認知科學等嘅領域上,決策粵拼kyut3 caak3英文decision-making)係指「由幾個可能選項當中揀一個」嘅認知過程。決策呢家嘢可以喺個人層面發生,但又可以喺組織層面發生-決策者指做決策嘅人,當成班人一齊做嘢嗰陣,佢哋往往會搵返個領導人負責做決策者,成班人跟從個領導人嘅決定[1]

2008 年有個人捉緊圍棋;佢用思考,諗「响咁多個可以行嘅棋步當中,揀邊個嚟行好呢?」

舉返個個人層面例子,想像有人喺度捉圍棋:圍棋玩法係對局雙方輪流行,喺每一步,位玩家可以將一隻自己色嘅子擺落去棋盤度,目的係要鬥睇吓邊個圍得多地盤;噉講即係話輪到一位玩家行嗰陣,佢就要由咁多個「擺到隻子落去」嘅位當中其中一個;當中

  • Input 個「擺到隻子落去」嘅位;
  • Output:一個「要擺隻子落去」嘅位;

呢個過程就係決策嘅例子。而決策過後,佢個就會傳訊號落佢啲肌肉度,令佢隻手郁動同埋擺隻子落棋盤。

實際經驗表明,決策有好多種唔同方法做,而唔同嘅決策方式達到目的嘅效果都唔同。管理經濟商學領域嘅學者好多都想知「點樣做決策,先能夠令自己達到目的嘅機率有咁大得咁大」[2]認知心理學腦神經學嘅工作者就會想剖析(例如)人做決策嗰陣個腦裏面發生緊乜事[3],而 AI 工作者又會想教電腦好似人腦噉做決策[4]。因為噉,決策呢家嘢吸引咗唔少學術界人士嘅興趣,引起唔同界別嘅研究者對決策相關嘅課題撰文。

定義 編輯

 
一盤國際象棋嘅棋局;隻白色騎士行咗藍色箭咀表示嗰步,去到嗰個位,紅色箭咀表示佢下一步可以攻擊黑色嘅城堡或者國王

有關「決策」呢隻詞要點定義,可以睇吓不列顛百科全書。2022 年嘅不列顛百科全書係噉描述 decision making(決策)呢隻英文詞嘅[5]

粵文翻譯:決策,(係)個體用嚟達致一個決定嘅過程同邏輯

想像一個人腦[註 1]係一嚿曉做運算嘅物體,識得攞某啲資訊input,處理吓啲 input 之後,就會畀出一啲新嘅資訊做 output [註 2]。有咗噉嘅諗頭,決策嘅過程就可以想像成[4]

  • Input粵拼in1 put1):攞若干個可能選擇採取嘅行動;
  • Output粵拼au1 put1):決定要揀邊個行動嚟採取;

舉個簡單例子:想像家陣有個人喺度捉國際象棋[6]

  • Input:佢有若干個「可以行嘅棋步」;
  • Output:決定要行邊一步(然後佢個腦就會傳訊號去佢身體啲肌肉度,令佢隻做出「攞起隻棋,將隻棋移去要去嗰個位」嘅動作);

又或者諗個商業例子,想像有間企業CEO [2]

  • Input:佢啲員工交咗幾份計劃書畀佢,每份都係提議緊間企業跟住落嚟要採取乜策略
  • Output:決定要採取邊套計劃(然後佢個腦就會傳訊號俾佢身體啲肌肉,令佢做出「打電話畀寫嗰份計劃書嘅人,話採用佢套計劃」嘅動作);

... 呀噉。

方法 編輯

 
2021 年香港沙田一間超市
(1) 「完美」決策:行勻嗮全港嘅超市,揀最平最抵嗰件貨,然後同每樣想買嘅嘢重複呢個過程;
(2) 「唔完美」決策:行自己去開嗰間超市,睇嗰間超市邊件貨最抵就買嗰件。
内文:決策論博弈論
睇埋:決策樹演算法

兩大做法 編輯

「靠直覺心靈係一件神聖嘅恩賜,而靠理性嘅心靈係一位忠實嘅僕人。」

-有人話係愛因斯坦講嘅[7]

到咗廿世紀尾,多個領域-包括經濟學、認知心理學同 AI 呀噉-都已經留意到一點:決策可以大致噉分做兩種。

  • 經濟學:喺古典經濟學當中,研究者好興將決策者想像成一嚿完美理性嘅物體,曉好似理性決策模型(睇下面)所描述嘅噉,有能力攞嗮所有必要嘅資訊,然後至做決定揀最理想嗰個選項(慢),但打後嘅行為經濟學研究表明,人絕大多數時候都做唔到完美理性,要焗住喺資訊等嘅條件有限嘅情況(快)下做決策[8]
  • 心理學認知心理學有所謂嘅雙重過程理論[歐 1],發覺人腦做決策嗰陣,似乎有兩大模式可以用-個腦可以用有意識同慢嘅第二型過程,又或者用無意識同快嘅第一型過程,簡化講前者係「慢慢諗」(慢)而後者係「靠直覺有咁快得咁快做決定」(快);心理實驗表明,第一型過程解起難上嚟好多時仲有效過(答啱問題嘅機率高過)第二型過程[9]
  • AI:廿世紀嗰陣,好多人都諗住 AI 可以齋靠窮舉搜尋[歐 2]做-窮舉搜尋指將啲可能答案逐個逐個睇一次,睇嗮就畀最理想嗰個答案[註 3]出嚟做 output(慢);但打後嘅研究表明,啲人遠遠低估咗啲問題有幾複雜,例如想像家陣要教 AI 捉圍棋,圍棋極之複雜,有成 10170 個可能情況咁多,部電腦運算能力幾勁都唔能夠喺限定時間內計嗮;於是 AI 工作者就改用一啲比較「聰明」嘅做法,佢哋教 AI 淨係揀一部份嘅可能性嚟睇,而且揀起嚟有技巧,揀到大機率會用到嗰啲可能性嚟睇(快),最後搵到嘅答案唔包保係所有可能答案當中最理想嘅,但個答案會「有咁上下理想」而且可以喺相對短嘅時間內計出嚟[10]。例如出名嘅捉圍棋 AI 程式 AlphaGo 就用咗噉嘅做法[11]

