Utafiti huu unajaribu kuelewa kwa nini watu hutenda kwa njia tofauti wanapokabiliwa na kutokuwa na uhakika. Katika maisha ya kila siku, hatari na kutokuwa na uhakika mara nyingi hutumiwa kana kwamba ni kitu kilekile; lakini katika uchumi na nadharia ya maamuzi kuna tofauti muhimu kati yao. Hatari ni hali ambazo uwezekano unajulikana. Kwa mfano, unapotupa kete unajua kwamba kuna matokeo sita yanayowezekana na kwamba kila moja linaweza kutokea kwa uwezekano unaokaribiana. Kutokuwa na uhakika au kwa maana inayotumiwa katika utafiti, ambiguity, ni hali ambazo uwezekano haujulikani kikamilifu. Kwa mfano, ikiwa hujui kuna mipira mingapi nyekundu na mingapi myeupe ndani ya mfuko, uamuzi huo hauhusishi hatari tu bali pia kutokuwa na uhakika.

Kuepuka kutokuwa na uhakika kulionekana kwa nguvu kwanza kupitia kitendawili cha Ellsberg. Mara nyingi watu hupendelea chaguo ambalo uwezekano wa kushinda unajulikana wazi kuliko chaguo lenye uwezekano usiojulikana, hata kama kwa nadharia linaweza kuwa na faida zaidi. Tabia hii inaweza kuonekana katika maeneo mengi, kuanzia maamuzi ya uwekezaji wa kifedha hadi uchaguzi wa taaluma, kutoka kushiriki uchaguzi hadi tabia ya kutatua matatizo katika elimu. Kama inavyosisitizwa katika utangulizi wa utafiti, usambazaji wa uwezekano usiojulikana unaweza kuwafanya watu wasijisikie vizuri na kuwapeleka kwenye chaguo zinazoonekana salama zaidi.

Mchango mkuu wa utafiti ni kuchunguza kama tabia hii inaweza kuhusishwa si tu na muundo wa uchaguzi wa kiuchumi, bali pia na mtindo wa uchakataji wa kiutambuzi. Utafiti unaunganisha mjadala huu na nadharia ya michakato miwili iliyofanywa maarufu na Daniel Kahneman. Kwa mujibu wa nadharia hii, akili ya binadamu kwa ujumla hutumia aina mbili za uchakataji. System 1 inaeleza michakato ya haraka, ya kiotomatiki, ya kihisia/kiangavu na mara nyingi isiyohitaji udhibiti wa makusudi. System 2 inaeleza michakato ya polepole, ya uchambuzi, ya makusudi, inayohitaji umakini na inayolenga hesabu.

Tofauti hii ni rahisi sana kuiona katika maisha ya kila siku. Kutambua mara moja kwamba mtu amekasirika kutokana na sura ya uso ni mchakato ulio karibu na System 1. Kutatua hesabu ndefu ya hisabati hatua kwa hatua ni karibu zaidi na System 2. Hata hivyo, utafiti una tahadhari muhimu: majukumu ya ANS yanaendana na aina ya utambuzi wa System 1, lakini si sawa kabisa na System 1 kwa nadharia. Kwa maneno mengine, ANS inawakilisha eneo la uchakataji wa namba wa kiangavu linaloweza kufikiriwa kama sehemu ya System 1, lakini halipimi System 1 yote.

Approximate Number System, yaani mfumo wa kukadiria idadi, ni utaratibu wa utambuzi unaowawezesha wanadamu na baadhi ya viumbe wengine kukadiria kwa haraka idadi ya vitu bila kutumia namba za alama. Kwa mfano, ukiona kwa muda mfupi makundi mawili ya nukta kwenye skrini, unaweza kutambua kwa intuition upande gani una nukta nyingi bila kuhesabu moja moja. Uwezo huu ni muhimu hasa kwa maendeleo ya hisabati, kwa sababu uwezo wa kutofautisha kiasi kwa intuition ni mojawapo ya ujuzi msingi unaohusishwa na kujifunza hisabati ya alama baadaye.

Utafiti unadhania kwamba watu wenye ustadi wa juu wa System 1 na ANS wanaweza kuwa wavumilivu zaidi kwa hatari na kutokuwa na uhakika. Mantiki ya hipotesi hii ni kwamba tunapokabiliwa na hali isiyo na uhakika, kujaribu kuchanganua kila kitu kikamilifu wakati mwingine kunaweza kumfanya mtu ashindwe kuamua. Kwa upande mwingine, uchakataji wa kiangavu wenye nguvu unaweza kumsaidia mtu kufanya tathmini ya awali kwa haraka chini ya taarifa pungufu, kuwa tayari zaidi kujaribu na kutoepuka kabisa kisichojulikana. Kwa elimu, hii inaweza kuhusishwa hasa na tabia ya “kujaribu bila kuogopa kufanya makosa” katika hisabati.

