مقدمه: تصمیم خوب و نتیجه خوب یکی نیستند
این پرسش‌ها از همان ابتدا به ما یادآوری می‌کنند که «تصمیم‌گیری» با «نتیجه» یکی نیست. ما معمولاً کیفیت تصمیم‌ها را از روی نتیجه قضاوت می‌کنیم، در حالی که نتیجه فقط بخشی از داستان است. یک تصمیم خوب می‌تواند با بدشانسی به نتیجه بد برسد و یک تصمیم بد ممکن است صرفاً به کمک شانس، نتیجه‌ای درخشان تولید کند. اگر این تفاوت را نفهمیم، بعد از هر تصمیم فقط داستانی برای خودمان تعریف می‌کنیم و از آن داستان برای تصمیم بعدی استفاده می‌کنیم؛ در نتیجه، تجربه‌های ما به‌جای اینکه داده‌ای برای یادگیری باشند، به مجموعه‌ای از خاطرات انتخاب‌شده تبدیل می‌شوند. پس سؤال اصلی این نیست که «چطور همیشه تصمیم درست بگیرم؟» چنین چیزی اصولاً ممکن نیست. سؤال بهتر این است: «چطور فرایند تصمیم‌گیری‌ام را طوری طراحی کنم که احتمال تصمیم خوب بیشتر شود، خطاهای قابل پیشگیری را کاهش دهد، هزینه اشتباه را محدود کند و از تجربه‌ها واقعاً یاد بگیرم؟»
از اینجا می‌توانیم به یک الگوریتم برسیم. نه الگوریتم به معنای یک فرمول جادویی که در هر موقعیتی یک پاسخ قطعی تولید کند، بلکه مجموعه‌ای از پرسش‌های ترتیبی که ذهن را مجبور می‌کند قبل از اقدام، چند خطای رایج را پشت سر بگذارد. ارزش این الگوریتم دقیقاً در همین اجبار است. ذهن انسان در بسیاری از موقعیت‌ها دوست دارد خیلی سریع به پاسخ برسد. پژوهش‌های کلاسیک روان‌شناسی شناختی نشان داده‌اند که ما برای قضاوت زیر عدم‌قطعیت از میانبرهای ذهنی استفاده می‌کنیم؛ میانبرهایی که اغلب کارآمدند، اما گاهی خطاهایی نظام‌مند و قابل پیش‌بینی به وجود می‌آورند. کانمن و تورسکی این الگوها را در پژوهش‌های خود درباره اکتشافی‌های ذهنی و سوگیری‌ها نشان دادند؛ از جمله اینکه آنچه راحت‌تر به ذهن می‌آید می‌تواند بر برآورد احتمال اثر بگذارد، و اینکه یک نقطه شروع یا «لنگر» می‌تواند عدد نهایی قضاوت ما را منحرف کند. بنابراین الگوریتم تصمیم‌گیری قرار نیست انسان را به ماشین تبدیل کند. قرار است برای ذهن انسانی یک «ترمز شناختی» بسازد.
فرض کنید در برابر یک تصمیم مهم هستید: پیشنهاد شغلی جدیدی دریافت کرده‌اید، می‌خواهید از رابطه‌ای خارج شوید یا وارد رابطه‌ای شوید، قصد دارید کسب‌وکاری راه بیندازید، می‌خواهید خانه بخرید، مهاجرت کنید، رشته دانشگاهی‌تان را تغییر دهید، یا تصمیم بگیرید که آیا برای یک هدف بلندمدت چند سال از زندگی‌تان را صرف کنید یا نه. در همه این موقعیت‌ها یک وسوسه مشترک وجود دارد: اینکه مستقیماً سراغ «کدام گزینه را انتخاب کنم؟» برویم.