上述呢啲研究帶出咗以下嘅諗頭[註 4][12]

『完美理性』追求想搵出『絕對最好答案』(最大式決策),但往往慢得滯,做唔到『喺限時內畀答案』;

『唔完美理性』追求想搵出『絕對最好答案』,淨係想『搵個有咁上下好嘅答案,然後收手』(滿足式決策),而喺實際應用上,『唔完美理性』做法做到『喺時間等嘅資源有限之下,畀出一個質素可以接受嘅答案』。

理性決策 編輯

理性決策模型[歐 3]係「慢,想搵絕對最好答案」(理性)嘅方法,廿世紀嗰陣曾經畀好多管理者同學者認為係「理想」嘅決策方式,會涉及做決策嗰個人嘗試做徹底嘅研究,將啲可能嘅選項冚唪唥睇勻嗮,逐個逐個選項睇清楚佢「有幾能夠幫手達到目的」,再揀最好嗰個選項。响廿一世紀初嘅商學界,管理工作者對「理性決策要點做」有唔同見解,當中理性決策模型係最多人用嗰隻,步驟如下[13][14]

  1. 界定問題:認清自己嘅目的。決策者要定義好佢要解緊嘅問題係乜,例如想像而家有位 CEO 要同自己領導嗰間企業做決策,決定間企業要採取乜策略,佢可能會以「建立持久嘅競爭優勢」同「提升間企業生產嗰時嘅效率」等嘅嘢做目標[15]
  2. 界定指標:按自己嘅目的,諗吓一個行動方案要點先算好。決策者要想像未來發生嘅事,諗出「成功達到目標」嘅情境會係點嘅樣(睇埋情景計劃)同埋要用咩指標評估自己距離目標有幾遠,例如位 CEO 要提升效率,簡單嘅可以用「營業額成本嘅比例」嚟做評估;
  3. 可能方案:諗清楚自己手上有邊啲可能行動方案。呢個過程需要相當大量嘅專業知識-例如想像家陣位 CEO 要諗「跟住研發咩新產品」,佢需要諗「現有嘅產品可以點改變」等嘅問題,呢啲問題嘅答案需要工程師等嘅人員度過先至會清楚;
  4. 評估方案:按步驟 2 當中制定咗嘅基準,評估每個可能行動方案有幾好。呢點又係會用到專業知識-例如想像位 CEO 得知有三樣新產品可以研發,每樣產品做研發「要使幾多資金」同「會帶嚟幾多利潤」呢啲嘢都係要靠工程師同營銷人員嘅專業知識先估計得到嘅;睇埋博弈論概率論同埋成本效益分析
  5. 最後決定:揀最好嗰個選擇。

管理界普遍認為,當一位決策者手上時間充足嗰陣,理性決策模型係理想嘅決策方式。不過,管理相關工作者都會提醒決策者要小心:理性決策過程嘅每一個階段都有可能會出錯,例如決策者可能會揀錯衡量嘅指標[註 5],又有可能佢哋因為手上資訊唔完整,搞到有啲可能方案係佢哋唔知嘅或者佢哋錯誤評估啲方案嘅質素[16]

 
一班城市規劃師整模型描繪佢哋想像中「座城市要設計成點嘅樣」-喺成個過程裏面,佢哋會慢慢度,計好嗮數先決定。

快速決策 編輯

 
一隻清版射擊遊戲嘅截圖;玩家控制住架飛機向四周圍射,一見到敵人出現就要即刻畀反應。
内文:啟發法直覺

決策唔一定要用慢嘅理性式做法:喺人類進化史上,人喺好多情況當中都要快速噉做決定,靠簡單法則行事;例如想像有個人望到有隻成年嘅向佢衝緊埋嚟,由進化嘅角度睇,「慢慢將周圍嘅逃生路線冚唪唥分析嗮,先決定點走」並唔係有適應性嘅行動,一般認為嗰個人應該做嘅係「是但揀條望落唔似去倔頭路嘅路線,有咁快得咁快跑」-後者就係條簡單嘅行事法則,雖然簡單但有效噉解決到問題[17]

或者舉個日常例子:想像有個人要去買餸,佢可以齋靠「去我去開嗰間超市,揀嗰度最抵嗰件貨」噉嘅簡單法則行事,而唔使「睇勻嗮全香港嘅超市,格嗮價先決定去邊度買同點買」;雖然靠前者條簡單法則行事達唔到「完美理性」,但噉做多數時候(例如 99.5% 機會)都會畀到似樣嘅結果(買到嘅餸有咁上下抵)。