Muundo wa majaribio wa utafiti una hatua kuu tatu. Katika hatua ya kwanza, mitazamo ya washiriki kuhusu hatari na kutokuwa na uhakika hupimwa. Katika hatua ya pili, washiriki hushiriki katika shughuli ya WarmApp. Katika hatua ya tatu, mtazamo wa kutokuwa na uhakika hupimwa tena ili kuona kama kuna mabadiliko baada ya WarmApp. Aidha, IQ, sifa za utu na taarifa za demografia hukusanywa. Vigezo hivi vya kudhibiti ni muhimu kwa sababu mitazamo ya hatari na kutokuwa na uhakika inaweza kuhusishwa si tu na intuition ya namba, bali pia na umri, jinsia, uwezo wa jumla wa utambuzi au sifa za utu.

Jukumu la kutokuwa na uhakika linategemea kitendawili cha Ellsberg. Washiriki hupewa chaguo kati ya urn mbili. Urn A ni urn ambayo uwiano wa mipira myeusi na myeupe unajulikana. Urn B ina mipira 100, lakini uwiano wa nyeusi-nyeupe haujulikani. Mshiriki akichota mpira mweupe kutoka kwenye urn aliyochagua, anapata euro 5. Katika raundi tano, uwiano wa mipira myeupe katika Urn A hupunguzwa: raundi ya kwanza ina mipira myeupe 50, kisha 45, 40, 35 na 30. Urn B inabaki na muundo usiojulikana katika kila raundi.

Lengo la muundo huu ni kuona mshiriki anabaki kwa muda gani kwenye uwezekano unaojulikana lakini unaozidi kuwa mbaya. Ikiwa mtu bado anapendelea urn inayojulikana yenye mipira myeupe 30 kuliko urn isiyojulikana, hii inaweza kuwa ishara ya kuepuka sana kutokuwa na uhakika. Kwa upande mwingine, kuhamia urn isiyojulikana katika hatua fulani kunaweza kuonyesha mtazamo ulio wazi zaidi kwa kuvumilia kutokuwa na uhakika.

Jukumu la hatari linategemea mbinu ya orodha ya bei nyingi iliyotengenezwa na Holt na Laury. Katika jukumu hili washiriki huchagua kati ya bahati nasibu mbili kwa raundi 10. Chaguo moja ni salama zaidi; lingine lina uwezo wa malipo makubwa zaidi lakini lina hatari zaidi. Kadiri raundi zinavyoendelea, uwezekano wa kupata malipo makubwa huongezeka. Pointi ambayo mshiriki anahama kutoka chaguo salama kwenda chaguo hatari zaidi hutumika kukadiria kiwango cha kuepuka hatari.

Vielelezo katika utafiti vinafanya mpangilio wa majaribio uonekane wazi. Vielelezo viwili vya kwanza vya jukumu la hatari vinaonyesha mshiriki akilinganisha chaguo za bahati nasibu za kushoto na kulia kupitia magurudumu ya uwezekano yanayoonekana. Uwasilishaji huu hufanya taarifa za uwezekano za kufikirika kuwa rahisi zaidi kwa intuition. Vielelezo vya WarmApp vinaonyesha kulinganisha idadi, kukadiria idadi, kulinganisha maumbo, kulinganisha urefu na majukumu ya kutambua njia. Katika michezo hii midogo, lengo ni mshiriki kutathmini mifumo ya kuona na namba kwa intuition ndani ya muda mfupi sana.

Shughuli ya WarmApp ina michezo midogo mitano. Katika mchezo wa kwanza, mshiriki huamua ni kundi gani kati ya mawili lina vitu vingi zaidi. Katika mchezo wa pili, hukadiria idadi ya vitu kwenye skrini. Katika mchezo wa tatu, huchagua umbo lipi ni kubwa zaidi. Katika mchezo wa nne, huamua kipande gani cha mstari ni kirefu zaidi. Katika mchezo wa tano, hutathmini kama maji yanaweza kupita kwenye njia iliyotolewa. Sifa ya pamoja ya majukumu haya ni kwamba yanahitaji tathmini ya haraka ya kiangavu badala ya hesabu ya kina au uchambuzi mrefu.

Katika WarmApp kila kichocheo huonyeshwa kwa 0.75 sekunde tu. Muda huu ni muhimu kwa sababu unafanya iwe vigumu kwa mshiriki kuhesabu vitu moja moja au kuunda mikakati mirefu ya uchambuzi. Kwa hivyo majukumu yanafaa zaidi kupima uchakataji wa haraka wa aina ya System 1. Washiriki hukamilisha WarmApp kwa raundi 15. Wastani wa alama za raundi tatu za kwanza hutumika kama kiashiria cha ustadi wa awali wa System 1. Kuanzia raundi ya tatu washiriki hupewa mrejesho; mrejesho huu unalenga kuimarisha tathmini za kiangavu na kufuatilia ongezeko la utendaji kwa muda.

