Algorithms to Live By: The Computer Science of Human Decisions by Brian Christian and Tom Griffiths

خلاصه

آیا علم کامپیوتر می تواند به ما رازهای زندگی را آموخت؟ شاید نه، اما می تواند روشنایی بیاندازد بر چگونگی کارکرد برخی از فرآیندهای روزمره و چگونگی استفاده از آنها. الگوریتم ها در همه جا حضور دارند، از دنبال کردن یک دستور پخت تا ترتیبی که ایمیل های خود را مرتب می کنید.

در Algorithms to Live By: The Computer Science of Human Decisions by Brian Christian and Tom Griffiths، برنامه نویس و پژوهشگر برایان کریستیان و استاد علوم شناختی و روانشناسی در دانشگاه UC Berkeley تام گریفیتس، روش های متعددی را که الگوریتم ها همه چیز را از روش ما برای به یاد آوردن چیزها تا چگونگی اتخاذ تصمیمات بزرگ و کوچک شکل می دهند، به اشتراک می گذارند.

20 بینش برتر

1. "قاعده 37 درصد" به مجموعه ای از مراحل، یا الگوریتم ها، اشاره دارد که شخص باید برای اتخاذ بهترین تصمیم در یک بازه زمانی مشخص، آنها را دنبال کند. شخص 37 درصد زمان خود را برای تحقیق قبل از اتخاذ تصمیم اختصاص می دهد، سپس به اولین "گزینه بهتر" که پیدا می کند، تعهد می کند.
2. "معامله کاوش/استفاده" به نیاز برای تعادل بین آزموده و آزمایشی با جدید و خطرناک اشاره دارد. بازده این الگوریتم کاملا بستگی به مقدار زمانی دارد که شما برای اتخاذ تصمیمات دارید. افراد بیشتر مایل هستند در آخرین شب خود در شهر به رستوران مورد علاقه خود بروند تا چیزی جدید را خطر کنند.
3. الگوریتم "برد-ماند، باخت-تغییر" که در سال 1952 توسط ریاضیدان هربرت رابینز توسعه یافت، از دستگاه های قمار به عنوان یک استعاره استفاده می کند. یک دستگاه را به صورت تصادفی انتخاب کنید و بازی کنید تا زمانی که باختید. سپس به دستگاه دیگری تغییر دهید؛ این روش از شانس قابل اعتمادتر اثبات شد.
4. یک مطالعه روانشناسی یافت که با توجه به گزینه ها، افراد اغلب "بیش از حد کاوش" می کنند تا یک پیروزی را استفاده کنند. با توجه به 15 فرصت برای انتخاب کدام دستگاه قمار برنده می شود، 47 درصد از استراتژی های برد-ماند، باخت-تغییر استفاده کردند و 22 درصد دستگاه ها را به صورت تصادفی انتخاب کردند به جای ماندن با یک دستگاه که پرداخت می کرد.
5. هالیوود یک نمونه برجسته از تاکتیک استفاده است. تعداد دنباله های فیلم به طور مداوم در طی دهه گذشته افزایش یافته است. در هر دو سال 2013 و 2014، هفت از ده فیلم برتر یا دنباله ها یا پیش داستان ها بودند. این روند احتمالا تغییر خواهد کرد اگر ایده های جدید فیلم بیشتری از دلارهای باکس آفیس جذب کنند.
6. آزمون A/B به معنای دو سناریوی دستگاه قمار است که شما با گزینه ای که بهتر عمل می کند، پایبند می شوید. بیش از 90 درصد از 50 میلیون دلار درآمد سالانه گوگل از تبلیغات پرداخت شده است، که به این معنی است که الگوریتم های کاوش/استفاده قدرت بخش بزرگی از اینترنت را تامین می کنند.
7. شاخص Gittins یک چارچوب از شانس ها را فراهم می کند که فرض می کند شما زمان نامحدودی برای رسیدن به بهترین بازده دارید، اما شانس ها با گذشت زمان کاهش می یابند. به عنوان مثال: یک دستگاه قمار را با سابقه ای از بردها/باخت های یک به یک (50 درصد) انتخاب کنید نسبت به دستگاهی که نه بار از 18 بار برده است.
8. الگوریتم های "حد بالای اعتماد" فضای بیشتری برای کشف نسبت به روش "برد-ماند، باخت-تغییر" ارائه می دهند. این الگوریتم بر اساس اطلاعات موجود یک مقدار را بر اساس آنچه "می تواند باشد" تعیین می کند.رستوران جدیدی 50/50 شانس دارد تجربه خوبی را ارائه دهد زیرا شما هرگز در آنجا نبوده اید.
9. الگوریتم "کوتاهترین زمان پردازش" نیاز دارد که شما ابتدا کارهای سریعتر را انجام دهید. اهمیت کار را تقسیم بر مدت زمانی که طول می کشد کنید. فقط یک کار را که دو برابر طول می کشد اگر دو برابر مهم باشد، اولویت بدهید.
