Ин таҳқиқот мекӯшад фаҳмад, ки чаро одамон ҳангоми рӯ ба рӯ шудан бо номуайянӣ рафтори гуногун нишон медиҳанд. Дар зиндагии ҳаррӯза risk ва uncertainty аксаран як чиз дониста мешаванд; аммо дар иқтисод ва назарияи қарор байни онҳо фарқи муҳим вуҷуд дорад. Risk ҳолатест, ки эҳтимолиятҳо маълуманд. Масалан, ҳангоми партофтани як зар шумо медонед, ки шаш натиҷаи эҳтимолӣ вуҷуд дорад ва ҳар натиҷа тақрибан бо эҳтимоли баробар меояд. Uncertainty ё ба маънои истифодашуда дар таҳқиқот ambiguity ҳолатест, ки эҳтимолиятҳо пурра маълум нестанд. Масалан, агар надонед дар як халта чанд тӯби сурх ва чанд тӯби сафед ҳаст, қарори шумо на танҳо risk, балки uncertainty ҳам дорад.

Ambiguity aversion аввал бо paradox-и Ellsberg ба таври равшан нишон дода шуд. Одамон аксаран вариантеро, ки эҳтимоли бурди он дақиқ маълум аст, аз варианте, ки эҳтимолаш номаълум аст, вале аз ҷиҳати назариявӣ метавонад манфиати бештар дошта бошад, авлотар медонанд. Ин рафтор метавонад аз қарорҳои сармоягузории молиявӣ то интихоби касб, аз иштироки интихоботӣ то рафтори ҳалли масъала дар таҳсил дида шавад. Тавре ки дар муқаддимаи таҳқиқот таъкид мешавад, тақсимоти номаълуми эҳтимолият метавонад дар одамон нороҳатӣ ба вуҷуд оварад ва ин нороҳатӣ қарорҳоро ба вариантҳое барад, ки бехатартар менамоянд.

Саҳми асосии таҳқиқот ин аст, ки меомӯзад оё ин рафтор танҳо ба сохтори интихоби иқтисодӣ не, балки ба услуби коркарди маърифатӣ низ вобаста аст. Таҳқиқот ба назарияи дуҷараёнае пайванд мекунад, ки Daniel Kahneman онро машҳур кардааст. Мувофиқи ин назария дар зеҳни инсон ба таври умум ду навъи коркард вуҷуд дорад. System 1 равандҳои зуд, автоматикӣ, интуитивӣ ва аксаран бе назорати огоҳонаро ифода мекунад. System 2 бошад равандҳои суст, таҳлилӣ, огоҳона, диққатталаб ва ҳисоббарорро ифода мекунад.

Ин фарқиятро дар зиндагии ҳаррӯза осон дидан мумкин аст. Аз ифодаи рӯй зуд фаҳмидани он ки касе хашмгин аст, ба System 1 наздик мебошад. Ҳалли қадам ба қадами як амалиёти дарози математикӣ ба System 2 наздиктар аст. Аммо таҳқиқот дар як нуқтаи муҳим эҳтиёткор аст: вазифаҳои ANS бо cognition-и навъи System 1 мувофиқанд, вале аз ҷиҳати назариявӣ бо System 1 комилан ҳамон чиз нестанд. Яъне ANS соҳаи коркарди интуитивии ададиро ифода мекунад, ки онро метавон қисми System 1 донист, аммо тамоми System 1-ро чен намекунад.

Approximate Number System, яъне системаи тақрибии ададҳо, механизми маърифатист, ки ба одамон ва баъзе мавҷудоти зинда имкон медиҳад бе истифодаи рақамҳои рамзӣ миқдори ашёро зуд тахмин кунанд. Масалан, агар дар экран барои як лаҳза ду гурӯҳи нуқта нишон дода шавад, шумо метавонед бе ҳисоб кардани як-як интуитивӣ муайян кунед, ки кадом тараф нуқтаи бештар дорад. Ин қобилият махсусан барои рушди математикӣ муҳим аст, зеро қобилияти интуитивӣ фарқ кардани миқдорҳо яке аз малакаҳои асосие дониста мешавад, ки баъдан бо омӯзиши математикаи рамзӣ алоқаманд мешавад.