Katika sehemu ya kinadharia, kazi za utility hutumika kukadiria kwa kiasi mitazamo ya hatari na kutokuwa na uhakika. Katika jukumu la hatari, expected utility ya bahati nasibu mbili hulinganishwa katika kila raundi:

\[ EU_{iAk} = p_k U_i(W_A) + (1-p_k)U_i(L_A) \]

\[ EU_{iBk} = p_k U_i(W_B) + (1-p_k)U_i(L_B) \]

Katika fomula hizi EU_iAk ni utility inayotarajiwa na mshiriki i kutoka chaguo A katika raundi k; EU_iBk ni utility inayotarajiwa kutoka chaguo B. p_k ni uwezekano wa malipo makubwa. W_A na W_B ni malipo makubwa katika bahati nasibu A na B; L_A na L_B ni malipo madogo. U_i ni kazi ya utility ya mshiriki.

Kazi ya utility ya CRRA, yaani Constant Relative Risk Aversion, iliyotumika katika utafiti ni:

\[ U(x) = \begin{cases} \frac{x^{1-r}}{1-r} & \text{eğer } r \neq 1 \\ \ln(x) & \text{eğer } r = 1 \end{cases} \]

Hapa x ni matokeo ya kifedha; r ni mgawo wa kuepuka hatari kwa jamaa. Kadiri r inavyoongezeka, mtu huepuka hatari zaidi. Katika hali maalum ya r = 1, kazi ya utility ya logaritimu hutumika. Lengo la jukumu la hatari ni kukadiria mgawo r kwa kuangalia pointi ambayo mshiriki anahama kutoka chaguo salama hadi chaguo hatari.

Katika pointi ya kuhama, expected utility za chaguo mbili huchukuliwa kuwa sawa:

\[ p_k U_i(W_A) + (1-p_k)U_i(L_A) = p_k U_i(W_B) + (1-p_k)U_i(L_B) \]

Usawa huu unawakilisha mpaka ambapo mshiriki hana upendeleo tena kati ya chaguo salama na chaguo hatari. Kwa njia hii, parameter ya kuepuka hatari inaweza kukadiriwa.

Katika jukumu la kutokuwa na uhakika, kauli ifuatayo ya utility hutumika kwa urn isiyojulikana:

\[ EU_{i,\mathrm{Ambiguous}} = \alpha U_i(x_{\min}) + (1-\alpha)U_i(x_{\max}) \]

Hapa α ni parameter ya kuepuka kutokuwa na uhakika. x_min ni matokeo ya chini zaidi; x_max ni matokeo ya juu zaidi. Kadiri α inavyoongezeka, mtu hutoa uzito mkubwa kwa matokeo mabaya ya chaguo lisilo na uhakika; hali hii hufasiriwa kama kuepuka kutokuwa na uhakika.

Kwa sababu matokeo ya kifedha yanayowezekana katika urn isiyojulikana na urn ya hatari ni sawa, fomula hurahisishwa. Mpira wa rangi inayoshinda ukichotwa malipo ni euro 5; vinginevyo malipo ni sifuri. Katika pointi ya kuhama, usawa ufuatao huandikwa:

\[ q_j U_i(W) + (1-q_j)U_i(L) = \alpha_i U_i(L) + (1-\alpha_i)U_i(W) \]

Hapa q_j ni uwezekano wa kushinda katika urn inayojulikana. W ni hali ya kushinda; L ni hali ya kupoteza. Utafiti unapoweka normalization ya [ U_i(W)=1 ] na [ U_i(L)=0 ], parameter ya kuepuka kutokuwa na uhakika hupatikana kwa uhusiano rahisi ufuatao:

\[ \alpha_i = 1 - q_j \]

Tafsiri ya fomula hii ni wazi. Kiwango cha uwezekano unaojulikana ambapo mshiriki anahamia urn isiyojulikana huamua kiwango chake cha kuepuka kutokuwa na uhakika. Ikiwa α_i > 1/2, mshiriki hufasiriwa kuwa anayekwepa kutokuwa na uhakika; ikiwa α_i = 1/2, kuwa neutral kwa kutokuwa na uhakika; na ikiwa α_i < 1/2, kuwa anayetafuta au kuwa wazi zaidi kwa kutokuwa na uhakika.

