den här listan regelbundet ses över. Kan någonting förbättras?

Processerna efter ett beslut

Medan kvaliteten på ett beslut (enligt listan ovan) alltså av logiska skäl bör bedömas helt fristående från resultatet är det för utvärderingen av resultatet desto viktigare att fokusera på och försöka analysera:

  • de egna arbetsprocesserna mellan beslut och resultat,
  • de externa och okontrollerbara faktorer som kan påverka utfallet av beslutet samt
  • inverkan av slumpmässiga faktorer.

En viktig analys av punkterna ovan är hur balansen ser ut mellan kontroll och icke-kontroll. Kanske har man i det närmaste 100-procentig kontroll över flera av arbetsprocesserna, medan några bara går att kontrollera till viss del (hur mycket?). Går det att öka kontrollen i någon del, och i så fall hur?

Dessutom: vem i organisationen ska egentligen bära ansvaret för de delar av resultatet som uppstått till följd av okontrollerbara faktorer och slumpen?

Avslutning

Till sist en avslutande video om outcome bias. Här nämns en känd studie kring det faktum att ett beslut som följs av ett negativt resultat automatiskt värderas som mycket sämre än om exakt samma beslut följs av ett positivt resultat.

Ur studiens abstract:

”Subjects were given descriptions of decisions made by others under conditions of uncertainty, together with outcomes of those decisions. Some decisions were medical decisions made by a physician or a patient, and others were decisions about monetary gambles.

Subjects rated the quality of thinking that went into the decisions, the competence of the decision maker, or their willingness to let the decision maker decide on their behalf. Subjects understood that they had all relevant information available to the decision maker.

Subjects rated the thinking as better (or rated the decision maker as more competent, or indicated greater willingness to yield the decision) when the outcome was favorable than when it was unfavorable.”

Tack för uppmärksamheten!

#3 Regression mot medelvärdet

Del 3 i ”Tänkarskola för beslutsfattare” bygger vidare på ”#2 Korrelation vs. kausalitet” och handlar om det mycket viktiga fenomenet ”regression mot medelvärdet”.

Det statistiska begreppet ”regression” betyder i det här sammanhanget ungefär ”återgång”, och det går inte att nog poängtera hur viktig en förståelse för fenomenet är inom i princip alla typer av verksamheter – och för att bli lite dramatisk: för förståelsen av hela vår tillvaro. Sist i inlägget finns också ett isande exempel på när det bokstavligt talat har betydelse för liv och död – avrättning eller inte?

Att som beslutsfattare känna till att fenomenet finns och dyker upp lite överallt är ett stort steg på vägen att fatta bättre beslut, och att även kunna utvärdera resultatet av olika satsningar betydligt bättre.

Vardagsexempel

Ex 1. Du är rektor på en skola och bestämmer att en grupp pedagoger ska göra en extra utbildningssatsning på de 10 % av eleverna som misslyckats mest på ett nationellt prov. Satsningen görs, eleverna får göra ett nytt, jämförbart prov, och gruppens medelresultat blir nu bättre. Går det då att säga att utbildningssatsningen har haft effekt?

Ex 2. Du är HR-chef på ett företag och genomför i samarbete med företagshälsovården en ganska kostsam friskvårdssatsning för att förbättra hälsan hos en grupp på 30 anställda, som haft högst sjukfrånvaro per månad av företagets samtliga 150 anställda. Två månader senare – efter diverse stödåtgärder – noteras att samma 30 individer under den senaste månaden haft en genomsnittligt lägre sjukfrånvaro. Går det då att säga att minskningen i sjukfrånvaro beror på den särskilda satsningen?

I två sådana här enkla och vanliga exempel skulle nog många säga att förbättringarna beror på satsningarna. Problemet är att det inte säkert går att säga att så är fallet – inte utan att man dessutom har likvärdiga kontrollgrupper som inte får ta del av satsningarna.

Till detta måste också läggas risken för s.k. bekräftelsebias (confirmation bias). Både som rektor och som HR-chef VILL du antagligen att satsningarna ska visa på en effekt – du vill ju gärna framstå som handlingskraftig, och pengarna har säkert tagits ur en hårt slimmad budget.

Naturliga förändringar – och slumpen

Men vad kan då ligga bakom förbättringarna om inte de specifika satsningarna?