總括嚟講,即係話快速決策重點在於

要靠一啲簡單嘅行事法則做決定。呢啲法則能夠快速畀答案,而且經驗表明佢哋多數時候會畀到有咁上下啱用嘅答案。

學術上,上述噉嘅思考仲形成咗啟發法[歐 4]嘅概念:喺認知科學上,啟發法泛指一啲可以用嚟快速噉解難嘅「認知捷徑」,唔包保搵到絕對最好嘅答案,但可以喺短時間內畀出解到難嘅答案,(最少理論上)每一款現時畀人類廣泛噉用嘅啟發法,都係因為喺人類進化史上一路有助人類解難所以留存到落嚟[18]

Info:射擊遊戲入面嘅快速決策

射擊遊戲係種動作電子遊戲類型。呢啲電子遊戲會將玩家控制嘅角色擺喺一個虛擬世界裏面,畀玩家用虛擬嘅長距離武器嚟射虛擬嘅敵人。想像有隻畀玩家對局嘅射擊遊戲,對局開始嗰陣戰場上面有 100 位玩家,玩家要一路喺戰場周圍搵物資一路戰鬥,畀人射死咗嘅玩家會出局,最後淨低生存落嚟嗰位玩家就算贏-可以睇埋大逃殺遊戲[歐 5]嘅概念。喺隻噉嘅遊戲入面,玩家要係噉做快速嘅決策,例如[19][20]

  • 「眼前有拃物資執,攞邊啲(假設隻遊戲設做「玩家手上最多淨係可以揸 X 件物資」)先能夠最大噉提升我嘅贏面?」
  • 「啱啱去到一個新嘅地帶,唔知有冇敵人喺入面,我好唔好入去搜集物資?如果要,由邊條路線入去好?」
  • 「離遠見到有個敵人,佢似乎仲未知我存在,我好唔好嘗試同佢交戰?如果要,噉要用咩戰術攻擊?側擊埋伏好?」
  • 「而家同個敵人交戰緊,我有冇需要推進?」
  • 「而家同個敵人交戰緊,我有冇需要進入防守狀態?」
  • 「而家同個敵人交戰緊,好唔好用咗我把勁武器佢?」
  • 「而家同個敵人交戰緊,我有冇需要撤退?」
  • 「頭先同我交戰緊嗰個敵人喺度撤退,我好唔好追佢?」

... 呀噉[註 6][21]。呢啲問題條條都會涉及大量運算,喺遊戲對局進行中途,玩家往往得嗰幾秒時間做決策,冇可能話慢慢計嗮所有可能方案先至郁。而事實表明,專業嘅電子競技參賽者(職業玩家)的確展現到「喺幾秒甚至一秒都唔夠嘅時間內做決定」,同時佢哋嘅決策明顯唔係齋靠運氣-如果攞呢啲專業玩家同普通玩家對局,專業玩家會(例如)贏 95% 嘅對局[22]

順帶一提,上述噉嘅研究仲發現,快速決策係種有得訓練嘅認知能力:有廿一世紀初嘅研究就試過噉做,研究者搵咗班冇射擊遊戲經驗嘅受試者返嚟,叫佢哋定時定候打機玩射擊遊戲,發覺佢哋「定時玩射擊遊戲」玩咗幾個月之後,做快速判斷嘅能力高咗[23][24]

常見問題 編輯

管理同相關領域嘅工作者有深入噉剖析「有啲咩問題係做決策嗰陣常撞到嘅」。

預測未來 編輯

 
1903 年萊特兄弟做試飛嘅;單嘢證實咗開爾文男爵做嘅預測係錯誤嘅-經驗表明,未來不嬲都好難預測。
内文:情景計劃
睇埋:未來學

「重過空氣飛行機械係冇可能達到嘅。」-開爾文男爵[歐 6],1895 年。

萊特兄弟喺 1900 年代做試飛,證實咗開爾文男爵講嗰句嘢係錯誤嘅[25]

管理工作上有講到情景計劃[歐 7]嘅概念:經驗表明,決策嘅過程往往要求決策者做出「如果採取咗噉嘅行動,跟住落嚟會發生噉噉噉嘅事」噉嘅想像;情景計劃泛指做決策嗰陣喺腦海入面建立「情景」-想像「跟住落嚟會變成噉嘅情景」或者「如果採取咗噉嘅行動,情景會變成噉」等嘅嘢,並且按呢樣資訊作出計劃[26][27]

預測未來呢家嘢可以好撈絞。根據情景計劃個諗頭,「想像未來,決策」想嚴謹啲嘅可以大致噉做[26]:p. 5-7

  1. 要建構情景,首先要定義套計劃嘅「要有幾長遠」:例如想像家陣有間企業嘅管理層,佢哋要制定間企業嚟緊 10 年要採取嘅計劃,噉佢哋建構嘅情景就要諗到跟住落嚟嗰 10 年嘅變化[註 7][28][29]
  2. 跟住思考者要諗吓成件事「涉及邊啲利益相關者[歐 8]」:即係成件事會影響邊啲人嘅利益;例如假想而家間上市公司想制定未來 5 年嘅計劃,計劃「要研發咩產品」等嘅行動,噉間公司嘅員工股東嘅利益都有可能會受影響。
  3. 睇吓啲重要變數嘅趨勢:世界有成千上萬個變數,但思考者通常可以憑經驗知「邊啲變數零舍重要(重要係指能夠對利益相關者嘅利益造成影響)」,然後思考者就要估計呢啲變數跟住落嚟會點變化;舉個簡單例子,想像家陣有間公司,佢哋度緊嚟緊幾年要研發嘅產品,佢哋發覺打前嗰幾年政府一路立法想減低啲人嘅碳腳印,於是就揼本做研發嗰陣研究埋「點樣減少隻產品嘅碳腳印」[27]。有關趨勢呢家嘢要點處理,可以睇埋插值外推嘅概念。
  4. 搵出「有邊啲重要嘅變數唔確定」(不確定性)。
  5. 建構情景:一般認為,思考者一開始可以試吓諗最好最壞嘅情況係點,即係想像「如果啲重要變數冚唪唥都向對自己有利嘅方向郁,會係點嘅世界」(極正面),跟住再想像「如果啲重要變數冚唪唥都向對自己不利嘅方向郁,會係點嘅世界」(極負面)。
  6. 估計發生機率:每個情景,估計吓個情景有幾大機率會發生。
  7. 搵出啲共通點:攞住啲可能性高嘅情景,諗吓佢哋之間有啲咩共通點。
  8. 有冇研究要做:諗吓有邊啲嘢需要做研究,例如如果對市場形勢不確定性大嘅話,就可能要安排資源做市場調查
  9. 有管理學者主張,如果可以嘅話,最理想係要睇吓可唔可以用精確嘅數學模型做預測。可以睇埋電腦模擬嘅嘢。
  10. 做決策