Katika sehemu ya data, utafiti ulianza na sampuli ya washiriki 108. Kati yao, 83 walikuwa katika kundi la majaribio na 25 katika kundi la udhibiti. Uchambuzi mkuu ulifanywa kwa kundi la majaribio lililoshiriki katika hatua zote, pamoja na shughuli ya WarmApp. Hata hivyo, baadhi ya washiriki walionyesha tabia zisizo thabiti za kuhama katika majukumu ya hatari na kutokuwa na uhakika. Utafiti unaita hali hii multiple-switching behavior, yaani MSB.

MSB ina maana kwamba mshiriki anarudi na kwenda kati ya chaguo bila kufuata muundo thabiti wa kuhama. Kwa mfano, kwanza kuchagua chaguo salama, kisha chaguo hatari na baadaye kurudi tena kwenye chaguo salama hufanya iwe vigumu kupima upendeleo kwa uthabiti. Katika utafiti, MSB ilionekana katika %8.5 ya maamuzi ya jukumu la hatari na %7 ya maamuzi ya jukumu la kutokuwa na uhakika. Kwa jumla washiriki 10 walionyesha tabia hii. Kwa hiyo sampuli iliyopunguzwa ikawa watu 73. Hata hivyo, watafiti pia waliwasilisha uchambuzi wa sampuli kamili unaojumuisha washiriki wa MSB ili kuona unyeti wa matokeo.

Katika takwimu za maelezo, wastani wa kuepuka kutokuwa na uhakika ulikuwa 0.58 katika kundi la ustadi mkubwa wa System 1 na 0.60 katika kundi la ustadi mdogo wa System 1. Wastani wa kuepuka hatari ulikuwa 0.3 katika kundi la System 1 ya juu na 0.4 katika kundi la System 1 ya chini. Tofauti hizi ghafi zinaonyesha kwamba watu wenye ustadi mkubwa wa System 1 wanaweza kwa wastani kuonyesha uvumilivu mkubwa wa hatari na kutokuwa na uhakika; lakini regression zilifanywa ili kuelewa kama tofauti hizi zinasababishwa na vigezo vingine.

Utafiti ulitumia modeli ya Seemingly Unrelated Regression, yaani SUR, kwa mitazamo ya hatari na kutokuwa na uhakika. Mbinu hii hukadiria kwa wakati mmoja milinganyo ya kuepuka hatari na kuepuka kutokuwa na uhakika na huzingatia kwamba terms za hitilafu za milinganyo hiyo zinaweza kuhusiana. Uchaguzi huu una mantiki kwa sababu baadhi ya sifa binafsi zinazoathiri mitazamo ya hatari na kutokuwa na uhakika zinaweza kuwa za pamoja.

Mlinganyo wa hatari umeandikwa hivi:

\[ Risk_i = \beta_0 + \beta_1 WarmAppScore_i + \beta_2 PersTraits_i + \beta_3 IQ_i + \beta_4 Demogr_i + \varepsilon_{i1} \]

Mlinganyo wa kutokuwa na uhakika ni:

\[ Ambiguity_i = \gamma_0 + \gamma_1 WarmAppScore_i + \gamma_2 PersTraits_i + \gamma_3 IQ_i + \gamma_4 Demogr_i + \varepsilon_{i2} \]

Katika milinganyo hii WarmAppScore_i ni alama ya WarmApp inayoonyesha ustadi wa System 1 wa mshiriki. PersTraits_i ni sifa za utu za Big Five; IQ_i ni alama ya IQ; Demogr_i ni vigezo vya demografia kama umri na jinsia. ε_i1 na ε_i2 ni terms za hitilafu za milinganyo ya hatari na kutokuwa na uhakika.

Katika sampuli iliyopunguzwa, mgawo wa alama ya WarmApp juu ya kuepuka hatari ulikuwa -0.1070 na p-value 0.005. Hii inaonyesha kwamba alama kubwa zaidi ya WarmApp inahusiana na kuepuka hatari kwa kiwango cha chini. Matokeo haya yanaunga mkono hipotesi kwamba watu wenye ustadi mkubwa wa uchakataji wa kiangavu wanaweza kuwa na tahadhari ndogo katika hali zenye hatari.

Katika sampuli hiyo hiyo iliyopunguzwa, mgawo wa alama ya WarmApp juu ya kuepuka kutokuwa na uhakika ulikuwa -0.0122 na p-value 0.11. Mwelekeo bado ni hasi; yaani alama kubwa zaidi ya System 1 inahusiana na kuepuka kutokuwa na uhakika kwa kiwango cha chini. Hata hivyo, p-value haifikii kiwango cha kawaida cha umuhimu cha %5. Kwa hiyo matokeo haya katika sampuli iliyopunguzwa yanapaswa kusomwa si kama ushahidi mkubwa wa kitakwimu, bali kama ugunduzi wenye mwelekeo unaolingana na hipotesi lakini wenye nguvu ndogo ya sampuli.

