Inhaltszusammenfassung:
Bei der Planung müssen Menschen den Nutzen zusätzlicher Erwägungen gegen
ihre Kosten abwägen. Menschen, die dazu neigen, nicht zu planen,
erzielen in der Regel schlechtere Ergebnisse in verschiedenen Bereichen
des Lebens, die sich auf ihr Wohlbefinden auswirken, einschließlich
Gesundheit, Finanzen und Bildung. Es gibt mehrere Fragebögen, um zu
messen wie sehr Menschen dazu neigen die Zukunft zu planen (z. B., die
Fragebögen zur Erfassung der Planungsneigung: Lynch et al., 2010,
der Berücksichtigung zukünftiger
Konsequenzen: Strathman et al., 1994, und der
Zukunftsorientierung: Steinberg et al., 2009). Diese Maße können jedoch als
subjektiv angesehen werden und könnten durch soziale Erwünschtheit oder
Reaktivitätseffekten verfälscht werden, wie z. B. dem Wunsch der
Menschen, im Einklang mit gesellschaftlichen Werten zu antworten, um
"gut" zu erscheinen.
In dieser Dissertation entwickelte ich ein objektives,
verhaltensbasiertes, mathematisches Verfahren zur Messung individueller
Unterschiede darin, wie Menschen planen. Anstatt eine Person zu bitten,
selbst zu berichten, wie sehr sie dazu neigt, zukünftige Konsequenzen in
Betracht zu ziehen, schätzt meine Methode die subjektiven Planungskosten
einer Person mithilfe einer Kombination aus einer Planungsaufgabe und
einem rationalen kognitiven Prozessmodelll (Lieder and Griffiths, 2020).
Außerdem stelle ich eine Studie vor, die Fragebogenmessungen mit dieser
Methode kombiniert. In dieser Studie untersuche ich, ob und wie
individuelle Unterschiede in den subjektiven Planungskosten die Symptome
psychiatrischer Störungen vorhersagen können, und wie sehr mein
verhaltensbasiertes Maß der subjektive Planungskosten mit dem Erleben
der Person korreliert ist.
Die Grundlage meiner Methode zur Messung individueller Unterschiede in
der Planung ist ein kognitives Prozessmodell das die Planungsstrategien
von Personen mit unterschiedlichen Planungskosten vorhersagt . In einer
Situation, in der es unwahrscheinlich ist, dass sich lohnen würde zu
planen, oder in der planen besonders schwierig ist, könnte es sinnvoll
sein, überhaupt nicht zu planen. Hier untersuche ich, wie
Planungsstrategien, die suboptimal wirken, in Wirklichkeit optimal sein
können, wenn man die subjektiven Planungskosten berücksichtigt, die ein
Individuum empfindet. Insbesondere untersuche ich, wie erhöhte Kosten
för vorausschauendes Planen zu suboptimaler Entscheidungen führen
können, indem ich ein Prozessverfolgungsparadigma verwende (das
Mouselab-MDP-Paradigma Callaway et al., 2017). Zu diesem Zweck
erweitere ich ein bestehendes ressourcenrationales Planungsmodell um
subjektive Planungskosten, die durch eine Kostenfunktion mit mehreren
Parametern erfasst werden. Ich zeige, dass dieses Modell menschliches
Planen besser erklärt als einfachere Modelle und alternative
Erklärungen. Dieses Modell liefert eine mechanistische Erklärung dafür,
warum manche Menschen sich auf bestimmte Formen scheinbar suboptimaler
Planung verlassen.
Darüber hinaus wende ich Bayesian Inverse Reinforcement Learning an, um
die Parameter dieser Planungskostenfunktion zu schätzen. In einem
Experiment, in dem die Planungskosten von Personen manipuliert werden,
zeige ich, dass individuelle Unterschiede in den Kosten des
vorausschauenden Planens für etwa 70% der Versuchspersonen
zuverlässig erfasst werden können. Dieser Parameter könnte ein
nützliches Maß dafür sein, wie sehr eine Person dazu neigt in die
Zukunft zu planen (z. B. langfristige versus kurzfristige Planung).