Таҳқиқот фарз мекунад, ки шахсоне, ки System 1 ва ANS-и қавитар доранд, метавонанд ба risk ва uncertainty таҳаммулпазиртар бошанд. Мантиқи гипотеза чунин аст: ҳангоми рӯ ба рӯ шудан бо вазъияти номуайян, кӯшиши таҳлили пурраи ҳама чиз баъзан шахсро ба ҳолати қарорнопазирӣ мебарад. Баръакс, коркарди қавии интуитивӣ метавонад ба шахс имкон диҳад дар шароити маълумоти нопурра зуд арзёбии ибтидоӣ кунад, ба озмоиш кушодатар бошад ва аз номаълум комилан канорагирӣ накунад. Аз нигоҳи таълим ин метавонад махсусан ба рафтори “тарс надоштан аз иштибоҳ ва кӯшиш кардан” дар математика вобаста бошад.

Тарҳи таҷрибавии таҳқиқот аз се марҳилаи асосӣ иборат аст. Дар марҳилаи аввал муносибати иштирокчиён ба risk ва ambiguity чен карда мешавад. Дар марҳилаи дуюм иштирокчиён дар фаъолияти WarmApp иштирок мекунанд. Дар марҳилаи сеюм муносибати ambiguity боз чен карда мешавад, то дида шавад пас аз WarmApp тағйире ҳаст ё не. Ҳамчунин IQ, хусусиятҳои шахсият ва маълумоти демографӣ ҷамъоварӣ мешаванд. Ин control variables муҳиманд, зеро risk ва ambiguity attitudes метавонанд на танҳо ба intuitive number sense, балки ба синну сол, ҷинс, general cognitive ability ё personality traits низ вобаста бошанд.

Вазифаи ambiguity ба paradox-и Ellsberg асос ёфтааст. Ба иштирокчиён ду urn пешниҳод мешавад. Urn A urn-и дорои таносуби маълум байни тӯбҳои сиёҳ ва сафед аст. Urn B бошад 100 тӯб дорад, вале таносуби сиёҳ-сафед номаълум аст. Агар иштирокчӣ аз urn-и интихобшуда тӯби сафед барорад, 5 euro мебарад. Дар панҷ round таносуби тӯбҳои сафед дар Urn A кам карда мешавад: дар round-и аввал 50 тӯби сафед аст, сипас ин шумора ба 45, 40, 35 ва 30 поин меравад. Urn B бошад дар ҳар round composition-и номаълум дорад.

Ҳадафи ин тарҳ дидани он аст, ки иштирокчӣ то кадом нуқта ба эҳтимоли маълум, вале пайваста бадшаванда часпида мемонад. Агар шахс ҳатто urn-и маълумро бо 30 тӯби сафед аз urn-и номаълум авлотар донад, ин метавонад нишонаи ambiguity aversion-и қавӣ бошад. Баръакс, гузаштан ба urn-и номаълум дар нуқтаи муайян метавонад муносибати кушодатар ба ambiguity-ро нишон диҳад.

Вазифаи risk ба multiple price list approach-и Holt ва Laury асос ёфтааст. Дар ин вазифа иштирокчиён дар 10 round байни ду lottery интихоб мекунанд. Яке бехатартар аст; дигарӣ potential reward-и баландтар дорад, вале risk бештар аст. Бо пеш рафтани round-ҳо эҳтимоли бурди reward-и баланд меафзояд. Нуқтае, ки иштирокчӣ аз варианти бехатар ба варианти riskier мегузарад, барои тахмини дараҷаи risk aversion истифода мешавад.