10. قانون لاپلاس احتمال رخ دادن چیزی را با تنها مقدار کمی از داده ها محاسبه می کند. تعداد دفعاتی که این نتیجه رخ داده است را بشمارید، یک را اضافه کنید، سپس تقسیم بر تعداد فرصت ها به علاوه دو کنید. به عنوان مثال: تیم سافتبال شما هشت بازی در فصل انجام می دهد. اکنون دو بازی را برده است. 2+1/ 6+2=3/8، یا 37.5% شانس برای برد بازی بعدی وجود دارد.
11. اصل کوپرنیکی به شما اجازه می دهد تا بدون داشتن اطلاعات زیادی درباره چیزی، پیش بینی کنید چقدر طول خواهد کشید. راه حل این است که آن به اندازه ای که تا کنون طول کشیده است، ادامه خواهد داشت. بر اساس این اصل، گوگل به طور منطقی تا سال 2044 (23 سال از سال 1998 + 23 از سال 2021) باقی خواهد ماند.
12. "توزیع قدرت-قانونی" در نظر می گیرد که در زندگی، بیشتر چیزها زیر میانگین قرار می گیرند و تعداد کمی بالاتر از آن قرار می گیرند. دو سوم جمعیت آمریکا درآمد کمتری از میانگین دارند، اما 1% بالاترین درآمدها تقریبا ده برابر میانگین را دریافت می کنند. تعداد کمی از فیلم ها در باکس آفیس سود "تایتانیک" را کسب می کنند، اما بعضی از آنها می کنند.
13. "تعادل نش" پدیده بازی های دو نفره و روشی که بازیکنان استراتژی هایی را تشکیل می دهند که هیچکدام نمی خواهند بر اساس آنچه فرد دیگری انجام می دهد، تغییر دهند، را بررسی می کند. این موجب استقرار می شود. در بازی سنگ-کاغذ-قیچی با سه گزینه، بازیکنان یک استراتژی 1/3-1/3-1/3 را پیش گرفته اند مگر اینکه فرد دیگری تاکتیک را تغییر دهد، و فرآیند دوباره شروع می شود.
14. مغز انسان تقریبا ظرفیت بی نهایت برای خاطرات دارد، اما ما مقدار محدودی از زمان برای دسترسی به آنها داریم. این موجب ایجاد "منحنی فراموشی" می شود. مطالعه ای توسط هرمان ابینگهاوس نشان داد که او می تواند هجای بی معنی را 60% از زمان پس از خواندن آنها به یاد بیاورد، اما این مقدار پس از 800 ساعت به 20% کاهش یافت.
15. "منحنی فراموشی" ابینگهاوس نشان داد که نزدیک به چگونگی استفاده از کلمات در جامعه است. تکرار کلمات یافت شده در سرخط های The New York Times با نرخ 15% در طول 100 روز کاهش یافت و نشان داد که مغز انسان به طور طبیعی فرآیندهای خود را به دنیای اطراف ما تنظیم می کند.
16. "سقوط فوری" بازار سهام در 6 می 2010 توسط یک "کشف اطلاعات" ایجاد شد. وقتی یک نفر کاری متفاوت انجام می دهد، سپس دیگران نیز پیروی می کنند، با فرض اینکه فرد اول چیزی را می داند که آنها نمی دانند. این رفتار باعث می شود مردم به خرید در حالت وحشت یا رفتار جمعی بپردازند.
17. جامعه شناس بری گلاسنر توجه داشت که قتل ها در ایالات متحده در طول دهه 1990 با 20% کاهش یافت، و با این حال اشاره به خشونت با اسلحه در اخبار آمریکا با 600% افزایش یافت. یک کشف اطلاعات می تواند بیشتر توسط اطلاعات عمومی نسبت به اطلاعات خصوصی ایجاد شود.
18. وقتی نویسندگان برایان کریستیان و تام گریفیتس برای کتاب مصاحبه هایی را برنامه ریزی کردند، متوجه شدند که افراد متخصص بیشتر مایل به قبول یک بازه زمانی محدود و از پیش تعیین شده هستند تا یکی که کاملاً باز است. سازگار شدن با محدودیت ها کمتر چالش برانگیز است تا پیدا کردن راه حل دیگری.
19. باور کنید یا نه، تصادفی بودن نیز بخشی از الگوریتم زندگی است. برنده جایزه نوبل، سالوادور لوریا، با دیدن دوستش در حال بردن جکپات در یک دستگاشبیه، فهمید که تغییرات تصادفی می توانند مقاومت ویروسی را ایجاد کنند.
20. بهترین برنامه ها اغلب ساده ترین ها هستند. جیسون فرید و دیوید هاینمایر هانسون، بنیانگذاران شرکت نرم افزاری 37signals، هنگام شروع به مغز استرم، از یک ماژیک ضخیم استفاده می کنند زیرا این کار فضا را محدود می کند و آنها را مجبور به ساده سازی و تمرکز بر تصویر بزرگ می کند.