I det första exemplet kanske omständigheterna helt enkelt är gynnsammare vid det andra provtillfället: dagsformen hos en del av eleverna kanske är bättre, vissa av eleverna kanske har bättre tur med frågorna och okända, slumpmässiga faktorer är kanske i högre grad till vissa elevers fördel. Detta sammanlagt gör att eleverna som gjorde dåligt ifrån sig på det första provet sannolikt, utan några insatser alls, i genomsnitt gör bättre ifrån sig på det andra provet.

I det andra exemplet är det på samma sätt högst möjligt att det förbättrade genomsnittet för den utvalda gruppen kommer av diverse naturliga orsaker – t.ex. övergående stress- eller sömnproblem, gynnsam påverkan av årstid och solljus eller att någon typ av somatisk eller psykisk åkomma har förbättrats spontant, eller till och med läkt ut. På två månader hinner många individer, utan några speciella insatser, återhämta sig en hel del från vanliga och övergående dippar i hälsa och välmående. Alla de här effekterna kan ligga bakom att gruppens genomsnittliga sjukfrånvaro gått ner.

Båda exemplen illustrerar fenomenet att avvikelser från ett medelvärde hos en grupp rent statistiskt tenderar att normaliseras en del av naturliga orsaker (inklusive variationer vad gäller tur och ”slump”), så att det sker en ”regression mot medelvärdet”, RMM.

Ju större avvikelse från medelvärdet vid första tillfället desto normalare gruppsnitt vid andra tillfället. Det är därför det kan vara extra lömskt med olika satsningar baserade på selektiva urval från s.k. ”extremgrupper”.

Andra exempel

Fenomenet RMM uppträder i vitt skilda sammanhang:

  • Idrottare som presterat exceptionellt bra under en säsong, med en serie resultat över genomsnittet, kommer sannolikt att prestera sämre under nästa säsong – även om träningen ligger kvar på samma nivå.
  • Ett företag som haft ett ovanligt dåligt kvartalsresultat (en sammanvägning av olika delvärden) kommer sannolikt att få ett bättre resultat under nästa kvartal – även utan att några särskilda åtgärder satts in.
  • Föräldrar med en längd över genomsnittet kommer sannolikt att få barn vars längd ligger närmare genomsnittet.

Och så vidare.

Lägg märke till att jag skriver ”sannolikt”. I varje enskilt fall finns det nämligen alltid en viss statistisk möjlighet att värde nr 2 fortfarande avviker mycket från medelvärdet. Det är därför viktigt att påpeka att RMM i statistiken är ett fenomen strikt på gruppnivå, inte på individnivå. Det är gruppens medelvärde som rör sig mot mitten. Och som sagt: ju mer avvikande grupp man väljer att studera desto större blir RMM-effekten.

När jag själv gick på läkarutbildningen i Lund en gång i tiden fick vi inte lära oss något om RMM, och ändå är det ett oerhört viktigt fenomen att känna till inom sjukvården. Här är en lättbegriplig och viktig artikel från Läkartidningen (2006), som tar upp fenomenet i samband med passageröntgen och s.k. ileus (”tarmvred” i dagligt tal).

Kontrollgrupper

Som jag nämnde ovan är en viktig metod för att hantera och bedöma RMM-effekten att använda kontrollgrupper. Slår man utan kontrollgrupper fast att förbättringarna beror på satsningarna gör man sig med stor sannolikhet skyldig till s.k. ”regression fallacy”.

En första grundregel är att kontrollgrupperna måste likna undersökningsgrupperna så mycket som möjligt. En andra grundregel är att inte använda för små grupper, eftersom det gör analyserna mer osäkra. Följer man dessa två grundregler ökar möjligheterna att göra korrekta analyser av satsningarna.

Om grupperna med elever eller anställda i de två exemplen ovan uppfyller kraven för kontrollgrupper kan man t.ex. i en första testsatsning låta hälften få stödinsatser och andra hälften inga insatser alls. Därefter fastställer man om det finns någon statistiskt signifikant skillnad mellan grupperna. Finns det en sådan skillnad kan den sannolikt, men aldrig 100-procentigt, förklaras av stödåtgärderna.

Med tanke på alla fällor som lurar i ett sådant här upplägg bör det därför endast iscensättas om de ansvariga för åtgärderna behärskar statistiska metoder väl. Gör man inte det är det bäst att ta hjälp från professionellt håll med både upplägg och utvärdering.

Det är ju knappast försvarbart att spendera tid och pengar på en satsning som inte går att utvärdera ordentligt, och som riskerar att antingen bara bli en medioker engångsinsats eller ännu värre: bli en återkommande men verkningslös ”modell”, för att visa att man satsar på åtgärder för svaga grupper.