Шаклҳои таҳқиқот ин тарҳҳоро мушаххас мекунанд. Ду шакли аввал дар бораи risk task нишон медиҳанд, ки иштирокчӣ lottery-и чап ва ростро тавассути visual probability wheels муқоиса мекунад. Ин намоиш probability statements-и абстрактиро интуитивитар мекунад. WarmApp figures бошад numerical comparison, numerical estimation, shape comparison, length comparison ва path recognition tasks-ро нишон медиҳанд. Дар ин mini-gameҳо ҳадаф ин аст, ки иштирокчӣ visual ва numerical patterns-ро дар вақти хеле кӯтоҳ ба таври интуитивӣ арзёбӣ кунад.

Фаъолияти WarmApp аз панҷ mini-game иборат аст. Дар бозии аввал иштирокчӣ муайян мекунад, ки кадом яке аз ду маҷмӯи ашё унсури бештар дорад. Дар бозии дуюм шумораи унсурҳои экранро тахмин мекунад. Дар бозии сеюм шакли калонтарро интихоб мекунад. Дар бозии чорум муайян мекунад, ки кадом қитъаи хат дарозтар аст. Дар бозии панҷум арзёбӣ мекунад, ки оё об аз роҳи додашуда гузашта метавонад. Хусусияти умумии ин вазифаҳо ин аст, ки ба ҷойи ҳисоббарории бодиққат ё таҳлили дароз, арзёбии зуд ва интуитивиро талаб мекунанд.

Дар WarmApp ҳар stimulus танҳо 0.75 seconds нишон дода мешавад. Ин вақт муҳим аст, зеро барои иштирокчӣ ҳисоб кардани объектҳо як-як ё сохтани стратегияҳои дарози таҳлилӣ душвор мешавад. Бо ин роҳ tasks барои чен кардани System 1-type fast processing мувофиқтар мешаванд. Иштирокчиён WarmApp-ро дар 15 round иҷро мекунанд. Average score-и се round-и аввал ҳамчун indicator-и initial System 1 proficiency истифода мешавад. Аз round-и сеюм ба баъд ба иштирокчиён feedback дода мешавад; ин feedback барои reinforce кардани intuitive judgments ва пайгирии performance improvement бо мурури вақт пешбинӣ шудааст.

Дар қисми назариявии таҳқиқот барои тахмини миқдории risk ва ambiguity attitudes utility functions истифода мешаванд. Дар risk task expected utility-и ду lottery дар ҳар round муқоиса мешавад:

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

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

Дар ин формулаҳо EU_iAk expected utility-и иштирокчии i аз option A дар round k; EU_iBk expected utility аз option B-ро нишон медиҳад. p_k эҳтимоли омадани reward-и баланд аст. W_A ва W_B reward-ҳои баланд дар lottery A ва B; L_A ва L_B reward-ҳои пастро ифода мекунанд. U_i utility function-и иштирокчӣ мебошад.

CRRA, яъне Constant Relative Risk Aversion utility function, ки дар таҳқиқот истифода мешавад, чунин аст:

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

Дар ин ҷо x натиҷаи пулӣ ва r coefficient-и relative risk aversion-ро нишон медиҳад. Бо зиёд шудани r шахс аз risk бештар канорагирӣ мекунад. Дар ҳолати махсуси r = 1 logarithmic utility function истифода мешавад. Ҳадафи risk task ин аст, ки аз рӯи нуқтае, ки иштирокчӣ аз safe option ба risky option мегузарад, coefficient-и r тахмин карда шавад.

Дар switching point expected utilities-и ду option баробар қабул мешаванд:

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

Ин баробарӣ ҳаддеро ифода мекунад, ки иштирокчӣ байни safe ва risky option indifferent мешавад. Бо ин роҳ risk-aversion parameter тахмин карда мешавад.

Дар ambiguity task барои urn-и номаълум utility expression-и зерин истифода мешавад:

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

Дар ин ҷо α ambiguity-aversion parameter мебошад. x_min натиҷаи пасттарин ва x_max натиҷаи баландтаринро ифода мекунад. Бо зиёд шудани α шахс ба outcome-и бади ambiguous option вазни бештар медиҳад; ин ҳамчун ambiguity aversion шарҳ дода мешавад.