25 questions and answers

How can the concept of over exploration be mitigated in decision making?

View answer

The concept of over exploration can be mitigated in decision making by implementing strategies such as the 37% rule, the explore/exploit trade-off, and the Win-Stay, Lose-Shift algorithm. The 37% rule suggests that one should spend 37% of their time researching before making a decision, then commit to the next best choice they find. The explore/exploit trade-off emphasizes the need to balance the tried and tested with the new and risky. The Win-Stay, Lose-Shift algorithm, developed by mathematician Herbert Robins, suggests that one should stick with a decision until it proves unsuccessful, at which point they should switch to a different approach.

What factors can influence the effectiveness of the 37% rule?

View answer

The effectiveness of the 37% rule can be influenced by several factors. Firstly, the amount of time you have to make decisions can greatly impact the effectiveness of this rule. If you have a limited amount of time, you may not be able to fully utilize the 37% of the time for research. Secondly, the nature of the decision can also affect the rule's effectiveness. If the decision involves high risks, you may need to spend more than 37% of your time on research. Lastly, personal factors such as your ability to make quick decisions and your risk tolerance can also influence the effectiveness of the 37% rule.

How does the Win-Stay, Lose-Shift algorithm compare to other decision making strategies?

View answer

The Win-Stay, Lose-Shift algorithm, developed by mathematician Herbert Robins in 1952, is a decision-making strategy that uses the metaphor of slot machines. The method involves choosing a machine at random and playing it until you lose, then switching to another machine. This strategy has been proven to be more reliable than chance. It differs from other strategies such as the 37% rule, which involves allotting 37% of your time to research before making a decision, and the explore/exploit trade-off, which requires balancing the tried and tested with the new and risky.

View all 25 questions

Ask follow up

خلاصه

توقف بهینه

نگاه کردن در مقابل جستجو

زندگی پر از موقعیت هایی است که ما را مجبور می کند تا بهترین تصمیم ممکن را در کمترین زمان ممکن بگیریم. رانندگان به دنبال بهترین جای پارک می گردند. مدیران به دنبال بهترین نامزد برای یک شغل می گردند و مالکین املاک باید تصمیم بگیرند که آیا پیشنهاد فروش را قبول کنند یا نه قبل از اینکه بازار املاک دوباره تغییر کند. این دیلما به نام "توقف بهینه" شناخته شده است.

25 questions and answers

How does the concept of optimal stopping apply to academic research?