Ugunduzi mwingine unaojitokeza katika milinganyo ya hatari ni kwamba Neuroticism, yaani mwelekeo wa kutokuwa na utulivu wa kihisia/wasiwasi, ina uhusiano chanya na muhimu na kuepuka hatari. Katika sampuli iliyopunguzwa, mgawo ulikuwa 0.1945 na p-value 0.001. Ugunduzi huu unaeleweka kisaikolojia: watu wenye viwango vya juu vya wasiwasi na unyeti kwa matokeo hasi wanaweza kuepuka zaidi chaguo zenye uwezekano wa hasara.

Katika sampuli kamili inayojumuisha washiriki wa MSB, matokeo yanaonekana kuwa na nguvu zaidi. Katika mlinganyo wa kuepuka hatari, mgawo wa alama ya WarmApp ulikuwa -0.1300 na p-value 0.0005. Katika mlinganyo wa kuepuka kutokuwa na uhakika, mgawo wa alama ya WarmApp ulikuwa -0.0138 na p-value 0.0421. Hii inaonyesha kwamba katika sampuli kamili kuna uhusiano hasi wenye umuhimu wa kitakwimu kati ya ustadi wa System 1 na kuepuka hatari pamoja na kutokuwa na uhakika.

Hata hivyo, tahadhari inahitajika hapa. Kujumuisha washiriki wa MSB huongeza ukubwa wa sampuli na nguvu ya kitakwimu; lakini kwa kuwa uthabiti wa maamuzi ya washiriki hawa unajadiliwa, tafsiri kuu inapaswa kuwa ya tahadhari. Kwa hiyo utafiti unawasilisha matokeo ya sampuli iliyopunguzwa na ya sampuli kamili ili kuonyesha unyeti wa matokeo kwa ufafanuzi wa sampuli.

Uchambuzi wa unyeti unaunganisha umuhimu mdogo wa athari ya kutokuwa na uhakika katika sampuli iliyopunguzwa na ukubwa wa sampuli. Utafiti unakokotoa ukubwa wa sampuli unaohitajika kwa multiple regression kwa kutumia mbinu ya Cohen:

\[ n = \frac{\lambda}{f^2} \]

Hapa n ni ukubwa wa sampuli unaohitajika; λ ni parameter inayotegemea nguvu inayotakiwa na kiwango cha umuhimu; f² ni ukubwa wa athari. Utafiti unafikia [ n \approx 107 ]. Idadi hii ni kubwa kuliko sampuli iliyopunguzwa. Kwa hiyo watafiti wanaeleza kwamba baadhi ya athari kutokuwa wazi kitakwimu kunaweza kutokana na nguvu ndogo ya sampuli.

Ukubwa wa sampuli unaohitajika kugundua tofauti ndogo kati ya wastani wa vikundi viwili pia unakokotolewa:

\[ n = 2 \cdot \left(\frac{(Z_{\alpha/2}+Z_{\beta})\cdot \sigma}{\delta}\right)^2 \]

Katika fomula hii Z_α/2 inalingana na kiwango cha umuhimu; Z_β na nguvu ya kitakwimu; σ na mkengeuko wa kawaida wa pamoja; δ na ukubwa wa tofauti kati ya wastani wa vikundi viwili. Utafiti unakadiria kwamba takribani washiriki 141 kwa jumla wanahitajika kugundua tofauti ndogo kama δ = 0.02 kwa nguvu ya %80 na umuhimu wa %5.

Utafiti pia hutumia Wilcoxon rank-sum test, ambayo haitegemei sana dhana za parametric. Katika jaribio hili, usambazaji wa kuepuka kutokuwa na uhakika wa vikundi vya ustadi wa juu na wa chini wa System 1 unalinganishwa. Chini ya ukadiriaji wa kawaida, thamani zifuatazo hutolewa kwa takwimu U:

\[ \mu_U = \frac{n_1 n_2}{2} = 630 \]

\[ \sigma_U = \sqrt{\frac{n_1 n_2(n_1+n_2+1)}{12}} \approx 189.3 \]

\[ z = \frac{U-\mu_U}{\sigma_U} \approx 4.07 \]

Thamani hii ya z inaunga mkono kwamba kuna tofauti muhimu kati ya vikundi viwili na kwamba kuepuka kutokuwa na uhakika ni kidogo zaidi katika kundi lenye ustadi mkubwa wa System 1. Matokeo haya yanatolewa kama ushahidi wa ziada pamoja na matokeo ya regression.