Азбаски дар таҳқиқот outcomes-и пулӣ дар urn-и ambiguous ва risky якхелаанд, formula содда мешавад. Агар тӯби ранги бурднок гирифта шавад, пардохт 5 euro аст; дар ғайри ин ҳолат пардохт zero мебошад. Дар switching point баробарии зерин навишта мешавад:

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

Дар ин ҷо q_j probability of winning дар urn-и маълум мебошад. W ҳолати бурд ва L ҳолати бохтро нишон медиҳад. Вақте дар таҳқиқот ҳамчун normalization [ U_i(W)=1 ] ва [ U_i(L)=0 ] гирифта мешавад, ambiguity-aversion parameter бо муносибати соддаи зерин ба даст меояд:

\[ \alpha_i = 1 - q_j \]

Тафсири formula равшан аст. Сатҳи probability-и маълум, ки иштирокчӣ дар он ба urn-и номаълум мегузарад, ambiguity-aversion level-и ӯро муайян мекунад. Агар α_i > 1/2 бошад, иштирокчӣ ambiguity-averse; агар α_i = 1/2 бошад ambiguity-neutral; ва агар α_i < 1/2 бошад ambiguity-seeking ё шахси кушодатар ба ambiguity дониста мешавад.

Дар бахши додаҳо таҳқиқот бо намунаи ибтидоии 108 иштирокчӣ оғоз мешавад. Аз онҳо 83 нафар experimental group ва 25 нафар control group мебошанд. Main analysis дар experimental group, ки дар ҳамаи марҳилаҳо аз ҷумла WarmApp иштирок кардааст, гузаронида мешавад. Аммо дар risk ва ambiguity tasks баъзе иштирокчиён inconsistent switching behavior нишон медиҳанд. Ин дар таҳқиқот multiple-switching behavior, яъне MSB номида мешавад.

MSB маънои онро дорад, ки иштирокчӣ ба ҷойи як switching pattern-и rational, байни options чанд бор пешу пас мегузарад. Масалан, аввал safe option, баъд risky option ва баъд боз safe option интихоб кардан, чен кардани preference-ро душвор мекунад. Дар таҳқиқот MSB дар %8.5 аз қарорҳои risk task ва %7 аз ambiguity task мушоҳида шудааст. Дар маҷмӯъ 10 иштирокчӣ ин рафторро нишон додаанд. Аз ҳамин сабаб reduced sample ба 73 нафар поин меравад. Бо вуҷуди ин, муҳаққиқон барои санҷидани sensitivity-и results full-sample analyses-ро низ бо дохил кардани MSB participants пешниҳод кардаанд.

Дар descriptive statistics average ambiguity aversion барои high System 1 proficiency group 0.58 ва барои low System 1 group 0.60 дода мешавад. Average risk aversion бошад дар high System 1 group 0.3 ва low System 1 group 0.4 аст. Ин raw differences нишон медиҳанд, ки шахсони дорои System 1 proficiency-и баландтар ба ҳисоби миёна метавонанд risk ва ambiguity tolerance-и бештар дошта бошанд; аммо барои фаҳмидани он ки ин фарқҳо аз дигар variables меоянд ё не, regression analyses анҷом дода мешавад.

Барои risk ва ambiguity attitudes таҳқиқот Seemingly Unrelated Regression, яъне SUR model-ро истифода мекунад. Ин method risk-aversion ва ambiguity-aversion equations-ро ҳамзамон тахмин мекунад ва иҷозат медиҳад error terms-и ду equation correlated бошанд. Ин интихоби мантиқист, зеро баъзе personal characteristics метавонанд risk ва ambiguity attitudes-ро якҷо таъсир диҳанд.