مرحله اول از الگوریتم تصمیم‌گیری: مسئله چیست؟
فرض کنید شخصی می‌گوید: «من نمی‌دانم شغلم را عوض کنم یا نه.» در ظاهر مسئله کاملاً روشن است. اما اگر کمی دقیق‌تر بپرسیم، ممکن است معلوم شود مسئله واقعی این نیست. شاید او از مدیرش ناراضی است، نه از شغلش. شاید مشکل اصلی ساعت‌های کاری باشد، نه خود حرفه. شاید درآمد برایش کافی نباشد. شاید به‌دلیل خستگی مزمن، همه‌چیز را بد می‌بیند. شاید از ترس عقب ماندن از هم‌سن‌وسال‌هایش می‌خواهد شغلی را تغییر دهد که در واقع دوستش دارد. پس «آیا شغلم را عوض کنم؟» ممکن است یک سؤال ثانویه باشد. مسئله اصلی شاید این باشد: «چطور می‌توانم کیفیت زندگی کاری‌ام را افزایش دهم بدون اینکه امنیت مالی‌ام را بیش از حد کاهش دهم؟» می‌بینید که تنها با تغییر صورت مسئله، فضای تصمیم تغییر می‌کند. دیگر مجبور نیستیم فقط میان «ماندن» و «رفتن» انتخاب کنیم. شاید گزینه سوم، مذاکره برای تغییر نقش باشد. شاید یک دوره مرخصی یا کاهش ساعات کاری مشکل را حل کند. شاید پیدا کردن شغل جدید بدون استعفای فوری گزینه مناسب‌تری باشد.
تاریخ علم پر از نمونه‌هایی است که نشان می‌دهد تعریف درست مسئله می‌تواند از یافتن پاسخ مهم‌تر باشد. یکی از مشهورترین نمونه‌ها مربوط به مسئله‌ای است که آبراهام والد، آماردان برجسته، در جریان جنگ جهانی دوم با آن مواجه شد. گروهی از پژوهشگران در حال بررسی هواپیماهای بازگشته از مأموریت‌های جنگی بودند و محل اصابت گلوله‌ها روی بدنه این هواپیماها را ثبت کرده بودند. وسوسه طبیعی این بود که قسمت‌هایی را که بیشترین آسیب را دیده‌اند تقویت کنند. اما والد سؤال را طور دیگری دید: «ما در واقع داریم فقط هواپیماهای زنده‌مانده را مشاهده می‌کنیم؛ هواپیماهایی که در نقاط دیگر آسیب دیده‌اند، شاید اصلاً برنگشته باشند.» بنابراین داده‌ای که در برابر پژوهشگران بود، از ابتدا نمونه‌ای انتخاب‌شده بود. نکته اصلی همین بازتعریف مسئله بود. تحلیل والد درباره آسیب‌پذیری هواپیماها بعداً به‌عنوان نمونه‌ای کلاسیک از استدلال آماری در شرایط داده ناقص بررسی شده است. این داستان چه چیزی به تصمیم‌های روزمره ما مربوط می‌کند؟ اینکه باید قبل از پرسیدن «چه کنم؟» بپرسیم «دقیقاً دارم چه چیزی را حل می‌کنم؟» گاهی صورت مسئله خودش نتیجه یک سوگیری است. ممکن است بگوییم «آیا باید این رابطه را حفظ کنم؟» در حالی که مسئله اصلی «آیا این رابطه قابل ترمیم است؟» باشد. ممکن است بگوییم «آیا این خانه را بخرم؟» در حالی که مسئله اصلی «آیا مالکیت خانه در این مرحله از زندگی با اهداف مالی من سازگار است؟» باشد. ممکن است بگوییم «آیا مهاجرت کنم؟» در حالی که مسئله واقعی «چگونه می‌توانم فرصت‌های شغلی و کیفیت زندگی‌ام را افزایش دهم؟» باشد. این تفاوت بسیار مهم است، چون هر سؤال مجموعه متفاوتی از گزینه‌ها را تولید می‌کند. پرسش اشتباه، انتخاب‌های اشتباه تولید می‌کند.