Sehemu ya mwisho muhimu ya utafiti ni kama mafunzo ya WarmApp yanapunguza kuepuka kutokuwa na uhakika. Kwa hili, watu walioonyesha ustadi mdogo wa System 1 mwanzoni wanachunguzwa. Kiwango cha wastani cha maendeleo ya alama zao za WarmApp katika raundi 15 hukokotolewa. Kisha mabadiliko katika alama ya kuepuka kutokuwa na uhakika yanaunganishwa na kiwango hiki cha maendeleo.

Mlinganyo wa regression uliotumiwa ni:

\[ \Delta \alpha_i = \beta_0 + \beta_1 \hat{r}_i + \beta_2 PersTraits_i + \beta_3 IQ_i + \beta_4 Demogr_i + \varepsilon_i \]

Hapa Δα_i ni mabadiliko ya alama ya kuepuka kutokuwa na uhakika ya mshiriki kabla na baada ya intervention; r̂_i ni kiwango cha wastani cha maendeleo ya alama za WarmApp; vigezo vingine vinawakilisha udhibiti wa utu, IQ na demografia.

Katika sampuli iliyopunguzwa, mgawo wa kiwango cha wastani cha maendeleo ulikuwa -0.05, standard error 0.03 na p-value 0.06. Matokeo haya yanaweza kuchukuliwa kuwa muhimu katika kiwango cha %10 lakini yanabaki mpakani katika kiwango cha %5. Katika sampuli kamili, mgawo ulikuwa -0.06, standard error 0.02 na p-value 0.01. Hii inadokeza kwamba washiriki wenye ustadi mdogo mwanzoni ambao waliboresha zaidi utendaji wa WarmApp wanaweza kuonyesha upungufu mkubwa zaidi wa kuepuka kutokuwa na uhakika.

Katika robustness check kwa kundi la udhibiti na sampuli nzima, wastani wa mabadiliko ya kuepuka kutokuwa na uhakika ulitolewa kama 0.01. Hili linalenga kuonyesha kwamba hakukuwa na mabadiliko makubwa yanayoweza kuelezwa tu na kupita kwa muda au mambo ya nje. Kwa tafsiri ya utafiti, upungufu wa kuepuka kutokuwa na uhakika unaonekana zaidi hasa katika kundi lenye ustadi mdogo wa System 1 ambalo lilionyesha maendeleo kupitia mafunzo ya WarmApp.

Kwa elimu, ugunduzi huu ni muhimu. Wanafunzi wengi hawapati shida katika hisabati kwa sababu tu hawajui hesabu, bali pia kwa sababu hawathubutu kujaribu wanapokutana na tatizo lisilo na uhakika. Kuchukua hatua ya kwanza katika tatizo la wazi, kujaribu mkakati mpya hata ikiwa unaweza kuwa mbaya, na kuendelea kutafuta suluhisho kunahitaji kiwango fulani cha uvumilivu kwa kutokuwa na uhakika. Utafiti unapendekeza kwamba shughuli fupi zinazofundisha uchakataji wa namba wa kiangavu zinaweza kuwa na uwezo wa kuongeza uvumilivu huu.

Hapa dhana ya “propensity to attempt”, yaani mwelekeo wa kujaribu, inakuwa ya msingi katika tafsiri ya kielimu ya utafiti. Ikiwa mwanafunzi anapoona tatizo mara moja anasema “siwezi kufanya hili,” huenda akawa amekwama katika kizuizi cha kuepuka kutokuwa na uhakika kabla ya uwezo wake wa kiutambuzi. Ikiwa intuition ya kiasi na ujuzi wa kutambua mifumo kwa haraka utaimarishwa, mwanafunzi anaweza kufanya jaribio la kwanza kwa urahisi zaidi katika hali za matatizo yasiyo na uhakika. Hii ni hitimisho lenye kuvutia moja kwa moja kwa elimu ya hisabati.

Hata hivyo, matokeo ya utafiti hayapaswi kuzidishwa. Maandishi hayathibitishi kwamba WarmApp huongeza kwa uhakika mafanikio ya elimu ya muda mrefu, huinua moja kwa moja utendaji wa hisabati wa wanafunzi au huboresha maamuzi ya kifedha/kisiasa kwa kudumu. Utafiti unatafuta uhusiano kati ya ujuzi wa utambuzi wa kiangavu, mitazamo ya hatari/kutokuwa na uhakika na athari ya muda mfupi ya mafunzo katika mazingira ya maabara na sampuli ndogo. Kwa hiyo matokeo yanapaswa kutathminiwa kama yenye matumaini kwa matumizi, lakini yanayohitaji uthibitishaji zaidi.