Risk equation чунин навишта мешавад:

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

Ambiguity equation чунин аст:

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

Дар ин equations WarmAppScore_i WarmApp score-и нишондиҳандаи System 1 proficiency мебошад. PersTraits_i Big Five personality traits; IQ_i IQ test score; ва Demogr_i demographic variables чун age ва gender-ро ифода мекунанд. ε_i1 ва ε_i2 error terms-и risk ва ambiguity equations мебошанд.

Дар reduced sample, coefficient-и WarmApp score ба risk aversion -0.1070 ва p-value 0.005 гузориш мешавад. Ин нишон медиҳад, ки WarmApp score-и баландтар бо risk aversion-и пасттар алоқаманд аст. Ин натиҷа гипотезаро дастгирӣ мекунад, ки шахсони дорои intuitive processing proficiency-и баландтар метавонанд дар ҳолатҳои дорои risk камтар эҳтиёткор бошанд.

Дар ҳамон reduced sample coefficient-и WarmApp score ба ambiguity aversion -0.0122 ва p-value 0.11 дода мешавад. Самт боз ҳам манфӣ аст; яъне System 1 score-и баландтар бо ambiguity aversion-и пасттар алоқаманд мебошад. Аммо p-value сатҳи анъанавии %5-и significance-ро қонеъ намекунад. Аз ин рӯ, дар reduced sample ин натиҷа набояд ҳамчун statistical evidence-и қавӣ хонда шавад; он аз ҷиҳати самт бо гипотеза мувофиқ аст, вале sample power маҳдуд аст.

Натиҷаи дигаре, ки дар risk equations ҷолиб аст, ин аст, ки Neuroticism, яъне майл ба emotional instability/anxiety, бо risk aversion робитаи мусбат ва аҳамиятнок дорад. Дар reduced sample coefficient 0.1945 ва p-value 0.001 дода мешавад. Аз ҷиҳати психологӣ ин finding фаҳмост: шахсони дорои anxiety ва sensitivity-и бештар ба negative outcomes метавонанд аз options-и дорои loss probability бештар канорагирӣ кунанд.

Дар full sample, ки MSB participants ҳам дохил шудаанд, results қавитар менамоянд. Дар risk-aversion equation coefficient-и WarmApp score -0.1300 ва p-value 0.0005 гузориш мешавад. Дар ambiguity-aversion equation бошад WarmApp-score coefficient -0.0138 ва p-value 0.0421 мешавад. Ин нишон медиҳад, ки дар full sample байни System 1 proficiency ва ҳам risk aversion ва ҳам ambiguity aversion statistically significant negative relationship мавҷуд аст.

Аммо дар ин ҷо эҳтиёт лозим аст. Дохил кардани MSB participants sample size-ро зиёд ва statistical power-ро боло мебарад; аммо азбаски decision consistency-и ин participants баҳсбарангез аст, main interpretation бояд эҳтиёткор бошад. Аз ҳамин сабаб таҳқиқот reduced ва full-sample results-ро якҷо пешниҳод мекунад, то sensitivity-и findings ба sample definition-ро нишон диҳад.

Sensitivity analysis сатҳи пасти significance-и ambiguity effect дар reduced sample-ро бо sample size мепайвандад. Дар таҳқиқот sample size-и лозима барои multiple regression бо Cohen approach ҳисоб мешавад:

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

Дар ин ҷо n sample size-и лозима; λ parameter-и вобаста ба desired power ва significance level; ва f² effect size-ро нишон медиҳад. Таҳқиқот ба натиҷаи [ n \approx 107 ] мерасад. Ин шумора аз reduced sample калонтар аст. Аз ин рӯ, муҳаққиқон баъзе effects-и номуайянро бо insufficient sample power шарҳ медиҳанд.

Sample size-и лозима барои гирифтани small difference байни ду group mean ҳам алоҳида ҳисоб мешавад:

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

Дар ин формула Z_α/2 ба significance level; Z_β ба statistical power; σ ба pooled standard deviation; ва δ ба magnitude-и difference байни ду group mean мувофиқ аст. Дар таҳқиқот барои гирифтани difference-и хурди δ = 0.02 бо %80 power ва %5 significance, total sample-и тақрибан 141 нафар лозим дониста мешавад.