اینجا یک آزمایش ذهنی ساده می‌تواند کمک کند. مسئله‌تان را در یک جمله بنویسید. بعد از خودتان بپرسید: «اگر مجبور باشم این جمله را طور دیگری بنویسم، چه می‌نویسم؟» یک بار مسئله را از زاویه مالی تعریف کنید. یک بار از زاویه زمان. یک بار از زاویه سلامت روانی. یک بار از زاویه رابطه. یک بار از زاویه هدف بلندمدت. آیا صورت مسئله هنوز همان است؟
مرحله دوم از الگوریتم تصمیم‌گیری: هدف من چیست؟
به همین دلیل «بهترین گزینه کدام است؟» سؤال ناقصی است. باید پرسید: «بهترین گزینه برای چه هدفی؟» فردی را تصور کنید که دو پیشنهاد شغلی دارد. یکی درآمد بیشتری دارد اما زمان و انعطاف کمتری. دیگری درآمد کمتری دارد اما فرصت یادگیری و استقلال بیشتری ایجاد می‌کند. هیچ پاسخ عینی و جهان‌شمولی وجود ندارد که بگوید کدام بهتر است. پاسخ وابسته به تابع هدف فرد است. اگر هدف اصلی او در دو سال آینده افزایش درآمد برای پرداخت بدهی باشد، گزینه اول ممکن است منطقی‌تر باشد. اگر هدف اصلی او ساختن مهارتی باشد که در پنج سال آینده موقعیت حرفه‌ای متفاوتی ایجاد کند، گزینه دوم ممکن است جذاب‌تر شود. پس قبل از مقایسه گزینه‌ها باید معیار مقایسه را تعیین کرد. یکی از اشتباه‌های رایج این است که فرد ابتدا عاشق یک گزینه می‌شود و بعد معیارهایی پیدا می‌کند که آن گزینه را توجیه کنند. این فرایند را می‌توان نوعی «استدلال پس از انتخاب» دانست. ذهن ابتدا می‌گوید «این را می‌خواهم»، سپس می‌پرسد «چطور می‌توانم توضیح بدهم که این بهترین است؟» برای جلوگیری از این اتفاق، هدف را پیش از بررسی گزینه‌ها بنویسید. مثلاً بگویید: «برای من در این تصمیم، سه چیز اهمیت دارد: درآمد، آزادی زمانی و امکان رشد.» بعد برای هرکدام وزن تعیین کنید. لازم نیست این وزن‌ها کاملاً ریاضی و دقیق باشند. همین که بدانید کدام معیار مهم‌تر است، کیفیت تصمیم بالا می‌رود.
سؤال جالب این است: «اگر هیچ‌کس از تصمیم من باخبر نمی‌شد، چه هدفی را انتخاب می‌کردم؟» این سؤال برای شناسایی فشار اجتماعی مفید است. گاهی هدفی که ما دنبال می‌کنیم، هدف خودمان نیست؛ هدفی است که از خانواده، دوستان، فرهنگ، محیط شغلی یا شبکه اجتماعی دریافت کرده‌ایم. جامعه به ما یاد می‌دهد چه چیزی «موفقیت» تلقی می‌شود. خانواده ممکن است بگوید شغل خوب یعنی امنیت. دوستان ممکن است بگویند زندگی خوب یعنی آزادی. فرهنگ عمومی ممکن است ثروت را معیار قرار دهد. شبکه‌های اجتماعی ممکن است سبک خاصی از زندگی را عادی جلوه دهند. اما تصمیم منطقی الزاماً تصمیمی نیست که بیشترین تأیید اجتماعی را بگیرد. تصمیم منطقی تصمیمی است که با مسئله و اهداف واقعی شما سازگار باشد.