View answer

The concept of optimal stopping can apply to academic research in several ways. For instance, researchers often need to decide when to stop collecting data or when to stop a study. This decision can be based on a variety of factors, such as the quality of the data collected, the time and resources available, and the objectives of the research. Optimal stopping can help researchers make these decisions in a more systematic and efficient way.

What are some other decision-making dilemmas that can be explained using algorithms?

View answer

Some other decision-making dilemmas that can be explained using algorithms include choosing the best time to buy or sell stocks, determining the optimal route for a delivery truck, deciding when to replace aging equipment, and selecting the best strategy in a game of chess. Algorithms can also be used to solve problems in machine learning and artificial intelligence, such as classifying images or predicting future events.

How can the concept of optimal stopping be used in financial planning?

View answer

The concept of optimal stopping can be used in financial planning in various ways. For instance, it can help in deciding when to sell an investment to maximize profit or minimize loss. It can also be used in retirement planning to determine the best time to start drawing from retirement savings. The idea is to make the best possible decision at the right time, considering the potential future outcomes and the risks involved.

View all 25 questions

Ask follow up

مسائل "توقف بهینه" به دیلماهایی اشاره دارد که نیاز به بهترین تصمیم در کمترین زمان ممکن دارند. چگونه می توانید نیاز به دریافت تمام اطلاعات را با نیاز به عمل کردن قبل از اینکه دیر شود، تعادل بخشید؟ موارد رایج شامل جستجو برای بهترین مکان پارک، زمان اجاره یک آپارتمان قبل از اینکه همه آنها اجاره داده شوند و زمان استخدام بهترین نامزد برای یک شغل است. این آخری از دهه 1950 توسط ریاضیدانان به طور جامع بررسی و بحث شده است.

25 questions and answers

What are some practical tips for applying Optimal Stopping principles in everyday life?

View answer

Optimal Stopping principles can be applied in various aspects of everyday life. For instance, when looking for a parking spot, you might decide to stop at the first available spot after a certain point to avoid wasting more time. When renting an apartment, you might decide to take the first one that meets your minimum criteria after viewing a certain number. When hiring, you might decide to hire the first candidate who exceeds a certain benchmark after interviewing a certain number of applicants. The key is to define your criteria and decide on a stopping rule in advance.

How does the concept of Optimal Stopping apply to financial decisions?

View answer

The concept of Optimal Stopping can apply to financial decisions in various ways. For instance, it can be used to determine the best time to sell a stock or other investment. If you sell too early, you might miss out on potential gains. If you sell too late, you might lose money. Similarly, it can be used to decide when to stop investing in a losing venture. The goal is to make the best decision in the shortest amount of time, balancing the need for information with the need to act.

What are some potential future developments in the study of Optimal Stopping problems?

View answer

Future developments in the study of Optimal Stopping problems could include the application of machine learning and artificial intelligence to predict optimal stopping points more accurately. Additionally, there could be more research into the application of these problems in new fields such as healthcare, finance, and environmental science. The development of more sophisticated mathematical models and algorithms could also be a focus.

View all 25 questions

Ask follow up

این مشکل به نام "مشکل دبیرخانه" شناخته شده است.

• اگر یک کارفرما 100 نامزد دبیرخانه را مصاحبه کند، باید 37 درصد اول مصاحبه ها را برای آشنایی با استعدادها و بهترین ویژگی ها اختصاص دهد.
• اگر آنها بلافاصله بعدی را استخدام کنند که به نظر می رسد "تا به حال بهترین" باشد، شرکت 37 درصد شانس دارد که این فرد بهترین نامزد باشد.
• احتمالات بیشتر می شوند با کمتر شدن تعداد نامزدها.

27 questions and answers

What are the potential implications of the 37% rule on the company's overall performance?

View answer

The 37% rule, when applied to hiring, suggests that a company should spend the first 37% of the interview process to understand the talent pool and then hire the next best candidate. This could potentially improve the company's overall performance by increasing the chances of hiring the best candidate. However, it's important to note that this rule is based on probability and doesn't guarantee the best outcome every time.

How can the 37% rule be used to improve the efficiency of the hiring process?