Таҳқиқот ҳамчунин Wilcoxon rank-sum test-ро истифода мекунад, ки ба parametric assumptions камтар вобаста аст. Дар ин test ambiguity-aversion distributions-и high ва low System 1 proficiency groups муқоиса мешаванд. Барои U statistic дар normal approximation values-и зерин дода мешаванд:

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

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

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

Ин z value байни ду group significant difference-ро дастгирӣ мекунад ва нишон медиҳад, ки дар high System 1 proficiency group ambiguity aversion пасттар аст. Ин натиҷа ҳамчун evidence-и иловагӣ дар канори regression findings пешниҳод мешавад.

Қисми муҳими охири таҳқиқот ин аст, ки оё WarmApp training ambiguity aversion-ро кам мекунад ё не. Барои ин шахсоне таҳлил мешаванд, ки дар оғоз low System 1 proficiency доштанд. Average improvement rate дар WarmApp scores дар тӯли 15 rounds ҳисоб мешавад. Сипас change дар ambiguity-aversion score бо ҳамин improvement rate пайваст карда мешавад.

Regression equation чунин аст:

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

Дар ин ҷо Δα_i change дар ambiguity-aversion score-и иштирокчӣ пеш ва баъд аз intervention; r̂_i average improvement rate дар WarmApp scores; ва дигар variables controls барои personality, IQ ва demographics мебошанд.

Дар reduced sample average improvement-rate coefficient -0.05, standard error 0.03 ва p-value 0.06 гузориш мешавад. Ин result метавонад дар сатҳи %10 significance қабул шавад, аммо дар %5 level borderline аст. Дар full sample coefficient -0.06, standard error 0.02 ва p-value 0.01 мешавад. Ин нишон медиҳад, ки participants-и дорои low initial proficiency, ки дар WarmApp performance improvement-и бештар доштанд, метавонанд reduction-и бештар дар ambiguity aversion нишон дода бошанд.

Дар robustness check барои control group ва full sample average ambiguity-aversion change 0.01 дода мешавад. Ин барои нишон додани он истифода мешавад, ки change-и калонеро танҳо бо time effect ё external factors шарҳ додан душвор аст. Таҳқиқот чунин тафсир мекунад, ки reduction дар ambiguity aversion махсусан дар low System 1 group, ки бо WarmApp training improvement нишон додааст, равшантар мешавад.

Аз нигоҳи таълим ин finding муҳим аст. Дар математика бисёр хонандагон на танҳо аз сабаби надонистани амал, балки аз он сабаб мушкилӣ мекашанд, ки ҳангоми дидани problem-и ambiguous барои кӯшиш кардан ҷуръат намекунанд. Дар open-ended problem қадами аввалро гирифтан, strategy-и нав санҷидан ҳатто агар иштибоҳ шавад ва идома додани solution search, ambiguity tolerance-и муайян талаб мекунад. Таҳқиқот пешниҳод мекунад, ки short activities барои intuitive numerical processing метавонанд potential дошта бошанд, ки ин tolerance-ро зиёд кунанд.

Дар ин ҷо мафҳуми “propensity to attempt”, яъне майл ба кӯшиш, дар educational interpretation-и таҳқиқот марказӣ мешавад. Агар хонанда проблемро дида фавран “ман инро карда наметавонам” гӯяд, мумкин аст пеш аз cognitive capacity ба barrier-и ambiguity aversion бархӯрад. Агар intuitive quantity sense ва rapid pattern-recognition skills қавӣ карда шаванд, хонанда метавонад дар ambiguous problem situations қадами аввалро осонтар гузорад. Ин inference барои mathematics education бевосита ҷолиб аст.