Ich präsentiere die Ergebnisse einer Studie, die untersucht, ob
individuelle Unterschiede in den subjektiven Planungskosten mit den
Symptomen psychiatrischer Störungen sowie mit anderen Fragebögen wie
Lebenszufriedenheit, Bedauern und Planungsverhalten zusammenhängen
könnten. Ich finde keine prädiktive Beziehung zwischen den geschätzten
kognitiven Kosten und den Selbstauskünften der Versuchspersonen. In
explorativen Analysen finde ich jedoch mehrere kleinere Korrelationen
zwischen den geschätzten Planungskosten und einzelnen Fragebögen. Diese
explorative Arbeit erweitert die bestehende Literatur über die Struktur
individueller Unterschiede im Planen zwischen verschiedenen psychischen
Störungen.
Abschließend skizziere und diskutiere ich die möglichen Grenzen der
Methode und künftige Studien, die erforderlich sind, bevor diese Methode
in einem größeren, realistischeren Rahmen angewendet werden kann.
Abstract:
When planning, people have to trade off between the costs and benefits
of additional deliberation. People who tend not to plan may have worse
outcomes in various domains which impact well-being such as health,
finances, and academics. Several self-report measures exist to quantify
people's tendency to plan into the future (e.g., the Propensity to Plan
Scale: Lynch et al., 2010, the Consideration of Future
Consequences Scale: Strathman et al., 1994, and the Future
Orientation Scale: Steinberg et al., 2009). However, these measures can be
seen as subjective and might be influenced by social-desirability bias
or demand characteristics such as people wanting to answer in alignment
with societal values to appear "good".
In this dissertation, I present a computational method for objectively
quantifying individual differences in planning via subjective planning
costs. Instead of asking a person to self report how much they tend to
consider future outcomes, I quantify people's subjective planning costs
using a combination of a planning task and a resource-rational
computational model (Lieder and Griffiths, 2020). Furthermore, I present a
study pairing questionnaire measures with this method. In this study, I
investigate whether and how individual differences in subjective
planning costs can predict symptoms of psychiatric disorders, as well as
if subjective planning costs can predict people's scores on self-report
measures for similar constructs.
The foundation of my method for quantifying individual differences in
planning is a computational model for measuring subjective planning
costs. In a situation where planning is unlikely to pay off, or where
planning is particularly hard, it might make sense not to plan at all.
Here I investigate how planning which looks suboptimal, may, in fact, be
optimal with respect to the subjective planning costs experienced by an
individual. In particular, I investigate how costs such as a planning
depth cost (i.e., cost for looking into the future) might lead to
suboptimal planning using a process-tracing paradigm (the Mouselab-MDP
paradigm Callaway et al., 2017). To do so, I extend an existing
resource-rational model of planning to include subjective planning costs
captured by a cost function with multiple parameters. I show that this
model explains human planning better than simpler candidate models and
other alternative models. This model provides a mechanistic account for
why some people might engage in particular forms of seemingly suboptimal
planning.
Furthermore, I introduce the application of Bayesian Inverse
Reinforcement Learning to infer these cost weights for individuals. I
show, in an experiment where people's planning costs are manipulated,
that individual differences in a planning depth cost weight can be
reliably recovered for around 70% of people. The planning depth cost
weight could be useful as a measure of a person's propensity to plan
into the future (e.g., far-sighted versus short-sighted planning).
I present the results from a study investigating whether individual
differences in subjective planning costs might be related to symptoms of
psychiatric disorders as well as other self-report measures, such as
life satisfaction, regrets, and planning behaviors. I find no predictive
relationship between inferred cognitive cost weights and self-report
measure scores. However, I do find, in exploratory analyses, several
smaller correlations between cognitive cost weights and self-report
measure scores. This exploratory work expands on the existing literature
on the structure of planning differences across different mental
disorders.
Finally, I outline and discuss the possible limitations of the method,
and future studies needed before these methods could be applied to a
larger-scale, more real-world setting.
cognitive biases