مرحله سوم از الگوریتم تصمیم‌گیری: گزینه‌های واقعی من چیست؟
تصمیم‌گیری ضعیف معمولاً در فضای «دو گزینه» رخ می‌دهد. تصمیم‌گیری بهتر زمانی آغاز می‌شود که بتوانیم گزینه‌های بیشتری بسازیم. در همین‌جا یک تکنیک ساده به نام «گزینه سوم» ارزش زیادی پیدا می‌کند. هر وقت میان دو گزینه گیر کردید، خودتان را مجبور کنید حداقل سه گزینه دیگر پیدا کنید. اگر می‌خواهید شغلتان را ترک کنید، گزینه‌ها فقط «استعفا» و «ماندن» نیستند. شاید گزینه سوم مذاکره برای نقش جدید باشد. گزینه چهارم انتقال داخلی باشد. گزینه پنجم جست‌وجوی شغل جدید در کنار شغل فعلی باشد. گزینه ششم گرفتن یک پروژه آزمایشی در حوزه جدید باشد. اگر رابطه‌ای برایتان دشوار شده، گزینه‌ها فقط «ادامه دادن» یا «پایان دادن» نیستند. ممکن است مدتی مرزهای مشخص‌تری تعیین کنید، زوج‌درمانی یا گفت‌وگوی ساختاریافته را امتحان کنید، مدتی فاصله بگیرید، یا یک مسئله مشخص را به‌صورت آزمایشی تغییر دهید. این نکته از منظر شناختی هم اهمیت دارد. وقتی فقط دو گزینه داریم، ذهن سریع وارد حالت انتخاب می‌شود. وقتی گزینه‌های بیشتری می‌سازیم، وارد حالت طراحی می‌شویم. و طراحی معمولاً قبل از انتخاب اتفاق می‌افتد.
مرحله چهارم از الگوریتم تصمیم‌گیری: چه اطلاعاتی واقعاً لازم دارم؟
فرض کنید بین دو خانه مردد هستید. اگر بدانید یکی از خانه‌ها دقیقاً ۶ مترمربع بزرگ‌تر است، آیا تصمیم عوض می‌شود؟ شاید نه. اگر بدانید یکی از آن‌ها در منطقه‌ای است که خطر سیل بسیار بالاتری دارد، ممکن است بله. پس سؤال بهتر این است: «چه اطلاعاتی احتمالاً می‌تواند انتخاب مرا تغییر دهد؟» این همان چیزی است که می‌توان آن را «ارزش اطلاعات» نامید. قبل از جست‌وجو، فهرستی از مجهولات بنویسید. کنار هرکدام بنویسید: اگر پاسخ این سؤال را بفهمم، آیا ممکن است تصمیمم عوض شود؟ اگر پاسخ منفی است، شاید لازم نباشد وقت زیادی صرف آن کنید. این پرسش جلوی یکی از مشکلات عصر اطلاعات را می‌گیرد: توهم اینکه اطلاعات بیشتر لزوماً تصمیم بهتر تولید می‌کند.