要留意嘅係,要跟上述嘅步驟做計劃,需要咁上下專業知識或者經驗-例如決策者要憑知識經驗知「根據歷史,邊啲趨勢係成日發生嘅」或者「咩情景發生嘅機率高」呀噉。有唔少管理學者仲想做進一步嘅研究,想解答「點樣先可以有效噉用電腦模擬做預測,用模擬結果幫手做情景計劃?」噉嘅問題[26]

資訊過多 編輯

 
一個人望住大拃上面寫咗(字係種包含資訊嘅符號)嘅紙仔,一時之間根本處理唔到啲紙仔上面嘅字講嘅內容-事實表明,接收到嘅資訊嘅量太大嗰時,會搞到個人覺得混亂。
内文:資訊過多

資訊過多[歐 9]係指手上嘅資訊多得滯:要做決策,個人梗要或多或少噉搜集一啲資訊,例如商業上要決定「邊隻產品值得抌本做研發」,通常起碼要睇吓市場研究嘅結果,睇吓啲客對啲產品有咩意見;又例如想像行軍打仗(或者打射擊遊戲)嗰時,一位軍人要決定「要行邊條路線前往目標地點」,通常起碼會想知一條路線有冇敵軍活動嘅跡象;呢啲資訊會對佢哋嘅決策結果有具體影響-如果一間公司嘅管理層對市場形勢判斷錯誤,可以搞到間公司因為開發錯產品而損失慘重[30]

廿一世紀初畀好多人指係資訊爆炸嘅事代:隨住資訊科技愈嚟愈先進,要搜集資訊愈嚟愈易,一個人喺 Google 搜尋器入面是但打幾隻字,就已經會搵到大量相關嘅料,啲料多到佢根本睇唔嗮。心理學同腦神經學等領域上嘅研究表明,人腦資訊處理能力係有限嘅[31],當一個人腦要處理嘅資訊嘅量大得滯(資訊過多),往往會搞到個人唔舒服,而且實驗性質嘅研究仲發現,當要處理嘅資訊嘅量大到咁上下,個人做準確判斷嘅能力會下跌。因為噉,資訊過多同資訊爆炸等嘅課題响決策相關討論上廣受關注[32]

為咗應對「手上有大拃資訊」嘅問題,2010 年代嘅 IT 界興起咗大數據[歐 10]相關技術。大數據泛指一啲「因為大得滯複雜得滯,廿世紀同打前嗰啲數據處理方法搞唔掂」嘅數據集。處理噉嘅數據會用到機械學習同第啲 AI 技術,呢啲技術重點係要將啲數據簡化[33]:例如想像做市場研究,搵到拃數據返嚟,

  • 數據集包含咗描述 50,000 位消費者嘅數據;
  • 不過咁大拃數據,決策者難以一嘢理解拃數據畀到啲乜資訊;
  • 於是佢就行統計分析,將班消費者分做 5 個「類別」,每類內部差異細而類之間差異大;
  • 再描述每個類別有咩特徵-即係例如「第一類主要(75%)係 18 至 24 歲嘅後生仔女,同埋興响禮拜六日行街買嘢、第二類...」呀噉[註 8][34]

而有關「點樣用 AI 相關技術應付大數據」嘅問題,仲可以睇吓統計分類降維等嘅課題。

 
聚類分析嘅核心諗頭:「將啲點逐點逐點噉嚟分析」太難理解,橫掂啲點明顯分到做 3 個「類」,索性將拃點睇做 3 個類,先至做進一步嘅分析。

分析癱瘓 編輯

 
軟件工程師喺度測試緊佢整嗰隻新軟件。佢試行咗 100 次,隻軟件都行得完美無暇,但第 101 次嗰陣會唔會出事呢?
内文:分析癱瘓
睇埋:不確定性歸納

分析癱瘓[歐 11]係指一個人或者團隊掛住對形勢做分析,而且做完又做,做到完全冇辦法進入決策嘅下一個階段-「做分析做到癱瘓咗」噉嘅樣:一個人做決策之前梗要或多或少噉對攞到嘅資訊作出分析,從而判斷周圍嘅形勢、手上有咩行動方案同埋每個方案會有咩後果... 呀噉;原則上,佢做到咁上下就應該要去下一個階段,但現實經驗表明,做緊分析嘅人有陣時會出現「去唔到下一個決策階段」嘅情況,理由通常源於對不確定性焦慮[35]。想像家陣做軟件工程[36]