Бо вуҷуди ин, натиҷаҳо набояд муболиға карда шаванд. Дар ин матн исбот намешавад, ки WarmApp long-term educational achievement-ро ҳатман зиёд мекунад, mathematics performance-ро бевосита боло мебарад ё financial/political decisions-ро доимӣ беҳтар месозад. Таҳқиқот дар laboratory setting ва sample-и маҳдуд робита байни intuitive cognitive skills, risk/ambiguity attitudes ва short-term training effect-ро меҷӯяд. Аз ин рӯ, findings бояд ҳамчун умедбахш, вале ниёзманд ба validation-и бештар арзёбӣ шаванд.

Яке аз ҷиҳатҳои қавии таҳқиқот ин аст, ки System 1 tendency-ро танҳо бо self-report намесанҷад. Дар баъзе корҳои пешин одамон худро intuitive ё analytical арзёбӣ кардаанд. Ин таҳқиқот бо WarmApp, як behavioral computer-based task, кӯшиш мекунад measurement-и мустақимтар диҳад. Ҳамчунин ҷамъ кардани risk, ambiguity, IQ, personality ва demographic variables дар як experimental flow имкон медиҳад analysis-и назоратшаванда иҷро шавад.

Limitations низ равшананд. Sample size махсусан барои гирифтани small effects маҳдуд аст. Laboratory context ва reward-и мӯътадили 5 euro бо real-world financial, educational ё career decisions ҳамон psychological weight-ро надоранд. System 1 proficiency бо як behavioral tool чен шудааст; агар reaction times, neurocognitive indicators ё intuitive tasks-и дигар илова шаванд, measurement қавитар мешавад. Илова бар ин, азбаски дохил ё хориҷ кардани MSB participants метавонад significance-и баъзе results-ро тағйир диҳад, data-cleaning decisions барои interpretation муҳиманд.

Он чизе, ки таҳқиқот мегӯяд ва намегӯяд, бояд равшан ҷудо шавад. Таҳқиқот пешниҳод мекунад, ки intuitive cognitive skills бо risk ва ambiguity attitudes алоқаманданд ва WarmApp-like training метавонад махсусан дар шахсони дорои low initial proficiency ambiguity aversion-ро кам кунад. Аммо намегӯяд, ки System 1 ҳамеша қарорҳои беҳтар медиҳад. Analytical thinking-ро нолозим эълон намекунад. Ҳавасманд кардани risk-taking-ро дар ҳар ҳолат дуруст намедонад. Ҳадаф дар таълим он нест, ки хонандагон бе андеша risk гиранд; балки дастгирии cognitive ва emotional flexibility аст, то дар ambiguous problem situations комилан қулф нашаванд ва кӯшиш карда тавонанд.

Усул ва Натиҷаҳои Таҳқиқот

Усули таҳқиқот аз controlled laboratory experiment, behavioral cognitive tasks, incentivized economic decision tasks ва regression analyses иборат аст. Ҳадафи асосӣ санҷидани робитаи System 1 proficiency ва ANS acuity бо risk ва ambiguity attitudes ва омӯхтани он аст, ки WarmApp training ба ambiguity aversion таъсир дорад ё не.

1. Намуна ва гурӯҳҳои таҷрибавӣ

2. Вазифаи ambiguity

Иштирокчӣ агар тӯби сафед кашад 5 euro мебарад. Бурднок будани ранги сафед ё сиёҳ байни иштирокчиён randomize шудааст. Ин барои кам кардани possible perceptual/preference bias вобаста ба ранг анҷом шудааст.

3. Вазифаи risk

Risk attitude бо Holt ва Laury-style multiple price list чен мешавад. Иштирокчӣ дар 10 round байни lottery-и бехатартар бо low variance ва lottery-и riskier бо high variance интихоб мекунад. Probability-и high reward дар ҳар round зиёд мешавад. Switching point аз safe option ба risky option барои тахмини risk-aversion parameter истифода мешавад.

Expected utility equations дар risk task:

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

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

CRRA utility function:

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

4. WarmApp tasks

Ҳар stimulus 0.75 seconds нишон дода мешавад. Иштирокчиён дар маҷмӯъ 15 round анҷом медиҳанд. Average score-и се round-и аввал ҳамчун initial System 1 proficiency indicator истифода мешавад. Дар round-ҳои баъдӣ feedback дода мешавад ва performance improvement пайгирӣ мешавад.