Mojawapo ya nguvu za utafiti ni kwamba haupimi mwelekeo wa System 1 kwa self-report pekee. Katika baadhi ya tafiti za awali, watu walijitathmini kuwa wa kiangavu zaidi au wa uchambuzi zaidi. Utafiti huu unajaribu kufanya kipimo cha moja kwa moja zaidi kwa kutumia kazi ya kitabia ya kompyuta kama WarmApp. Pia kukusanya risk, ambiguity, IQ, sifa za utu na vigezo vya demografia ndani ya mtiririko mmoja wa majaribio kunaruhusu uchambuzi unaodhibitiwa zaidi.

Vikwazo viko wazi pia. Ukubwa wa sampuli ni mdogo, hasa kwa kugundua athari ndogo. Mazingira ya maabara na zawadi ndogo kama euro 5 huenda yasiwe na uzito wa kisaikolojia sawa na maamuzi makubwa ya kifedha, kielimu au kikazi katika maisha halisi. Ustadi wa System 1 ulipimwa kwa zana moja ya kitabia; kipimo kingekuwa imara zaidi ikiwa kingesaidiwa na reaction times, viashiria vya neurocognitive au majukumu mengine ya kiangavu. Aidha, kwa kuwa kujumuisha au kuondoa washiriki wa MSB kunaweza kubadilisha umuhimu wa baadhi ya matokeo, maamuzi ya data cleaning ni muhimu katika tafsiri ya matokeo.

Kinachosemwa na kisichosemwa na utafiti kinapaswa kutenganishwa wazi. Utafiti unapendekeza kwamba ujuzi wa utambuzi wa kiangavu unahusiana na mitazamo ya hatari na kutokuwa na uhakika, na kwamba mafunzo kama WarmApp yanaweza kupunguza kuepuka kutokuwa na uhakika hasa kwa watu wenye ustadi mdogo mwanzoni. Lakini hausisemi kwamba System 1 daima hufanya maamuzi bora. Haudai kwamba fikra za uchambuzi hazihitajiki. Hausisemi kwamba kuhimiza watu kuchukua hatari ni sahihi kila wakati. Lengo katika elimu si kuwaelekeza wanafunzi kuchukua hatari bila kufikiri, bali kusaidia unyumbufu wa kiutambuzi na kihisia unaowawezesha kujaribu bila kuganda kabisa wanapokabiliwa na tatizo lisilo na uhakika.

Mbinu na Matokeo ya Utafiti

Mbinu ya utafiti inajumuisha jaribio la maabara lililodhibitiwa, majukumu ya kiutambuzi ya kitabia, majukumu ya maamuzi ya kiuchumi yenye motisha na uchambuzi wa regression. Lengo kuu ni kuchunguza uhusiano kati ya ustadi wa System 1 na ukali wa ANS na mitazamo ya hatari na kutokuwa na uhakika, na kutathmini kama mafunzo ya WarmApp yana athari katika kuepuka kutokuwa na uhakika.

1. Sampuli na vikundi vya majaribio

2. Jukumu la kutokuwa na uhakika

Mshiriki hupata euro 5 ikiwa mpira mweupe unatolewa. Rangi inayoshinda, mweupe au mweusi, ilibadilishwa kwa nasibu kati ya washiriki. Hii ilifanywa ili kupunguza upendeleo wa utambuzi au uchaguzi unaoweza kuhusiana na rangi.

3. Jukumu la hatari

Mtazamo wa hatari hupimwa kwa orodha ya bei nyingi ya aina ya Holt na Laury. Katika raundi 10 mshiriki huchagua kati ya bahati nasibu salama zaidi yenye variance ndogo na bahati nasibu hatari zaidi yenye variance kubwa. Uwezekano wa kupata malipo makubwa huongezeka katika kila raundi. Pointi ambayo mshiriki anahama kutoka chaguo salama hadi chaguo hatari hutumika kukadiria parameter ya kuepuka hatari.

Milinganyo ya expected utility katika jukumu la hatari:

\[ EU_{iAk} = p_k U_i(W_A) + (1-p_k)U_i(L_A) \]

\[ EU_{iBk} = p_k U_i(W_B) + (1-p_k)U_i(L_B) \]

Kazi ya utility ya CRRA:

\[ U(x) = \begin{cases} \frac{x^{1-r}}{1-r} & \text{eğer } r \neq 1 \\ \ln(x) & \text{eğer } r = 1 \end{cases} \]

4. Majukumu ya WarmApp

Kila kichocheo huonyeshwa kwa sekunde 0.75. Washiriki hufanya jumla ya raundi 15. Wastani wa alama za raundi tatu za kwanza hutumika kama kiashiria cha ustadi wa awali wa System 1. Katika raundi zinazofuata, mrejesho hutolewa na maendeleo ya utendaji hufuatiliwa.