  • 有班軟件工程師整咗隻新軟件嘅原型出嚟,要測試隻軟件;
  • 班工程師試行咗 90 次,隻軟件行得完美無暇;
  • 不過隻軟件行第 91 次嗰陣出現程式錯誤
  • 於是班工程師郁手將隻軟件改返啱,跟住再做測試;
  • 班工程師做咗 100 次試行,隻軟件行得完美無暇;
  • 不過班工程師擔心第 101 次會出事,所以再測試多次,結果第 101 次測試冇事;
  • 跟住班工程師擔心第 102 次會出事,所以再測試多次,結果第 102 次測試冇事;
  • 跟住班工程師擔心第 103 次會出事,所以再測試多次

... 如是者,班工程師就係噉做測試同分析,去唔到「郁手準備發佈隻軟件」(決策嘅下一個階段)-算係進入咗分析癱瘓嘅狀態[37]。分析癱瘓呢種現象引起咗唔少管理工作者嘅注意:一方面,管理工作者唔想乜分析都唔做就做決定,覺得噉係魯莽,但同時佢哋又唔想自己嘅組織進入分析癱瘓。因為噉,「要點樣喺兩者之間攞個平衡」就成為咗條大問題,當中喺 2015 年就有評論者响著名商業雜誌福布斯度撰文噉講,建議人做嘢嗰時要接納「自己做嘅嘢永遠冇得確保 100% 唔會出錯」呢個事實[38]

粵文翻譯:你大可以用全日嘅時間跟住佢跑,但永遠唔會去到咩(有用嘅)位置。相反,應該係由你決定幾時要停手(唔做分析)。... 要知啲衛星永遠唔會咁啱排到做一直線。無論你揸住幾多資訊,都梗會仲有更多資訊(係你未有嘅)。

認知偏誤 編輯

 
戰機倖存偏誤嘅想像圖;紅點表示「基地入面啲戰機身上有畀人打中過嘅部份」-出乎意料嘅係,基地入面啲戰機冇任何一架係駕駛艙畀人打中過嘅。
内文:認知偏誤

認知偏誤[歐 12]係指人嘅認知傾向以某啲方式持續偏離正確判斷。

倖存偏誤[歐 13]係一種出名嘅認知偏誤。倖存偏誤指啲人搜集數據嗰陣,傾向淨係得到通過咗某啲甄選程序嘅個體,過唔到甄選程序嘅個體進入唔到數據集,因而引起數據偏向。例如

  • 二戰嗰時,有美軍嘅分析師試過研究戰機裝甲,佢哋分析返空軍基地嘅戰機喺乜嘢部位畀敵人子彈打過(搜集數據),諗住畀敵人子彈打得多嘅部位就要加厚裝甲;
  • 結果發現,返到基地嘅戰機當中冇一架係駕駛艙畀敵人子彈打過嘅(好似附圖所示);
  • 噉唔係表示駕駛艙唔使加厚裝甲,而係因為駕駛艙畀敵人打中嘅戰機根本唔會返到基地(所以駕駛艙更加要加強裝甲);

-駕駛艙畀敵人打中嘅戰機過唔到「生還」呢個甄選程序,令最後得到嘅數據望落好似反映「冇戰機嘅駕駛艙畀敵人打中過」噉[39]

有社科學者指,決策者有需要理解認知偏誤,尤其係要知「自己有啲咩認知偏誤」-做決策嘅人要識得透過理解呢點,知道(例如)有啲咩資訊係自己零舍傾向會睇唔到嘅,而呢點對「要對邊方面嘅資訊做進一步分析」有重要啟示,而管理工作者亦有提倡,對領導才能嘅訓練(領導必然會涉及決策)有必要教學生點樣觀察自己同身邊嘅人嘅諗嘢方式,思考

我同我啲同事諗嘢嗰陣,傾向有咩偏誤?

噉嘅問題[40]。好似頭先講到戰機倖存偏誤嗰個例子噉,美軍分析師意識到「我哋淨係睇得到返到基地嘅戰機,但睇唔到返唔到基地嗰啲戰機,我哋睇到嘅嘢未必代表到嗮所有嘅戰機」呢點-即係佢哋能夠理解自己嘅諗嘢方式有乜局限,從而達致更加準確嘅判斷。