در واقع گاهی اطلاعات بیشتر فقط فرصت بیشتری برای توجیه ترجیح قبلی فراهم می‌کند. ما در اینترنت معمولاً می‌توانیم برای تقریباً هر انتخابی شواهد موافق پیدا کنیم. اگر گزینه‌ای را دوست داشته باشیم، کافی است عباراتی را جست‌وجو کنیم که مزایای آن را نشان می‌دهند. نتیجه چه می‌شود؟ به‌جای «جمع‌آوری شواهد»، وارد فرایند «تأیید انتخاب» می‌شویم. یکی از روش‌های بهتر این است که برای هر فرضیه، عمداً دنبال شواهد مخالف بگردیم. اگر فکر می‌کنید یک کسب‌وکار موفق خواهد شد، فقط مقاله‌های موفقیت‌آمیز و داستان‌های کارآفرینان را نخوانید. شکست‌ها را هم پیدا کنید. اگر فکر می‌کنید یک سرمایه‌گذاری فرصت بزرگی است، بپرسید چه شرایطی می‌تواند باعث زیان شود. اگر فکر می‌کنید یک شغل رؤیایی است، با کسانی که آن شغل را انجام می‌دهند درباره بدترین بخش‌های آن صحبت کنید. علم دقیقاً با همین منطق رشد می‌کند: فرضیه خوب فرضیه‌ای نیست که فقط شواهد موافق داشته باشد؛ فرضیه‌ای است که بتوان آن را در معرض امکان ابطال قرار داد. بنابراین در تصمیم‌گیری شخصی نیز باید پرسید: «چه چیزی می‌تواند نشان دهد که تصور فعلی من اشتباه است؟»
مرحله پنجم از الگوریتم تصمیم‌گیری: چه سوگیری‌هایی ممکن است اثر بگذارند؟
مثلاً اگر کسی یک‌بار در آسانسور گیر کند، احتمالاً بعد از آن آسانسورها برایش خطرناک‌تر از قبل به نظر می‌رسند. نمونه در ذهن به‌راحتی قابل یادآوری است. پژوهش کلاسیک کانمن و تورسکی درباره «اکتشافی دسترس‌پذیری» نشان داد که سهولت به یاد آوردن نمونه‌ها می‌تواند بر قضاوت درباره فراوانی یا احتمال اثر بگذارد، حتی زمانی که این دو رابطه یکسانی ندارند. حالا تصور کنید در شبکه‌های اجتماعی مرتب داستان اخراج کارکنان یک صنعت خاص را می‌بینید. آیا این به‌تنهایی نشان می‌دهد که آن صنعت در حال فروپاشی است؟ نه لزوماً. اما چون این نمونه‌ها به‌راحتی در ذهن شما حاضر می‌شوند، احتمال دارد خطر را بیش از اندازه برآورد کنید. یا حادثه هواپیمایی را تصور کنید. ممکن است بعد از انتشار گسترده اخبار یک سقوط، پرواز برای چند روز بسیار خطرناک به نظر برسد؛ نه لزوماً چون احتمال واقعی تغییر کرده، بلکه چون نمونه حادثه در ذهن شما بسیار زنده شده است. یک سوگیری دیگر «لنگر انداختن» است. نخستین عددی که می‌بینیم می‌تواند بر برآورد بعدی ما اثر بگذارد. به همین دلیل قیمت اولیه یک کالا، عدد پیشنهادی در مذاکره یا حتی اولین نظر یک متخصص می‌تواند نقطه مرجعی برای ذهن بسازد. سوگیری سوم «تأییدطلبی» است. وقتی به چیزی باور داریم، تمایل داریم بیشتر دنبال شواهدی بگردیم که باورمان را تأیید می‌کند. سوگیری چهارم «هزینه ازدست‌رفته» است. فرد به خود می‌گوید: «این‌همه وقت و پول گذاشته‌ام، پس باید ادامه بدهم.» اما زمان و پول گذشته دیگر قابل برگشت نیستند. سؤال منطقی باید این باشد: «از این لحظه به بعد، کدام انتخاب بهترین است؟» سوگیری پنجم «زیان‌گریزی» است. پژوهش کانمن و تورسکی در نظریه چشم‌انداز نشان داد که افراد معمولاً زیان را نسبت به سود هم‌اندازه شدیدتر تجربه می‌کنند؛ این ویژگی یکی از پایه‌های توضیح رفتار انسان در شرایط ریسک است. یعنی ممکن است از دست دادن ۱۰۰ واحد پولی برایمان بسیار دردناک‌تر از خوشحالی به‌دست آوردن ۱۰۰ واحد باشد. آیا این بدان معناست که همیشه باید از ریسک فرار کنیم؟ نه. فقط باید بدانیم ذهن ما ممکن است ریسک را به شکلی نامتقارن تجربه کند.
