A fogadók információ feldolgozásának módja fontos a siker szempontjából. Mit jelent a bináris elfogultság? Mi köze a YouTube-nak a fogadási pszichológiához? Mi számít jó fogadásnak?
Mit jelent a bináris gondolkodás?
A bináris gondolkodás az információk egymást kizáró lehetőségekbe való rendezését foglalja magába, hasonlóan ahhoz, ahogyan a számítógép bináris kódban gondolkodik. Valami vagy 1 vagy 0, és csak ez a két lehetőség létezik, nincs szürke zóna.
Sokan azt állítják, hogy az emberek ösztönösen ilyen módon válogatják az információkat és természetes módon hajlanak a bináris gondolkodásmód felé.
A primitív emberek számára ennek volt értelme. Azok a fajta döntések, amelyeket a túléléshez kellett meghozniuk, jól illeszkedtek ehhez a gondolkodásmódhoz, különösen, ha gyors döntéshozatalról volt szó. Az olyan döntések, mint például az, hogy a bozótban hallott zizegés ragadozót jelent-e vagy sem, élet-halál kérdése volt.
Az a jutalom, amelyet akkor kapott volna valaki, ha az értékes idejét a hangról rendelkezésre álló információk mérlegelésével tölti (miközben egy ragadozó készülhetett lecsapni), nem érte meg a kockázatot.
A kockázat és a jutalom szempontjából sokkal több értelme volt annak, hogy a bokorban hallott zizegést egyszerűen ragadozónak minősítették és elmenekültek.
Richard Dawkins evolúciós biológus azt állítja, hogy az információk egyértelmű kategorizálására irányuló igen-nem megoldások iránti vágy nem más mint a rendszertelen elme zsarnoksága. Szerinte az emberek azért keresik a vagy-vagy osztályozás megnyugtató voltát, mert az agynak sokkal könnyebb binárisan gondolkodnia, ahogy távoli őseink tették, ahelyett, hogy a két következtetés közötti szürke árnyalatokat mérlegelné.
Ez a fajta bináris döntéshozatal tökéletesen megfelel az alapvető gyors döntések meghozatalához, de ma már az árnyalatok világában élünk. Ez sehol sem tükröződik élesebben, mint a fogadások világában.
Bináris torzítás: koffein és YouTube-értékelések
Hogyan befolyásolja a bináris döntéshozatal az információfeldolgozó képességünk? Fisher és Keil tudósok ennek kiderítését tűzte ki célul az általuk bináris előítéletnek nevezett tanulmányok sorozatát (de nem ez az egyetlen fajta kognitív előítélet ami létezik és azonosítható). Ezekben a vizsgálatokban a résztvevőknek bizonyítékokat adtak egy témával kapcsolatban, majd arra kérték őket, hogy foglalják össze ezeket és adjanak egy olyan értékelést, amely a legjobban tükrözi az érv erejéről alkotott általános benyomásukat.
Ha az emberek például a koffein és az egészség közötti kapcsolatot vizsgáló különböző tanulmányok adatait értékelik, nagyon gyorsan úgy kategorizálják az adatokat, hogy azok vagy mutatnak valamilyen hatást, vagy nem, függetlenül a bizonyítékok relatív erősségétől.
Összességében arra jöttek rá, hogy az emberek a bizonyítékok összegzésekor hajlamosak kategorikus megkülönböztetést alkalmazni a folytonos adatokra. A bizonyítékokat külön kategóriákba tömörítik és a kategóriák közötti különbség alkotja a végleges ítéletet. Más szóval a résztvevők hajlamosak voltak figyelmen kívül hagyni a számukra bemutatott bizonyítékok erősségét, ehelyett inkább külön kategóriákba sorolták őket és az ezeken a kategóriákon belüli bizonyítékok összegét nézték.
Ennek eredményeképpen egy olyan következtetést, amelynek 25%-os valószínűsége volt egy irányba, egyszerűen összevonták az összes olyan következtetéssel, amely ebbe az irányba hajlott, függetlenül azok erősségétől. Ez megkönnyítette az adatok feldolgozását a tesztalanyok számára, de az információ értéke csökkent.
A YouTube ezt akkor fedezte fel, amikor megpróbált finomítani a videók minősítési rendszerén. A csillagokkal történő értékelésük hatástalannak bizonyult, mivel a szavazatok túlnyomó többsége egy vagy öt csillagot adott.
Ez a bináris döntéshozatal következménye volt. Ha a felhasználónak tetszett a videó, akkor ötös kategóriába sorolták, míg ha nem tetszett neki, akkor egyes osztályzatot adtak. E két különálló kategória között minden információ elveszett. Ez azt eredményezte, hogy a YouTube átállt egy egyszerűbb hüvelykujj fel/le rendszerre.