View answer

The 37% rule can be used to improve the efficiency of the hiring process by applying it to the interview process. If an employer is interviewing 100 applicants, they should spend the first 37% of interviews familiarizing themselves with the talent pool and identifying the best qualities. After this point, they should hire the next applicant who appears to be the best so far. This approach gives the company a 37% chance of hiring the best candidate. The odds of success increase with fewer applicants.

What are the potential effects of the 37% rule on the overall hiring process?

View answer

The 37% rule can potentially improve the hiring process by increasing the chances of selecting the best candidate. By spending the first 37% of the time getting familiar with the talent pool, an employer can identify the best qualities to look for in candidates. After this period, the employer is advised to hire the next candidate who appears to be the best so far, which gives a 37% chance of that person being the best candidate. The odds become even greater with fewer applicants.

View all 27 questions

Ask follow up

یک مستاجر که به دنبال یک آپارتمان در سان فرانسیسکو است، ممکن است تمایل داشته باشد تا اولین واحد موجود را به دلیل تقاضای بالا بگیرد. اگر این مستاجر باید در طول 30 روز مکان جدیدی برای زندگی پیدا کند، الگوریتم "توقف بهینه" پیشنهاد می کند که مستاجر 37 درصد از زمان خود، یا 11 روز، را برای بررسی گزینه ها بدون هیچ تعهدی صرف کند. در روز 12، مستاجر باید آماده باشد تا به اولین مکانی که به نظرش "تا به حال بهترین" می رسد، تعهد کند."

Ask follow up

کاوش در برابر استفاده

لورا کارستنسن، استاد روانشناسی در دانشگاه استنفورد، فرض کرد که افراد به طور استراتژیکی دایره اجتماعی خود را با پیر شدن کاهش می دهند. در یک مطالعه، از افراد پرسیده شد که آیا ترجیح می دهند 30 دقیقه با یک عضو فوری خانواده، نویسنده ای که کتابی را که اخیرا خوانده اند نوشته است یا کسی که ملاقات کرده اند و به نظر می رسد علاقه های مشترکی با آنها دارد، سپری کنند. پاسخگویان مسن تر عضو خانواده را انتخاب کردند، در حالی که افراد جوان تر ترجیح دادند دوستان جدیدی پیدا کنند.

Ask follow up

با افزودن یا کاهش زمان، با این حال، چیز جالبی اتفاق افتاد. اگر از افراد مسن تر اجازه داده شود 20 سال بیشتر زندگی کنند، انتخاب های آنها با انتخاب های پاسخگویان جوان تر مطابقت داشت. اگر پاسخگویان جوان تر تصور کنند که در حال حاضر قصد دارند از سراسر کشور نقل مکان کنند، آنها عضو خانواده را انتخاب کردند.

زندگی پر از عدم قطعیت است، که باعث می شود فرآیند تصمیم گیری گاهی اوقات بیشتر مبارزه کند. برای برداشتن برخی از فشارهای زندگی یا مرگ از معادله، بیایید به جای آن به چیزی کمی کمتر از خطرناک - ماشین شیار کازینو - توجه کنیم.

ماشین های شیار که به نام "دزد تک بازو" شناخته می شوند، با احتمالات پرداخت مختلفی همراه هستند که قماربازان را سردرگم کرده و آماردانان را برای قرون ها متحیر کرده است. در سال 1952، ریاضیدان هربرت رابینز یک راه حل برای دیلمای قدیمی ارائه داد که آیا باید منتظر برد بزرگ بعدی باشید یا در حالی که هنوز پیشتاز هستید تسلیم شوید. او این را الگوریتم Win-Stay، Lose-Shift نامید.

Ask follow up

رابینز پیشنهاد کرد که یک فرد باید "یک بازو" را به صورت تصادفی انتخاب کند (کاوش)، سپس آن را تا زمانی که پرداخت می کند بکشد (استفاده). هنگامی که ماشین دیگر پرداخت نمی کند، فرد باید به یکی دیگر بروید، و به همین ترتیب.

حداقل پشیمانی

گاهی اوقات باید خطر را با پشیمانی احتمالی سنجید تا راه حل مشکل خاص خود را پیدا کنید. جف بزوس، مدیر عامل آمازون، قبل از شروع آمازون، شغل ثابت و خوب پرداخت شده ای در وال استریت داشت. خطر اولین کتابفروشی آنلاین، او پیدا کرد، توسط احتمال اینکه ممکن است پشیمان نشود که تلاش نکرده است، متوازن شد، یک "چارچوب کاهش پشیمانی."