در این مرحله یک پرسش بسیار قدرتمند وجود دارد: «اگر یک فرد بی‌طرف جای من بود، چه چیزی را در تصمیم من غیرمنطقی می‌دید؟» یا حتی بهتر: «اگر مخالف تصمیم فعلی‌ام بودم، قوی‌ترین استدلالم چه بود؟» اگر نتوانیم علیه گزینه محبوب خودمان استدلال کنیم، هنوز واقعاً آن را ارزیابی نکرده‌ایم. یکی از آزمون‌های شناخته‌شده برای سنجش تمایل به توقف و بازنگری شناختی، «آزمون بازاندیشی شناختی» است که شین فردریک در سال ۲۰۰۵ معرفی کرد. این آزمون با چند مسئله بسیار ساده طراحی شده بود که پاسخ اولِ به‌ذهن‌رسیده در آن‌ها اغلب غلط بود و فرد باید برای جلوگیری از خطا، درنگ کند و محاسبه یا بررسی دوباره انجام دهد. پژوهش او نشان داد که نمره این آزمون با برخی الگوهای تصمیم‌گیری و ترجیحات مرتبط است. پیام عملی این پژوهش برای زندگی روزمره خیلی ساده است: «اولین پاسخ ذهن را، پاسخ نهایی خودت فرض نکن.»
اما فقط شناخت سوگیری‌ها کافی نیست. حتی کسانی که فهرست بلندی از سوگیری‌ها را بلدند ممکن است همچنان تحت تأثیر آن‌ها قرار بگیرند. هدف الگوریتم این است که شناخت را به رفتار تبدیل کند. به همین دلیل باید بپرسیم: «پیامد هر گزینه چیست؟» اینجا تصمیم از سطح ترجیح به سطح پیامد منتقل می‌شود.
مرحله ششم از الگوریتم تصمیم‌گیری: پیامدهای گزینه‌ها چیست؟
مثلاً قبول کردن یک شغل پردرآمد می‌تواند درآمد را افزایش دهد. اما ممکن است زمان آزاد را کاهش دهد، رابطه‌ها را تحت فشار قرار دهد، انرژی برای یادگیری را کم کند و در نهایت وابستگی به همان شغل را افزایش دهد. خرید خانه می‌تواند احساس امنیت ایجاد کند، اما ممکن است نقدینگی را کاهش دهد و انعطاف جغرافیایی را محدود کند. راه‌اندازی کسب‌وکار می‌تواند استقلال بیشتری ایجاد کند، اما ممکن است اضطراب و مسئولیت را بالا ببرد. پس باید زنجیره پیامدها را دید. یک روش ساده این است که برای هر گزینه سه ستون ذهنی بسازیم: «مستقیم»، «غیرمستقیم» و «دیرهنگام». پیامد مستقیم چیست؟ پیامد غیرمستقیم چه خواهد بود؟ و اگر این تصمیم سه سال ادامه پیدا کند، چه چیزی ممکن است تغییر کند؟ پرسش سوم به‌خصوص مهم است، چون مغز در بسیاری از مواقع نسبت به پیامدهای دور تخفیف قائل می‌شود. پاداش نزدیک برای ما جذاب‌تر از منفعتی است که شاید سال‌ها بعد برسد. اما زندگی دقیقاً جایی تغییر می‌کند که تصمیم‌های کوچک امروز، مجموعه پیامدهای بزرگ فردا را می‌سازند.