5. Ченкуниҳои иловагӣ

• IQ: 10-question short UNIT-IQ test истифода шудааст.
• Personality: Short Big Five personality test истифода шудааст.
• Demographics: Age ва gender ҷамъоварӣ шудааст.

6. Натиҷаҳои SUR: reduced sample

7. Натиҷаҳои SUR: full sample

8. Sensitivity ва power analysis

9. Таъсири WarmApp training ба ambiguity aversion

10. Натиҷаҳои асосии таҳқиқот

• WarmApp score бо risk aversion negative ва significant алоқаманд аст.
• Робита байни WarmApp score ва ambiguity aversion манфӣ аст; дар reduced sample significance заифтар, дар full sample significant мебошад.
• Neuroticism бо risk aversion positive ва significant алоқаманд аст.
• Дар шахсони дорои low initial System 1 proficiency, improvement дар WarmApp performance бо reduction дар ambiguity aversion алоқаманд аст.
• Control-group results барои дастгирии он истифода шудаанд, ки change танҳо аз time passage нест.

11. Маҳдудиятҳо

• Sample size барои гирифтани small effects маҳдуд аст.
• Experiment дар laboratory setting ва бо monetary incentives-и мӯътадил гузаронида шудааст.
• System 1 proficiency бо як behavioral tool чен шудааст.
• Long-term effect-и WarmApp дар ин таҳқиқот нишон дода нашудааст.
• Барои generalization ба school setting, financial decisions ё political participation таҳқиқоти иловагӣ лозиманд.
• Дохил кардани MSB participants significance-и баъзе results-ро зиёд мекунад, аммо аз ҷиҳати data consistency interpretation-и эҳтиёткорона талаб мекунад.

Ёддошт оид ба Манбаъ ва Усул

Ин мақола дар асоси таҳқиқоти Riccardo Manghi ва Luigi Bernardi бо унвони “Intuitive Cognitive Abilities and Attitudes Towards Risk and Ambiguity: An Exploratory Study with Educational Implications” таҳия шудааст. Дар таҳқиқот affiliations ҳамчун Luiss University Department of Economics and Finance ва University of Turin дода шудаанд.

Аз рӯи сохтор ва мазмун, манбаъ бояд ҳамчун draft-и exploratory experimental academic research article арзёбӣ шавад. Дар матн ethics approval ва participant consent statement, data-access link, author contributions ва conflict-of-interest declaration мавҷуданд. Аммо азбаски journal acceptance information, final publication DOI ё explicit peer-review process, ки нашр дар маҷаллаи peer-reviewed-ро тасдиқ кунад, дар матн муайян нест, ибораи коре, ки peer review-и он аз рӯи матн тасдиқ намешавад бояд истифода шавад.

Дар таҳияи ин мундариҷа experimental design, WarmApp tasks, risk ва ambiguity measurement methods, CRRA ва ambiguity-parameter formulas, sample-cleaning process, SUR analyses, sensitivity analyses, Wilcoxon test, training-effect regression, control-group findings ва limitations-и худи таҳқиқот истифода шудаанд. Иддаоҳои дар матн набуда, мисли clinical effect, definite educational success, long-term learning guarantee, real-market behavior guarantee ё policy conclusion барои ҳамаи хонандагон илова нашудаанд.

Натиҷаҳои таҳқиқот махсусан барои mathematics education ва decision-making psychology ҷолибанд; аммо бо сабаби sample size, laboratory context ва маҳдудияти measurement tools бояд бо таҳқиқоти калонтар, longitudinal ва гурӯҳҳои синну соли гуногун дастгирӣ шаванд. Аз ин рӯ, хулосае, ки WarmApp-like intuitive number/pattern training метавонад ambiguity aversion-ро кам кунад, бояд ҳамчун finding-и умедбахш, вале ниёзманд ба validation-и васеътар хонда шавад.