Ask follow up

"من می دانستم که وقتی 80 ساله می شدم، من پشیمان نخواهم شد که این را امتحان کرده ام،" بزوس گفت. "من پشیمان نخواهم شد که سعی کرده ام در این چیزی که به نام اینترنت شناخته می شود شرکت کنم که فکر می کردم می تواند معامله بزرگی باشد. می دانستم که اگر شکست بخورم، از آن پشیمان نخواهم شد، اما می دانستم که یک چیزی که ممکن است پشیمان شوم این است که هرگز امتحان نکرده ام."

Ask follow up

الگوریتم های "Upper Confidence Bound" فضای بیشتری برای کشف نسبت به روش "Win-Stay, Lose-Shift" ارائه می دهند. این الگوریتم بر اساس اطلاعات موجود یک مقدار بر اساس آنچه "می تواند باشد" اختصاص می دهد. یک رستوران جدید 50/50 شانس دارد تا تجربه خوبی ارائه دهد زیرا شما هرگز آنجا نبوده اید.

الگوریتم ها نمی توانند زندگی بدون پشیمانی را تضمین کنند، اما آنها نشان می دهند که تمایل ما به اخذ ریسک چقدر توسط میزان زمانی که فکر می کنیم (یا می دانیم) برای اخذ آنها داریم، کاهش می یابد.وقتی کودک هستیم، با شوق زیادی دنیای خودمان را کاوش می کنیم و چیزهای جدیدی را کشف می کنیم. هر چه بزرگتر می شویم، بیشتر به تصمیمات "آزموده و واقعی" بر اساس آنچه یاد گرفته ایم، یعنی استفاده از آنها، تکیه می کنیم.

Ask follow up

با هدف برنامه ریزی کنید

معمولاً، کارهایی که تاریخ انجام دارند می توانند از نزدیکترین مهلت تا دورترین مهلت انجام شوند. اگر چندین وظیفه به طور همزمان باید انجام شوند، بهتر است آنها را بر اساس مدت زمانی که هر کدام طول می کشد، مرتب کنید.

برای رویارویی با این نوع برنامه، به خصوص اگر چندین مشتری دارید، می توانید با استفاده از الگوریتم کوتاهترین زمان پردازش، میزان انتظار همه را کاهش دهید. به طور ساده، همیشه اولین کاری را که سریعتر انجام می شود انجام دهید و به همین ترتیب ادامه دهید. تصور کنید یک دوشنبه صبح که یک پروژه بزرگ دارید که چهار روز طول می کشد تا کامل شود و یک پروژه کوچکتر که یک روز طول می کشد. اگر اولین پروژه بزرگ را در پنجشنبه (4 روز) و پروژه کوچک را در جمعه (5 روز) تحویل دهید، مشتریان شما مجموعاً نه روز منتظر می مانند. اگر اولین پروژه کوچک را در دوشنبه (1 روز) و پروژه بزرگ را در جمعه (5 روز) تحویل دهید، مشتریان شما مجموعاً شش روز بین آنها منتظر می مانند. این به "مجموع زمان های اتمام" شناخته می شود.

Ask follow up

رویکرد دیگر این است که یک وزن به هر وظیفه اختصاص دهید، مانند اینکه چقدر پول در بر دارد. وزن هر وظیفه را تقسیم بر مدت زمانی که طول می کشد تا کامل شود، سپس از بالاترین به پایین ترین ترتیب کار کنید. برای یک فریلنسر یا قراردادی مستقل، این به شما امکان می دهد تا نرخ ساعتی هر وظیفه را تعیین کنید. هزینه هر پروژه را تقسیم بر اندازه آن کنید و از بالاترین نرخ ساعتی به پایین ترین کار کنید.