Man bör alltså först genomföra en adekvat testsatsning som kan utvärderas ordentligt. Faller den väl ut kan upplägget/metoden sedan på ett försvarbart sätt användas upprepade gånger.

Beröm och kritik

Fenomenet att dåliga prestationer normalt följs av bättre och att bra prestationer följs av sämre får ibland det paradoxala till följd att kritik och bestraffningar efter sämre prestationer kan tyckas leda till förbättringar, medan beröm och uppmuntran efter goda insatser istället kan tyckas ge sämre resultat. Det går emot mängder av forskning som visar på motsatsen: att träning av olika färdigheter fungerar bättre om man belönar de goda prestationerna, istället för att man bestraffar misstagen.

I den här videon, från den utmärkta Youtube-kanalen Veritasium, tar Derek Muller upp RMM. Han baserar det mesta i klippet på vad nobelpristagaren Daniel Kahneman skriver om fenomenet i sin bästsäljande bok ”Tänka, snabbt och långsamt” (Thinking, fast and slow, 2011). Om du har den i bokhyllan – läs kapitel 17!

I kapitlet om regression mot medelvärdet skriver Kahneman följande, i ett resonemang kring professionella golfspelares insatser under några dagars tävling:

Framgång = begåvning + tur

Stor framgång = lite mer begåvning + mycket tur

Rimligen borde väl här begåvning kombineras med träning också, men poängen med hela resonemanget är: för alla dem som vill tro att stora framgångar enbart beror på exceptionell begåvning och optimala personlighetsdrag (ihop med hårt arbete) är det dags att tänka om.

Någon enstaka gång kan det förstås vara så, men i den överväldigande delen av alla fall av extra stor framgång är den sannolikaste bakomliggande orsaken också en extra stor portion tur.

Till sist en mycket viktig sak att komma ihåg:

Fenomenet med RMM säger ingenting alls om något kausalt samband (orsakssamband, se blogginlägg #2), för skiftningarna mellan bra och dåliga resultat.

Men eftersom den mänskliga hjärnan tolkar in kausala samband lite varstans och när som helst (se blogginlägg #1 om kausaldriften) fyller vi gärna i och hittar på olika förklaringar till RMM.

Hjärnan är helt enkelt mycket bättre på att hitta på falska orsakssamband, och skapa historier som bekräftar dem, än den är på att objektivt förstå statistik.

Alltså: regression mot medelvärdet har en förklaring, men ingen orsak!

“Regression toward the mean is not based on cause and effect, but rather on random error in a natural distribution around a mean.” (Wikipedia)

Efter den här genomgången rekommenderar jag den som vill veta mer om RMM, inklusive lite historik, att läsa vad Wikipedia skriver. (Obs! Lång text.)

Överkurs

För att anknyta till mitt förra inlägg ”#2 Korrelation vs. kausalitet”, så kan man rent matematiskt förklara regression mot medelvärdet med hjälp av begreppet korrelation.

Som jag förklarar där uttrycks styrkan och riktningen i korrelationen mellan variablerna med hjälp av en korrelationskoefficient, r,  som varierar mellan +1 (100% positiv korrelation) och -1 (100% negativ korrelation).

+1 och -1 förekommer väldigt sällan, utan korrelationen ligger oftast någonstans däremellan. Detta innebär då att det finns något annat än just de specifika variablerna man undersöker som också har betydelse för hur sambandet och korrelationen ser ut.

Det går att uttrycka så här: om korrelationen mellan två variabler inte är 100-procentig går det inte att undvika ”regression mot medelvärdet”. Det är så att säga matematiskt inbyggt i sambandet.

För den som varken räds regressions- eller vektoranalys ger den här (långa) Youtube-videon en mycket grundlig genomgång av matematiken bakom ”regression toward the mean”. Den mynnar ut i en sammanfattning av alltihop med den här eleganta formeln:

Kommentarerna till videon är intressanta. Där framgår bl.a. varför videon gjordes, och varför den innehåller så mycket matematik och resonemang kring just IQ-nivåer. Här handlar en förståelse för RMM bokstavligt talat om liv och död – avrättning eller inte?

”One of the reasons I included so much mathematical detail was that I made the video for a team of lawyers defending a man with an intellectual disability on death row.”
(Joel Schneider)

Tack för uppmärksamheten!