其他問題 編輯

  • 決策疲勞[歐 14]:指人做得決策多會,決策疲勞就係指因為做決策做得多而有嘅疲勞;就噉靠日常觀察都知(而心理實驗亦都發現),做決策係要消耗一個人嘅精力嘅;當一個人精力唔夠(睇埋認知負荷嘅概念)嗰陣,做起決策上嚟嘅表現就會跌-佢反應會開始變慢,做準確判斷嘅能力又會跟住下降,仲會開始有衝動嘅傾向(即係個人會開始重視短期利益多過長遠利益)[41][42];嚴重起上嚟,個人仲可能會出現迴避[歐 15]嘅行為-即係索性抌低嗮所有責任走咗去。因為噉,管理工作者都有就「點探測啲決策者有冇出現決策疲勞」等嘅課題作出討論[43]
  • 團體迷思[歐 16]:組織入面成日有嘅一種現象,指一班團隊做嘢嘅人盲目噉同意身邊嘅人講嘅嘢,最後搞到佢哋做嘅集體決策冇咁有效;經驗表明,當一班人團隊做嘢嗰陣,啲人會[44]
    1. 想維繫團隊和諧,所以有陣時會唔敢批評身邊嘅人嘅意見;
    2. 班人成日撞口撞面,彼此之間多對話,因而少咗同團隊外嘅人交流,少接觸團隊外嘅人嘅意見;
    3. 因為人多,個個覺得出起事上嚟自己都未必要孭責任,所以一個人覺得個決定有問題,都可能冇乜誘因出聲;
    • 上述呢啲情況,都有可能減低組織做嘅決策嘅質素。因為噉,唔少管理工作者都會留意「有咩跡象顯示團體迷思發生緊」噉嘅問題,想防止團體迷思損害組織嘅決策能力。
  • 古德哈特定律[歐 17]:一條源於經濟學嘅定律,指「任何觀察到嘅統計規律,一旦有決策者想要用條規律嚟做操控目的,條規律都傾向會倒冧」噉嘅現象;舉個具體例子,家陣有間企業CEO 想間企業做嘢有效率啲(做嘢效率 = 想量度嘅嘢 Y),佢[45][46]
    • 請人返嚟同佢啲員工問卷調查,量度啲員工嘅工作滿足感,發現工作滿足感能夠顯著噉預測啲員工做嘢有幾快手,啲員工愈有滿足感,做起嘢上嚟就愈快手(統計規律);
    • 於是個 CEO 就決定要用工作滿足感分數(X)做衡量 Y 嘅指標(攞條統計規律做操控),但佢手下嗰啲中層管理人員一聽到呢個政策,就個個都想令自己個部門望落效率高啲,叫自己手下啲員工填問卷嗰陣特登填高啲嘅滿足感分數(啲人操縱 X),最後搞到啲問卷上面嘅工作滿足感分數唔再反映到啲員工做嘢有幾快手(統計規律倒冧)。

... 呀噉。

AI 支援 編輯

 
人同 AI 可唔可以協作一齊做嘢呢?
内文:協作智能

協作智能[歐 18]人工智能(AI)同相關研究上成日有人提到嘅一個概念,指一班彼此知道對方身份嘅智能體-包括機械-各自[註 9]噉行事,嚟幫手解決一個佢哋大家都想解決嘅問題。喺廿一世紀初嘅管理學上,有好多工作者都想應對 AI 愈嚟愈普及化嘅形勢,因而有興趣想思考「人應該點樣同 AI 合作,形成一個有協作智能嘅組織」等嘅問題[47][48]

响廿一世紀初,AI 最勁嘅地方係,能夠以人類冇可能追得上嘅速度睇大量嘅數據[註 10](睇返上面資訊過多嘅應對):AI 能夠(例如)喺幾日以至幾個鐘嘅時間內睇勻嗮數以萬計嘅病人嘅數據,學識邊啲病徵同邊啲病症有關,所以可以攞嚟幫手診斷病人(用「手上病人嘅病徵」預測「佢有乜嘢病」),而且表現仲好過人類嘅醫生[49]-相比之下,人要做同樣嘅嘢就要用閒閒哋幾年嘅時間嚟學習。因為噉,喺多個領域當中都已經出現「管理者用 AI 取代人嚟幫手做預測」噉嘅情況[50]

除此之外,AI 同相關嘅技術仲能夠透過以下嘅方法,幫手攞決策必需嘅資訊[註 11]

  • 自動噉搜集資訊-例子可以睇網頁刮料文本情感分析等嘅技術畀市場學攞嚟剖析啲客嘅意見[51][52]
  • 資訊抽取-自動噉由一段字度攞出有用嘅資訊,例如「攞住份長文件,抽出最重要嗰啲句子」噉,等決策者睇資訊嗰陣方便啲[53][54]
  • 自動總結-自動噉攞手上嘅資訊,再畀出一段「短過原先段嘢,但有齊嗮啲重點」嘅資訊,又係會令決策者睇資訊嗰陣方便啲[55]

因為 AI 咁有用,唔少管理工作者都開始想學相關嘅知識[50]

數學相關 編輯

認知相關 編輯

社會相關 編輯

遊戲相關 編輯

註釋 編輯

  1. 或者一個有返咁上下聰明AI
  2. 事實係,廿一世紀初認知科學都係傾向將人腦嘅資訊處理想像成「由 input 去 output」噉嘅過程。
  3. 假設啲人對「答案要點至算係理想」有嗮共識。
  4. 可以睇埋數學講嘅最佳化:數學最佳化都係唔堅持搵絕對最好嘅答案,而係要喺夠短時間內搵個「有咁上下理想嘅答案」。
  5. 亦可以睇埋指標執著嘅問題。
  6. 假設隻遊戲設計得夠好-對局途中嘅好多選擇都會顯著影響玩家嘅贏面。
  7. 一般嚟講,商業上嘅情景計劃頂攏淨係會諗未來嗰幾年嘅變化,因為過往經驗表明未來好難預測,要預測超過 10 年後嘅變化,可以話冇可能咁滯。
  8. 順帶一提,「將數據入面嘅個體分類」正正就係聚類分析混合物模型等好幾種統計模型做嘅嘢。
  9. 概念上,指冇心靈感應等容許個體之間直接通訊嘅嘢。
  10. 詳情可以睇機械學習
  11. 以下呢啲技術以自然語言處理(NLP)為主。

