Die Simplicity-Theorie ist eine kognitive Theorie, die die Attraktivität von Situationen oder Ereignissen für den Menschen zu erklären versucht. Sie basiert auf den Arbeiten von Wissenschaftlern wie dem Verhaltensforscher Nick Chater [ 1 ] , dem Informatiker Paul Vitanyi [ 2 ] , dem Psychologen Jacob Feldman [ 3 ] und den KI- Forschern Jean-Louis Dessalles [ 4 , 5 ] und Jürgen Schmidhuber [ 6 ] . Die Theorie besagt , dass interessante Situationen dem Beobachter einfacher erscheinen als erwartet.

Überblick

Technisch gesehen entspricht Einfachheit einer Verringerung der Kolmogorov-Komplexität . Das bedeutet, dass die kürzeste Beschreibung einer Situation für einen Beobachter kürzer ist als erwartet. Beispielsweise ist die Beschreibung einer aufeinanderfolgenden Lottoziehung, etwa 22-23-24-25-26-27, deutlich kürzer als die einer typischen Ziehung wie 12-22-27-37-38-42. Erstere erfordert nur eine einzige Berechnung (die Wahl der ersten Lottozahl), während letztere sechs Berechnungen benötigt.

Die Theorie der Einfachheit trifft mehrere quantitative Vorhersagen darüber, wie Atypikalität [ 7 ] Distanz, Aktualität oder Prominenz (Orte, Personen) [ 5 ] die Interessantheit beeinflussen.

Formalisierung

Das Grundkonzept der Einfachheitstheorie ist die Unerwartetheit , definiert als die Differenz zwischen erwarteter und beobachteter Komplexität:

Diese Definition erweitert den Begriff des Zufallsdefizits . [ 7 ] In den meisten Kontexten entspricht sie der Generierungs- oder Kausalitätskomplexität , also der kleinsten Beschreibung aller Parameter, die in der „Welt“ festgelegt sein müssen, damit die Situation eintritt. Im Lottobeispiel ist die Generierungskomplexität für eine aufeinanderfolgende Ziehung und eine typische Ziehung identisch (solange kein Betrug angenommen wird) und beträgt sechs Instanziierungen.

Die Einfachheitstheorie umgeht die meisten Kritikpunkte an der Kolmogorovschen Komplexitätstheorie , indem sie nur Beschreibungen berücksichtigt, die einem bestimmten Beobachter zugänglich sind (anstatt jeder denkbaren Beschreibung). Dadurch wird Komplexität und somit auch Unerwartetheit beobachterabhängig. Beispielsweise erscheint die typische Zahlenkombination 12-22-27-37-38-42 demjenigen, der diese Kombination gespielt hat, sehr einfach, sogar einfacher als die darauffolgende.

Zusammenhang mit Wahrscheinlichkeit

Die algorithmische Wahrscheinlichkeit basiert auf der Kolmogorov-Komplexität : [ 8 ] Komplexe Objekte sind weniger wahrscheinlich als einfache. Der Zusammenhang zwischen Komplexität und Wahrscheinlichkeit kehrt sich um, wenn Wahrscheinlichkeit Überraschung [ 7 ] und Unerwartetheit [ 5 ] misst: Einfache Ereignisse erscheinen weniger wahrscheinlich als komplexe. Unerwartetheit ist mit subjektiver Wahrscheinlichkeit verknüpft .

Der Vorteil dieser Formel liegt darin, dass die subjektive Wahrscheinlichkeit abgeschätzt werden kann, ohne die Alternativen notwendigerweise zu kennen. Klassische Ansätze zur (objektiven) Wahrscheinlichkeit betrachten Ereignismengen, da vollständig instanziierte Einzelereignisse praktisch keine Wahrscheinlichkeit haben, eingetreten zu sein oder erneut einzutreten. Die subjektive Wahrscheinlichkeit bezieht sich hingegen auf einzelne Ereignisse. Die Simplicity-Theorie misst sie anhand des Mangels an Zufälligkeit bzw. des Komplexitätsabfalls. Dieser Begriff der subjektiven Wahrscheinlichkeit bezieht sich nicht auf das Ereignis selbst, sondern auf das, was es einzigartig macht.

Referenzen

  1. ^ Chater, N. (1999). „Die Suche nach Einfachheit: Ein fundamentales kognitives Prinzip?“ The Quarterly Journal of Experimental Psychology , 52 (A), 273–302.
  2. ^ Chater, N. & Vitányi, P. (2003). "Einfachheit: ein vereinheitlichendes Prinzip in der Kognitionswissenschaft?" . [Trends in Cognitive Sciences] , 7 (1), 19–22.
  3. ^ Feldman, J. (2004). „Wie überraschend ist ein einfaches Muster? Die Quantifizierung von ‚Heureka!‘“ . Cognition , 93, 199–224.
  4. ^ Dessalles, Jean-Louis (2008). La pertinence et ses origines cognitives . Paris: Hermes-Science-Veröffentlichungen. ISBN 978-2-7462-2087-4Die
  5. Dessalles , J.-L. (2013). „ Algorithmische Einfachheit und Relevanz“ . In : DL Dowe (Hrsg.), Algorithmische Wahrscheinlichkeit und verwandte Themen – LNAI 7070, S. 119–130. Berlin, D: Springer Verlag .
  6. ^ Schmidhuber, J. (1997). "Was ist interessant?" Lugano, CH: Technischer Bericht IDSIA-35-97.
  7. ^ a b c Maguire, P., Moser, P. & Maguire, R. (2019). „Muster im Zufall erkennen: Ein Computermodell der Überraschung“ . Topics in Cognitive Science , 11 (1), 103-118.
  8. ^ Solomonoff, RJ (1964). "Eine formale Theorie des induktiven Schließens . Information and Control , 7 (1), 1-22.