Η ψευδαίσθηση της τυχαιότητας
Η προσπάθεια ενός ανθρώπου να παράγει μια τυχαία ακολουθία αριθμών (από το 1 έως το 9) αποτυγχάνει σχεδόν πάντα λόγω της ανθρώπινης τάσης για «αυτοδιόρθωση». Ενώ σε μια πραγματικά τυχαία ακολουθία κάθε επιλογή είναι ανεξάρτητη (independent), οι άνθρωποι τείνουν να αποφεύγουν αριθμούς που έχουν εμφανιστεί πρόσφατα, πιστεύοντας λανθασμένα ότι «πρέπει» να εμφανιστούν άλλοι για να εξισορροπηθεί η κατανομή.
Αρχιτεκτονική πρόβλεψης και machine learning
Το σύστημα δεν βασίζεται σε έναν μόνο αλγόριθμο, αλλά σε μια ομάδα από δέκα μικρούς predictors που λειτουργούν παράλληλα. Κάθε predictor εστιάζει σε διαφορετικά χαρακτηριστικά της ακολουθίας:
- Markov chains: Παρακολουθούν ποιος αριθμός τείνει να ακολουθεί ποιον.
- Trend analysis: Καταγράφουν την τάση του χρήστη να αυξάνει ή να μειώνει την τιμή των αριθμών.
- Recency bias detection: Εντοπίζουν την αποφυγή αριθμών που έχουν εμφανιστεί πρόσφατα.
Το σύστημα χρησιμοποιεί ένα σύνολο δεδομένων από 418 άτομα ως αρχική εκπαίδευση (training set), ενώ κατά τη διάρκεια της αλληλεπίδρασης με τον χρήστη, το μοντέλο προσαρμόζεται (fine-tuning) σε πραγματικό χρόνο, βελτιώνοντας την ακρίβεια των προβλέψεών του όσο αυξάνεται το πλήθος των εισαγόμενων αριθμών.
Συμπεράσματα για τη γνωστική επιστήμη
Η εφαρμογή αυτή αποτελεί μια ενδιαφέρουσα άσκηση πάνω στη διαλειτουργικότητα (interoperability) μεταξύ ψυχολογίας και αλγοριθμικής πρόβλεψης. Το γεγονός ότι το σύστημα μπορεί να προβλέψει με μεγάλη ακρίβεια τις επόμενες κινήσεις ενός χρήστη, επιβεβαιώνει ότι η ανθρώπινη «τυχαιότητα» είναι στην πραγματικότητα ένα σύνολο από προβλέψιμα γνωστικά σφάλματα (cognitive biases).