文獻 編輯

  • Bazerman, M. H., & Moore, D. A. (2012). Judgment in managerial decision making. John Wiley & Sons.
  • Clark, L. (2010). Decision-making during gambling: an integration of cognitive and psychobiological approaches. Philosophical Transactions of the Royal Society B: Biological Sciences, 365(1538), 319-330.
  • Conitzer, V., Freeman, R., & Shah, N. (2017, June). Fair public decision making. In Proceedings of the 2017 ACM Conference on Economics and Computation (pp. 629-646).
  • Edwards, W. (1954). The theory of decision making. Psychological bulletin, 51(4), 380.
  • Fischhoff, B., & Broomell, S. B. (2020). Judgment and decision making. Annual review of psychology, 71, 331-355,一篇綜述文
  • Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual review of psychology, 62(1), 451-482.
  • Gigerenzer, G., & Gaissmaier, W. (2015). Decision making: Nonrational theories. In International encyclopedia of the social & behavioral sciences (pp. 911-916). Elsevier.
  • Gottlieb, J., & Oudeyer, P. Y. (2018). Towards a neuroscience of active sampling and curiosity. Nature Reviews Neuroscience, 19(12), 758-770,好奇心可以幫人追尋更多嘅資訊,提升人做正確決策嘅能力。
  • Li, M., & Chapman, G. B. (2020). Medical decision making. The Wiley Encyclopedia of Health Psychology, 347-353.
  • Reynaldo, C., Christian, R., Hosea, H., & Gunawan, A. A. (2021). Using video games to improve capabilities in decision making and cognitive skill: a literature review. Procedia Computer Science, 179, 211-221.
  • Slovic, P., Lichtenstein, S., & Fischhoff, B. (1988). Decision making. Wiley.
  • Moscovici, Serge; Zavalloni, Marisa (1969). "The group as a polarizer of attitudes". Journal of Personality and Social Psychology. American Psychological Association (APA). 12 (2): 125-135.
  • Muller, J. Z. (2021). The perils of metric fixation. Medical Teacher, 43(6), 622-624.
  • Wojtowicz, Z., & Loewenstein, G. (2020). Curiosity and the economics of attention. Current Opinion in Behavioral Sciences, 35, 135-140.