Ask follow up

آینده را پیش بینی کنید

استروفیزیکدان جی. ریچارد گات III در سال 1969 اصل کوپرنیکی را توسعه داد - یک روش برای پیش بینی مدت زمانی که چیزی طول می کشد. وقتی او به دیوار برلین سفر کرد، او کنجکاو بود که چقدر دیوار طول خواهد کشید. از آنجا که او نمی دانست چقدر عمر دیوار خواهد بود، گات می توانست فرض کند که به طور متوسط، ورود او حدوداً در نیمه راه خواهد بود. بنابراین، او حدس زد که دیوار برای هشت سال دیگر ایستاده خواهد بود. در این مورد، دیوار برلین برای 20 سال، نه هشت سال ایستاد.

Ask follow up

اصل کوپرنیکی کامل نیست - یک مرد 90 ساله احتمالاً تا 180 سال عمر نمی کند - اما مواردی وجود دارد که خوب کار می کند. خیلی قبل از اینکه گات به این الگوریتم نام بدهد، آماردان ها سعی کردند تخمین بزنند که چقدر تانک آلمان هر ماه در جنگ جهانی دوم تولید می کرد. راه حل این بود که شماره سریال دیده شده بر روی تانک ها را دو برابر کنند و تخمین بزنند که حداقل دو برابر آن وجود دارد. در این مورد، آنها تخمین زدند که 246 تانک هر ماه تولید می شوند، در مقایسه با 1,400 تانکی که توسط شناسایی هوایی پیشنهاد شده بود. پس از جنگ، سوابق آلمانی تایید کردند که شماره واقعی 245 بود.

Ask follow up

آن را فراموش کنید

مغز شما برای فراموش کردن طراحی شده است

حافظه انسان گاهی اوقات چیزی ناپایدار به نظر می‌رسد، اما روشی در این دیوانگی وجود دارد. هرمان ابینگهاوس، روانشناس دانشگاه برلین در سال 1879، خود را مورد مطالعه قرار داد تا حافظه را بهتر درک کند.

هر روز، ابینگهاوس یک لیست از هجاهای بی‌معنی را حفظ می‌کرد و خود را آزمایش می‌کرد. سپس نموداری ایجاد کرد تا نشان دهد چقدر طول می‌کشد تا حافظه او محو شود. احتمال یادآوری به طور قابل پیش‌بینی با گذشت زمان کاهش می‌یابد، از نزدیک به 60٪ فقط بعد از خواندن چیزی تا فقط 20٪ بعد از 800 ساعت.

جان اندرسون، روانشناس و علمی کامپیوتر، در سال 1987 کار ابینگهاوس را مجددا بررسی کرد تا ببیند آیا می‌تواند سیستم‌های کامپیوتری را بر اساس مغز انسان طراحی کند. او کشف کرد که مغز ما اطلاعات را فراموش می‌کند وقتی دیگر با دنیای اطراف ما مرتبط نیست. اندرسون عناوین روزنامه The New York Times را تجزیه و تحلیل کرد و یافت که یک کلمه احتمالاً بلافاصله بعد از اولین استفاده دوباره ظاهر می‌شود. احتمال دیدن آن دوباره بیشتر با گذشت زمان کاهش می‌یابد. کنار هم، ظاهر نمودار تقریباً دقیقاً مشابه داده‌های ابینگهاوس بود.

Ask follow up

تعادل را جستجو کنید... یا نکنید

در همه چیز تعادل طبیعی وجود دارد، به خصوص در بازی‌های دو نفره یا سناریوهایی که حداقل دو رقیب شامل می‌شوند. ریاضیدانان این پدیده را "تعادل" می‌نامند زیرا آن پایدار است. تعادل به خصوص در پوکر آشکار است، جایی که بازیکنان به استراتژی‌های خود پایبند هستند مگر اینکه تغییر قابل توجهی رخ دهد.

مثال: در بازی سنگ-کاغذ-قیچی، فقط سه گزینه برای بازیکنان وجود دارد. بازیکنان به طور طبیعی یک انتخاب تصادفی یا استراتژی 1/3 را انتخاب می‌کنند. اگر یکی از بازیکنان شروع به استفاده بیشتر از سنگ کند، بازیکن دیگر تطبیق می‌یابد و کاغذ را استفاده می‌کند. سپس بازیکن دیگر با تغییر استراتژی، یعنی قیچی و غیره، دوباره چیزها را متعادل می‌کند و فرآیند دوباره شروع می‌شود.