Kimeneti torzítás
Amint a fentiekből kiderült, az emberek az információkat lehetőleg két különböző kategóriába sorolják. Ez a fogadáson belül is így van. Egy tapasztalatlan fogadó számára a jó fogadás egyszerűen az, amelyik nyer. A rossz fogadás az, amelyik veszít. Ez a két kategória könnyen felfogható és intuitív módon érthető egy olyan személy számára is, aki nem érti a fogadások mögötti árnyalatokat.
Ez azonban teljesen téves. Egy nyertes fogadás lehet borzalmas valójában, míg a valaha volt legjobb fogadás is lehet, hogy vesztesnek bizonyult. A fogadások ilyen egyszerű kategorizálásával az összes hasznos információ elvész.
Ez a vágy, hogy egy adatpontot egy esemény kimenetele miatt jó vagy rossz kategóriába soroljanak, megmutatkozott a Baltimore Ravens 2019-es NFL-szezonbeli sikertelen kétpontos fordítás kísérlete körüli vita során. Matematikailag a Ravens helyes döntést hozott, amikor a kétpontos fordítás megkísérlése mellett döntött. Mivel azonban a kísérlet nem sikerült, egyes szakértők a rossz döntés kategóriába sorolták azt.
Az ilyen játékok mögött álló analitika által nyújtott többletinformáció ezeknek a szakértőknek kiesik egyrészt az eredmény-előítélet (a sikertelen kísérletet biztosan rossz döntés okozta) és a bináris előítélet (a játékot egy külön kategóriába kell sorolni) keveréke miatt. Ha a játék számukra jól zárult volna, a véleményük minden valószínűség szerint más lenne.
Mit jelent a jó fogadás?
A sikeres fogadási gondolkodásmód kialakításához a fogadóknak meg kell tanulniuk elkerülni az ilyen előítéleteket. A nyerés és a vereség közötti szürke zóna az, ami megkülönbözteti a jó fogadást a rossz fogadástól.
A fogadók százalékokban dolgoznak. Ha a fogadó százalékos aránya pontosabb, mint a bukmékeré, akkor hosszú távon nyerni fog. De vajon megállapítható-e egyáltalán, hogy a fogadó százalékos értékei mennyire pontosak? Nagy mintanagyság nélkül szinte lehetetlen véglegesen megválaszolni ezt a kérdést.
Vegyünk példának egy híres százalékos adatot. A FiveThirtyEight statisztikai weboldal 30%-os esélyt adott Donald Trumpnak a 2016-os amerikai elnökválasztás megnyerésére. Természetesen Trump végül elnök lett.
A reakció erre a jóslatra egyesek részéről az volt, hogy úgy gondolták tévesen határozták meg a százalékot. Tekintettel arra, hogy az emberek binárisan viszonyulnak az ilyen dolgokhoz, érthető, miért lehet ez csábító. Ahogy a Fisher és Keil által a bináris torzításról végzett kutatás kimutatta, az emberek eltávolították a jóslat meggyengült erősségét (Trumpnak 30% esélyt adtak 0% esély helyett), hogy a jóslatot a számukra kényelmes rossz kategóriába helyezzék.
De ez így nem helyes. A jóslat szerint tízből háromszor Trumpnak kellene nyernie. Az, hogy a forgatókönyv úgy játszódott le, hogy Trump nyert, semmi újat nem mutat nekünk a jóslat pontosságáról.
A mintanagyságot úgy kellene érdemben bővíteni, hogy ugyanazt a választást többször lefuttatjuk (ami persze lehetetlen). Csak akkor láthatnánk, hogy a FiveThirtyEight 30%-os Trump-győzelmet jósló előrejelzése mennyire állt közel a valósághoz.
A káosz irányítása
Ez az egész érthetően nyugtalanító. Ösztöneinkkel teljes ellentétben áll, hogy valójában nem tudjuk, és talán soha nem is fogjuk megtudni, hogy egy-egy jóslat jó volt-e.
Bizonyára voltak olyan fogadások, amelyeknél intuitív módon úgy érezted, hogy a százalékos arányok az te javadra szólnak, de a hasonló események nagy mintájára lefuttatott modellen kívül nincs mód arra, hogy véglegesen megmondjuk, hogy igazad volt-e.
Fogadóként a jó és a rossz fogadási kategóriák közötti szürke zónában mozgunk. Ahhoz, hogy sikeres legyél, el kell távolodnod az egyszerű osztályozásoktól és el kell fogadnod az egyes fogadások százalékos arányait annak, amik. Egyszerűen meg kell próbáld létrehozni a jó fogadást azzal a tudattal, hogy soha nem tudhatod igazán, hogy valaha is besorolható-e annak.