引咗 編輯

  1. Herbert Alexander Simon (1977). The New Science of Management Decision. Prentice-Hall.
  2. 2.0 2.1 Papadakis, V. M., Lioukas, S., & Chambers, D. (1998). Strategic decision‐making processes: the role of management and context. Strategic management journal, 19(2), 115-147.
  3. Schwarz, N. (2000). Emotion, cognition, and decision making. Cognition & Emotion, 14(4), 433-440.
  4. 4.0 4.1 Phillips-Wren, G., & Ichalkaranje, N. (Eds.). (2008). Intelligent decision making: An AI-based approach (Vol. 97). Springer Science & Business Media.
  5. Decision making. Encyclopedia Britannica,原版英文:"Decision making, process and logic through which individuals arrive at a decision."
  6. Collins, Sam (2005). Understanding the Chess Openings. Gambit Publications.
  7. Intuition Is The Highest Form Of Intelligence. Forbes,原句:"The intuitive mind is a sacred gift and the rational mind is a faithful servant."
  8. Kahneman, D. (2003). Maps of bounded rationality: Psychology for behavioral economics. American economic review, 93(5), 1449-1475.
  9. Evans, J. S. B., & Stanovich, K. E. (2013). Dual-process theories of higher cognition: Advancing the debate (PDF). Perspectives on psychological science, 8(3), 223-241.
  10. Intractability and efficiency and the combinatorial explosion:
    • Russell & Norvig 2003, pp. 9, 21–22.
  11. Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., ... & Dieleman, S. (2016). Mastering the game of Go with deep neural networks and tree search (PDF). Nature, 529(7587), 484.
  12. Wojtowicz, Z., & Loewenstein, G. (2020). Curiosity and the economics of attention. Current Opinion in Behavioral Sciences, 35, 135-140.
  13. Simon, H. A. (1979). Rational decision making in business organizations. The American economic review, 69(4), 493-513.
  14. Reyna, V. F., & Rivers, S. E. (2008). Current theories of risk and rational decision making. Developmental review: DR, 28(1), 1.
  15. Uzonwanne, F. C. (2016). Rational model of decision making. Global encyclopedia of public administration, public policy, and governance. Springer International.
  16. Foss, N. J., & Pedersen, T. (2016). Microfoundations in strategy research.
  17. LeDoux, J. E. (2012). Evolution of human emotion: a view through fear. In Progress in brain research (Vol. 195, pp. 431-442). Elsevier.
  18. Pearl, Judea (1983). Heuristics: Intelligent Search Strategies for Computer Problem Solving. New York, Addison-Wesley, p. vii.
  19. Verweij, T., Schut, M., Straatman, R., & Guerrilla, B. V. (2007). A hierarchically-layered multiplayer bot system for a first-person shooter (Doctoral dissertation, Master's thesis, Vrije Universiteit of Amsterdam).
  20. Fortnite Decision-Making Guide: Actionable tips to help you make better decisions.
  21. Improving Player Choices. Game Developer.
  22. Top 5 Skills You Need To Be An Esports Pro. Medium.
  23. Shooter video games can improve decision making?. Reuters.
  24. Reynaldo, C., Christian, R., Hosea, H., & Gunawan, A. A. (2021). Using video games to improve capabilities in decision making and cognitive skill: a literature review. Procedia Computer Science, 179, 211-221.
  25. 10 impossibilities conquered by science. New Scientist,原句:"Heavier-than-air flying machines are impossible."
  26. 26.0 26.1 26.2 Schoemaker, P. J. (1995). Scenario planning: a tool for strategic thinking 互聯網檔案館歸檔,歸檔日期2022年1月21號,. (PDF). Sloan management review, 36(2), 25-50.
  27. 27.0 27.1 Scenario Planning and Strategic Forecasting. Forbes.
  28. A step-by-step Guide to Scenario Planning. Professional Academy.
  29. Ania G. Wieckowski (2018). Predicting the Future. Harvard Business Review.
  30. Duncan, R. B. (1972). Characteristics of organizational environments and perceived environmental uncertainty. Administrative science quarterly, 313-327.
  31. Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological review, 63(2), 81.
  32. Edmunds, A., & Morris, A. (2000). The problem of information overload in business organisations: a review of the literature. International journal of information management, 20(1), 17-28.
  33. Sagiroglu, S., & Sinanc, D. (2013, May). Big data: A review. In 2013 international conference on collaboration technologies and systems (CTS) (pp. 42-47). IEEE.
  34. Duran, B. S., & Odell, P. L. (2013). Cluster analysis: a survey (Vol. 100). Springer Science & Business Media.
  35. Roberts, L. (2010). Analysis Paralysis. Defense AT&L, February, 18-22.
  36. Bust through analysis paralysis. Engineering Blog.
  37. Parvini, Neema (2015). "'And Reason Panders Will': Another Look at Hamlet's Analysis Paralysis". Shakespeare and Cognition: Thinking Fast and Slow through Character. Palgrave Macmillan UK. pp. 52-62.
  38. How To Overcome The 'Analysis Paralysis' Of Decision-Making. Forbes,原文嗰段嘢:"You can run along it all day but never actually arrive anywhere. Rather, it's up to you to decide when to stop. ... Recognize that the moons will never align. No matter how much information you have, there will always be more."
  39. Mangel, Marc; Samaniego, Francisco (June 1984). "Abraham Wald's work on aircraft survivability". Journal of the American Statistical Association. 79 (386): 259-267.
  40. Black, H., Soto, L., & Spurlin, S. (2016). Thinking about thinking about leadership: Metacognitive ability and leader developmental readiness. New Directions for Student Leadership, 2016(149), 85-95.
  41. Muraven, M., & Baumeister, R. F. (2000). Self-regulation and depletion of limited resources: Does self-control resemble a muscle?. Psychological bulletin, 126(2), 247.
  42. Pignatiello, G. A., Martin, R. J., & Hickman Jr, R. L. (2020). Decision fatigue: A conceptual analysis. Journal of health psychology, 25(1), 123-135.
  43. Anderson, Christopher (2003). "The Psychology of Doing Nothing: Forms of Decision Avoidance Result from Reason and Emotion". Psychological Bulletin. 129 (1): 139-167.
  44. Janis, I. L. (1972). Victims of Groupthink: a Psychological Study of Foreign-Policy Decisions and Fiascoes. Boston: Houghton Mifflin.
  45. Chrystal, K. A., Mizen, P. D., & Mizen, P. D. (2003). Goodhart's Law: its origins, meaning and implications for monetary policy. Central banking, monetary theory and practice: Essays in honour of Charles Goodhart, 1, 221-243.
  46. Goodhart, C.A., 1984. Problems of monetary management: the UK experience. In Monetary theory and practice (pp. 91-121). Palgrave, London.
  47. Wilson, H. J., & Daugherty, P. R. (2018). Collaborative intelligence: humans and AI are joining forces (PDF). Harvard Business Review, 96(4), 114-123.
  48. Epstein, S. L. (2015). Wanted: collaborative intelligence (PDF). Artificial Intelligence, 221, 36-45.
  49. Kononenko, I. (2001). Machine learning for medical diagnosis: history, state of the art and perspective. Artificial Intelligence in medicine, 23(1), 89-109.
  50. 50.0 50.1 How Artificial Intelligence Can Improve Organizational Decision Making. Forbes.
  51. Vong Anh Ho, Duong Huynh-Cong Nguyen, Danh Hoang Nguyen, Linh Thi-Van Pham, Duc-Vu Nguyen, Kiet Van Nguyen, Ngan Luu-Thuy Nguyen. "Emotion Recognition for Vietnamese Social Media Text". In Proceedings of the 2019 International Conference of the Pacific Association for Computational Linguistics (PACLING 2019), Hanoi, Vietnam (2019).
  52. Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies, 5(1), 1-167.
  53. FREITAG, DAYNE. "Machine Learning for Information Extraction in Informal Domains" (PDF). 2000 Kluwer Academic Publishers. Printed in the Netherlands.
  54. Mitkov, Ruslan (2003). The Oxford Handbook of Computational Linguistics. Oxford University Press. p.754.
  55. Torres-Moreno, Juan-Manuel (1 October 2014). Automatic Text Summarization. Wiley. pp. 320-
  56. Gold, Joshua I.; Shadlen, Michael N. (2007). "The neural basis of decision making". Annual Review of Neuroscience. 30: 535-574.
  57. Walton, Mark E.; Devlin, Joseph T.; Rushworth, Matthew F. S. (November 2004). "Interactions between decision making and performance monitoring within prefrontal cortex". Nature Neuroscience. 7 (11): 1259-1265.

歐詞 編輯

  1. dual-process theory
  2. brute-force search
  3. rational decision-making model
  4. heuristics
  5. Battle Royale
  6. Baron Kelvin
  7. scenario planning
  8. stakeholder
  9. information overload
  10. big data
  11. paralysis by analysis
  12. cognitive bias
  13. survivorship bias
  14. decision fatigue
  15. avoidance
  16. groupthink
  17. Goodhart's law
  18. collaborative intelligence,CI

編輯