#2 Korrelation vs. kausalitet

Del 2 i ”Tänkarskola för beslutsfattare” bygger vidare på ”#1 Den mänskliga kausaldriften” och handlar om begreppen korrelation och kausalitet, och skillnaden mellan dem. Som beslutsfattare är det absolut nödvändigt att känna till och förstå dessa begrepp.

Korrelation och kausalitet förväxlas ofta, men korrelation inom statistiken är ett uttryck för styrkan och riktningen av ett linjärt samband mellan två (eller flera) variabler. En variabel kan vara vad som helst: längd, vikt, lön, temperatur eller priset på en bil.

Korrelationen kan räknas ut (den s.k. korrelationskoefficienten, r), och blir då ett tal mellan +1 (100 % positiv korrelation) och -1 (100 % negativ korrelation). Om talet blir 0 finns ingen korrelation, vilket innebär att det inte finns något linjärt samband. (Men det kan ändå finnas ett icke-linjärt samband.)

Själva korrelationen mellan två fenomen A och B, hur stark den än är, säger däremot ingenting om hur ett eventuellt orsakssamband (kausalt samband) mellan variablerna ser ut.

Det kan ju finnas någon typ av kausalt samband bakom en korrelation, men för att fastställa det behövs ofta någon form av djupare analys (se klippet om ”kausala nätverk” längre ner).

Förenklat kan ett kausalt samband t.ex. vara något av följande:

A => B ————– A orsakar B
A <= B ————– B orsakar A
A => C <= B ——- A och B orsakar båda C
A <= C => B ——- C orsakar både A och B, men A och B orsakar inte varandra direkt.

Det allra sista sambandet kan man kalla ett skensamband mellan A och B, något som är
mycket vanligt i det verkliga livet. Problemet är ofta att komma på vad C är.

Det finns också samband där A och B påverkar varandra, utan att direkt orsaka varandra (ömsesidigt samband).

Skrivet så här kan det tyckas stelt och matematiskt, men varenda dag bedömer våra hjärnor mängder av sanna och falska orsakssamband. Många av dem är tydliga och enkla, men lika många är dolda och komplexa – eller finns helt enkelt inte.

Här är ett exempel från en diskussion på LinkedIn:

  • Påstående: Att gå upp 05.00 (A) skapar framgång (B). (A => B)
  • Men det kan ju lika väl vara tvärtom, dvs:
    Framgång (B) driver en individ att gå upp 05.00 (A). (A <= B)
  • Eller: en tredje faktor (C) ligger bakom både att en individ går upp tidigt (A) och framgång (B), dvs A <= C => B. Här finns det alltså inget direkt samband mellan A och B, utan ett skensamband med C som gemensam orsak.

Följande pedagogiska film vidgar resonemangen kring kausalitet:

(För den som vill fördjupa sig ytterligare i systemteori har Youtube-kanalen ”Systems Innovation” många fler videor – både grundläggande och mer avancerade.)

Mängder av intuitivt kausala samband som vi människor uppfattar i vardagen och i arbetslivet är korrekta, men samtidigt är väldigt många också…helt fel.

Detta är mycket viktigt för beslutsfattare i företag och andra organisationer att förstå. Vad ger olika åtgärder i företaget för effekter? Är det verkligen A => B eller är det i själva verket A <= B? Och är det ett äkta kausalt samband eller ett skensamband (A<= C =>B)? Och vad är i så fall C…?

Här är två pedagogiska videor till. Den första tar upp lite allmänt om korrelation vs. kausalitet (orsakar verkligen glass eldsvådor?). Den andra gör en djupare analys av korrelation och möjlig kausalitet utifrån studien ”Eating breakfast may beat teen obesity” – ett utmärkt exempel på hur viktigt det är att tänka till lite extra när man läser publicerade studier.

Som lite överkurs tar jag med följande korta Youtube-klipp också, från Minutephysics. Det tar upp begreppet ”kausala nätverk”, som ibland kan användas för att analysera sig fram till kausalitet utifrån korrelation.

Hur galet det kan bli om man letar upp korrelationer mellan vitt skilda fenomen kan du se på den kända hemsidan Spurios Correlations.

I det här exemplet visas korrelationen (USA, år 2000-2009) mellan ostkonsumtion per capita och antalet personer som dött till följd av att ha snärjt in sig i sina lakan. Korrelationen är här 94,71%. Kausalt samband…?

Tack för uppmärksamheten!