5. Vipimo vya ziada

• IQ: Jaribio fupi la UNIT-IQ lenye maswali 10 lilitumika.
• Utu: Jaribio fupi la utu la Big Five lilitumika.
• Demografia: Taarifa za umri na jinsia zilikusanywa.

6. Matokeo ya uchambuzi wa SUR: sampuli iliyopunguzwa

7. Matokeo ya uchambuzi wa SUR: sampuli kamili

8. Uchambuzi wa unyeti na nguvu

9. Athari ya mafunzo ya WarmApp katika kuepuka kutokuwa na uhakika

10. Matokeo ya msingi ya utafiti

• Alama ya WarmApp inahusiana kwa hasi na kwa umuhimu na kuepuka hatari.
• Uhusiano kati ya alama ya WarmApp na kuepuka kutokuwa na uhakika ni hasi; umuhimu ni dhaifu katika sampuli iliyopunguzwa lakini ni muhimu katika sampuli kamili.
• Neuroticism inahusiana chanya na kwa umuhimu na kuepuka hatari.
• Kwa watu wenye ustadi mdogo wa System 1 mwanzoni, maendeleo ya WarmApp yanahusiana na kupungua kwa kuepuka kutokuwa na uhakika.
• Matokeo ya kundi la udhibiti yalitumika kuunga mkono kwamba mabadiliko hayaelezwi na kupita kwa muda pekee.

11. Vikwazo

• Ukubwa wa sampuli ni mdogo kwa kugundua athari ndogo.
• Jaribio lilifanywa katika mazingira ya maabara na motisha ndogo za kifedha.
• Ustadi wa System 1 ulipimwa kwa zana moja ya kitabia.
• Athari za muda mrefu za WarmApp hazikuonyeshwa katika utafiti huu.
• Tafiti za ziada zinahitajika kabla ya kujumlisha matokeo moja kwa moja kwa mazingira ya shule, maamuzi ya kifedha au ushiriki wa kisiasa.
• Ingawa kujumuisha washiriki wa MSB huongeza umuhimu wa baadhi ya matokeo, kunahitaji tafsiri ya tahadhari kwa sababu ya uthabiti wa data.

Dokezo la Chanzo na Mbinu

Makala haya yametayarishwa kwa msingi wa utafiti wa Riccardo Manghi na Luigi Bernardi wenye kichwa “Intuitive Cognitive Abilities and Attitudes Towards Risk and Ambiguity: An Exploratory Study with Educational Implications”. Utafiti unataja uhusiano wa waandishi na Luiss University Department of Economics and Finance na University of Turin.

Kutokana na muundo na sifa za maudhui, chanzo kinapaswa kutathminiwa kama rasimu ya makala ya utafiti wa kitaaluma ya majaribio na uchunguzi. Maandishi yana taarifa ya idhini ya maadili na ridhaa ya washiriki, kiungo cha upatikanaji wa data, michango ya waandishi na tamko la kutokuwa na mgongano wa maslahi. Hata hivyo, kwa kuwa hakuna taarifa iliyothibitishwa katika maandishi kuhusu kukubaliwa katika jarida lililopitiwa na wahakiki, DOI ya mwisho ya uchapishaji au mchakato wa wazi wa uhakiki, usemi utafiti ambao uhakiki wake hauwezi kuthibitishwa kutokana na maandishi unapaswa kutumiwa.

Katika kuandaa maudhui haya, muundo wa majaribio uliotolewa katika utafiti, majukumu ya WarmApp, mbinu za kupima hatari na kutokuwa na uhakika, fomula za CRRA na ambiguity parameter, mchakato wa kusafisha sampuli, uchambuzi wa SUR, uchambuzi wa unyeti, Wilcoxon test, regression ya athari ya elimu, matokeo ya kundi la udhibiti na vikwazo vilitumika. Hakuna madai yaliyoongezwa kuhusu athari za kliniki, mafanikio ya elimu ya uhakika, dhamana ya kujifunza kwa muda mrefu, dhamana ya tabia halisi ya soko au matokeo ya sera yanayoweza kutumika kwa wanafunzi wote ikiwa hayapo katika maandishi.

Matokeo ya utafiti yanavutia hasa kwa elimu ya hisabati na saikolojia ya kufanya maamuzi; hata hivyo, kwa sababu ya ukubwa wa sampuli, muktadha wa maabara na vikwazo vya zana za kipimo, yanahitaji kuungwa mkono na tafiti kubwa zaidi, za muda mrefu na zinazojumuisha makundi tofauti ya umri. Kwa hiyo hitimisho kwamba mafunzo kama WarmApp ya namba na mifumo ya kiangavu yanaweza kupunguza kuepuka kutokuwa na uhakika linapaswa kusomwa kama ugunduzi wenye matumaini lakini unaohitaji uthibitishaji mpana zaidi.