E36 Erkennen von Objekten, Ereignissen und Risiken

Thema

Die Erkennung eines Objekts, Ereignisses oder Risikos besteht darin, einem Sinnesmuster eine Kategorie zuzuordnen – beispielsweise Beute, Raubtier, Partner oder Hindernis. Die Bayes'sche Entscheidungstheorie ermöglicht diese Klassifizierung, indem sie die mithilfe des Bayes-Theorems ermittelte A-posteriori-Wahrscheinlichkeit jeder Hypothese mit den Konsequenzen jeder Entscheidung kombiniert. Der Organismus reagiert nicht einfach auf die wahrscheinlichste Kategorie, sondern versucht, seinen erwarteten Nutzen zu maximieren, indem er sowohl die Wahrscheinlichkeit als auch die Kosten eines Fehlers berücksichtigt.

Die Mahalanobis-Distanz erlaubt den Vergleich eines Sinnesmusters mit verschiedenen Kategorien, indem sie nicht nur dessen Abstand zum Schwerpunkt, sondern auch die interne Variabilität und die Korrelationen zwischen seinen Merkmalen berücksichtigt. Dadurch werden Verzerrungen vermieden, die entstehen würden, wenn alle Sinnesdimensionen als unabhängig und mit gleicher Variabilität behandelt würden. In einer linearen Klassifizierung mit Gauß-Verteilungen entspricht die Grenze zwischen zwei Kategorien den Punkten, deren Mahalanobis-Distanz zu beiden gleich ist und die eine Hyperebene bilden. Eine variablere Kategorie kann Muster zulassen, die weiter von ihrem Zentrum entfernt liegen, ohne ihre Kompatibilität zu verlieren.

Die Signalentdeckungstheorie unterscheidet zwischen Sensitivitäts- und Antwortkriterien. Die Sensitivität hängt vom Verhältnis von Nutzsignal zu Rauschen ab, während das Urteilsvermögen von A-priori-Wahrscheinlichkeiten und den Konsequenzen jeder Entscheidung abhängt. Ein Organismus kann daher über eine ausgezeichnete sensorische Sensibilität verfügen und dennoch Fehler machen, wenn sein Urteilsvermögen auf eine bestimmte Kategorie verzerrt ist. Diese Unterscheidung ermöglicht es uns, zwischen rein sensorischen Einschränkungen und Verzerrungen zu differenzieren, die während des Entscheidungsprozesses entstehen.

Die Integration von Evidenz durch Diffusion berücksichtigt auch die für die Entscheidungsfindung benötigte Zeit. Sensorische Evidenz sammelt sich an, bis sie einen Schwellenwert erreicht. Je besser das Signal-Rausch-Verhältnis, desto schneller sammelt sich die Evidenz an und desto kürzer ist die Reaktionszeit. Der Schwellenwert wiederum stellt einen Kompromiss zwischen Geschwindigkeit und Genauigkeit dar: Ein niedriger Schwellenwert führt zu schnellen Reaktionen, aber mehr Fehlern, während ein hoher Schwellenwert mehr Evidenz erfordert und langsamere, aber potenziell genauere Entscheidungen ermöglicht. Laut dem Text zeigen bestimmte Neuronen im Parietallappen von Primaten eine erhöhte Aktivität, die mit diesem Prozess übereinstimmt.

Diese Mechanismen gewinnen insbesondere im Angesicht von Risiken an Bedeutung, da die Konsequenzen von Fehlern sehr unterschiedlich sein können. Bei der Konfrontation mit einem potenziellen Fressfeind stellt eine Reaktion ohne Gefahr einen Fehlalarm dar, während das Unterlassen einer Reaktion auf eine reale Bedrohung schwerwiegende Folgen haben kann. Da die Kosten des letzteren Fehlers deutlich höher sein können, verschiebt sich das optimale Kriterium hin zu einer präventiven Reaktion, wodurch die Handlungsschwelle sinkt.

Je höher die Kosten des Ignorierens einer Bedrohung im Vergleich zu den Kosten eines Fehlalarms sind, desto weniger Beweise sind nötig, um eine Reaktion auszulösen. Diese Asymmetrie erklärt innerhalb des Modells, warum scheinbar übertriebene Angstreaktionen oder eine Verzerrung hin zu negativen Informationen auftreten können. Zahlreiche Fehlalarme können eine angemessene Strategie sein, wenn sie die Wahrscheinlichkeit eines extrem kostspieligen Fehlalarms verringern.

Zusammengenommen repräsentieren diese Mechanismen verschiedene Dimensionen derselben Entscheidung. Die Mahalanobis-Distanz quantifiziert die Kompatibilität eines Musters mit verschiedenen Kategorien; die Signalentdeckungstheorie trennt Sensitivität und Urteilsvermögen; die Diffusion beschreibt, wie sich Beweise ansammeln, bis eine Reaktion erfolgt; und die Bayes'sche Theorie kombiniert Wahrscheinlichkeiten und Konsequenzen, um die Handlung auszuwählen. Erkennen und Handeln erfordert daher Entscheidungen unter Unsicherheit, indem sensorische Informationen, Störfaktoren, Vorerfahrungen, Geschwindigkeit, Genauigkeit und die Kosten von Fehlern gegeneinander abgewogen werden. Besteht eine potenzielle Gefahr, kann diese Kombination den Fokus rationalerweise auf frühzeitiges Handeln lenken, sodass es vorzuziehen ist, mehrere Fehlalarme zu tolerieren, anstatt auf eine reale Bedrohung nicht zu reagieren.

ID:2376