 

xkcd: Correlation

#1 Den mänskliga kausaldriften

En av den mänskliga hjärnans inneboende förmågor och starka drifter är att hela tiden söka efter mönster och orsakssamband. Hjärnan scannar ständigt av den inre och yttre miljön i sitt sökande efter betydelser och mening. Det sker automatiskt och till stor del omedvetet. Det kan handla om perceptuella mönster (ofta visuella eller audiella) eller egna tankemönster, men också om t.ex. fysikaliska orsakssamband eller orsak-verkan i det sociala samspelet mellan människor.

Hjärnans förmåga till detta är så välutvecklad att den dessvärre också uppfattar mönster och samband där de inte finns. Denna obändiga drift tas upp i boken ”Den meningssökande människan” (Natur & Kultur, 2006) av professorn i kognitionsvetenskap Peter Gärdenfors. Han kallar den ”kausaldrift” – driften att ständigt söka kausala samband, samband mellan orsak och verkan.

Det är bäst och enklast att låta Gärdenfors få formulera sig själv, så innan du fortsätter läsningen av detta blogginlägg föreslår jag att du först läser hans artikel ”Vi berättar för livet” i Forskning och Framsteg, nr 3, 2006, (några minuters läsning). Artikeln bygger på delar av boken, som jag mycket varmt rekommenderar.

”De tre viktigaste drivkrafterna i jakten efter mening, tätt sammanvävda i människans kognitiva maskineri, är lusten att berätta, behovet av att se orsaker och viljan att se levande varelser bakom olika skeenden.” (Peter Gärdenfors)

Om du är intresserad av mer kring kausaldriften och Guds-frågan kan du här lyssna på ett avsnitt av P1:s Filosofiska rummet från 2006, ”Varför Gud?, med Peter Gärdenfors som en av gästerna.

Irrationella tankesystem

Kausaldriften har tjänat homo sapiens mycket väl genom evolutionen, men det blir alltså fel ibland – eller egentligen ganska ofta. Även dagens moderna människa ser mönster där de inte finns och uppfattar orsakssamband som inte existerar. Många av de illusioner och tankefel som återfinns inom det som kallas kognitiv bias grundar sig i olika varianter av skensamband.

Hjärnambassaden vill främja ett klart tänkande och ett rationellt och välgrundat beslutsfattande hos såväl enskilda beslutsfattare som beslutsfattande grupper. För att uppnå detta är det nödvändigt att 1) träna sig i att se och förstå äkta orsakssamband och 2) lära sig känna igen och avfärda falska orsakssamband, eller skensamband (se nästa blogginlägg #2 Korrelation vs kausalitet).  

En nödvändig följd av detta blir då att som klarsynt och rationell beslutsfattare avvisa tankesystem som helt eller delvis bygger på icke påvisbara eller t.o.m. falska samband, och som ersätter allmänt vedertagen kunskap och påvisbara kausala samband med mysticism. Exempel på sådana tankesystem är:

  • Pseudovetenskapligt tänkande
  • Religiöst tänkande
  • Vidskepligt tänkande
  • Övernaturligt tänkande
  • Magiskt tänkande
  • Konspirationsteoretiskt tänkande

Självklart står det vem som helst fritt att omfamna de irrationella tankesystem som listan tar upp, men det är Hjärnambassadens utgångspunkt att det är svårt – kanske till och med omöjligt – att kombinera sådana tankesystem med ett rationellt tänkande och beslutsfattande.

Se följande klipp om ”superstition”.

Ovisshet

En viktig aspekt av olika tankesystem är hur de hanterar ovisshet. Hur tänker du själv om du stöter på ett till synes oförklarligt fenomen? 1) Fyller du snabbt i med en icke påvisbar förklaring eller 2) säger du till dig själv att det antagligen finns en naturlig och påvisbar förklaring som kanske visar sig längre fram, men tills vidare får fenomenet helt enkelt vara oförklarat?

Den som har en stark benägenhet att välja alternativ 1) har sannolikt svårt att acceptera ett ”förklaringstomrum” och hänfaller då lättare till de irrationella tankesystemen i listan ovan, medan den som oftast väljer 2) kan sägas ha en mer utvecklad förmåga att hantera ovisshet, och därför också ett mer neutralt och rationellt förhållningssätt till fenomen utan någon tydlig förklaring.

Det senare förhållningssättet är även en förutsättning för att kunna acceptera ”slumpen” och osannolika händelser som självklarheter och välkomna följeslagare i vardagslivet.

Är du beslutsfattare? Hur förhåller du dig till de irrationella tankesystemen i listan?

Tack för din uppmärksamhet!