Ask follow up

ریاضیدان جان نش، که در کتاب و فیلم "یک ذهن زیبا" بی‌مرگ شده است، در سال 1951 ثابت کرد که هر بازی دو نفره حداقل یک چنین تعادلی دارد. این کشف به او جایزه نوبل اقتصاد در سال 1994 را به دست آورد. این اصل که اغلب به عنوان "تعادل نش" شناخته می‌شود، پیش‌بینی یک نتیجه پایدار بلند مدت از هر مجموعه قوانین یا انگیزه‌ها را ارائه می‌دهد.

Ask follow up

این الگوریتم برای برنامه‌ریزی و شکل‌دهی به سیاست اقتصادی و سیاست اجتماعی استفاده می‌شود - اما گاهی اوقات، "پایدار" لزوماً به معنی "خوب" نیست.

اگر یک شهر دو صاحب مغازه داشته باشد که مشتریان یکسانی را جذب می‌کنند، اولی اگر شش روز در هفته کار کند در حالی که دیگری هفت روز کار می‌کند، کسب و کار را از دست خواهد داد. تعادل نش پیشنهاد می‌کند که اگر هر دو کسب و کار یک روز تعطیل کنند، هر دو استراحت خواهند کرد، اما هر دو کسب و کار را از دست خواهند داد. بنابراین، هر دو صاحب کار هفت روز در هفته کار می‌کنند.

Ask follow up

تغییر بازی

اگر دوست شما از یک پل پرید، آیا شما هم این کار را انجام می دهید؟ غریزه انسانی برای تقلید یکدیگر می تواند یک ویژگی بقا باشد، مانند وقتی که می بینید دیگران به یک جهت نگاه می کنند تا در صورت وجود خطر در نزدیکی، شما هم به آن جهت نگاه کنید. روندها و مد ها می آیند و می روند. آیا بهتر است که احتیاط کنید یا راه خود را برای بهتر یا بدتر ادامه دهید؟

Ask follow up

"هر وقت خودتان را در کنار اکثریت می بینید، وقت آن است که مکث کنید و تامل کنید"، مارک تواین گفت.

مردم معمولا تصمیمات خود را بر اساس فرضیاتی می گیرند که از اقدامات دیگران به دست می آورند. اگر همه Beanie Babies را خریداری کردند، پس باید ارزشمند باشند، درست است؟

وقتی این فرآیند شروع به برف کشیدن خارج از کنترل می کند، به آن "Information Cascade" یا آبشار اطلاعات می گویند. بحران املاک و مستغلات سال های 2007-2009 مثالی از افزایش قیمت خانه ها به دلیل تقاضا بود، که در نهایت منجر به سقوط شد. مردم فرض می کنند که چون بسیاری از دیگران چیزی را انجام می دهند، پس فوریت وجود دارد. (برای مثال، کاغذ توالت در سال 2020.) نتایج می تواند وخیم باشد.

Ask follow up

از مواردی که اطلاعات عمومی به نظر می رسد بیشتر از اطلاعات خصوصی است، مراقب باشید. نمایش رویدادها در رسانه ها با فرکانس آنها در جهان مطابقت ندارد. جامعه شناس بری گلاسنر توجه کرد که قتل ها در ایالات متحده در طول دهه 1990 کاهش 20 درصدی یافت، ولی اشاره به خشونت با اسلحه در اخبار آمریکا 600 درصد افزایش یافت.

Ask follow up

گاهی اوقات، در برابر یک آبشار اطلاعات، باید بازی را تغییر دهید. اگر شما یک فروشنده مسیحی هستید یا اعتقادات قوی در مورد تعادل بین کار و زندگی دارید، بستن فروشگاه در یکشنبه مسئله ای نیست. اگر می بینید که افراد دور و بر شما در یک روند فوری سقوط می کنند، شروع به خرید پانیکی می کنند یا توسط سرخط های روزنامه های حساسیت زا مضطرب می شوند، می توانید استرس را با وارد کردن داده های بیشتر کاهش دهید.

Ask follow up