در اینجا باید بین نتیجه قطعی و نتیجه احتمالی نیز تفاوت بگذاریم. فرض کنید گزینه الف احتمال ۸۰ درصد موفقیت دارد و اگر موفق شود سود قابل‌توجهی ایجاد می‌کند، اما در ۲۰ درصد موارد زیان بزرگی دارد. گزینه ب احتمال ۶۰ درصد موفقیت دارد و سود آن متوسط است، اما شکستش هزینه کوچکی دارد. نمی‌توان فقط گفت «گزینه الف احتمال موفقیت بیشتری دارد.» باید احتمال و شدت پیامد را با هم دید. اینجا منطق تصمیم‌گیری در شرایط ریسک وارد می‌شود. در برخی موقعیت‌ها می‌توان از مفهوم ارزش مورد انتظار استفاده کرد؛ یعنی پیامدهای احتمالی را با احتمال وقوعشان ترکیب کرد. اما حتی اینجا نیز یک احتیاط ضروری وجود دارد: ارزش مورد انتظار در تصمیم‌های زندگی همیشه کافی نیست، چون انسان‌ها با پول، زمان، اعتبار، سلامت، رابطه و معنا یکسان رفتار نمی‌کنند. صد میلیون تومان برای یک فرد ممکن است فرصت باشد و برای فرد دیگری امکان از دست دادن یک سال امنیت مالی. بنابراین «اندازه عدد» به‌تنهایی اهمیت ندارد؛ جایگاه آن عدد در زندگی فرد نیز مهم است.
مرحله هفتم از الگوریتم تصمیم‌گیری: اگر اشتباه کنم، هزینه‌اش چقدر است؟
فرض کنید دو گزینه دارید. در اولی، اگر اشتباه کنید، سه ماه زمان و مقدار محدودی پول از دست می‌دهید. در دومی، اگر اشتباه کنید، شاید مجبور شوید شغل، اعتبار یا رابطه‌ای را برای مدت طولانی از دست بدهید. حتی اگر احتمال موفقیت دو گزینه یکسان باشد، روش تصمیم‌گیری نباید یکسان باشد. اینجا مفهوم «برگشت‌پذیری» اهمیت زیادی پیدا می‌کند. برای تصمیم‌های کم‌هزینه و برگشت‌پذیر، وسواس زیاد معمولاً ارزش ندارد. بهتر است سریع آزمایش کنید، داده جمع کنید و اصلاح کنید. برای تصمیم‌های پرهزینه و غیرقابل برگشت، باید بسیار محتاط‌تر عمل کنید. این تفاوت می‌تواند تصمیم‌گیری را از «انتخاب یک‌باره» به «طراحی آزمایش» تبدیل کند.
مثلاً اگر نمی‌دانید آیا می‌توانید یک حرفه جدید را تحمل کنید، لازم نیست فوراً استعفا دهید. شاید بتوانید ابتدا یک پروژه کوچک، دوره آموزشی، کار پاره‌وقت یا تجربه آزمایشی ایجاد کنید. این همان ایده‌ای است که در علم و مهندسی ارزش دارد: قبل از اجرای یک تغییر بزرگ، تا جای ممکن آن را با هزینه کم آزمایش کن. در اینجا باید از خود بپرسید: «کوچک‌ترین آزمایشی که می‌تواند بخشی از عدم‌قطعیت من را کاهش دهد چیست؟» این سؤال از بسیاری از تصمیم‌های بزرگ ما یک نسخه کوچک‌تر می‌سازد. اگر نمی‌دانم مهاجرت برایم مناسب است، شاید چند هفته یا چند ماه زندگی در کشور مقصد اطلاعات بیشتری نسبت به صد ساعت تماشای ویدئو بدهد. اگر نمی‌دانم یک کسب‌وکار مشتری دارد، شاید پیش از اجاره دفتر و استخدام تیم بتوانم نسخه ساده‌ای از محصول را آزمایش کنم. اگر نمی‌دانم یک رشته تحصیلی را دوست دارم، شاید بتوانم با چند دانشجو و متخصص آن حوزه صحبت کنم یا یک پروژه واقعی کوچک انجام دهم. در واقع، گاهی بهترین تصمیم نه «انتخاب گزینه الف» یا «انتخاب گزینه ب»، بلکه «به‌دست‌آوردن اطلاعات بیشتر با هزینه کم» است.
اما حتی وقتی هزینه اشتباه را تخمین می‌زنیم، باید مراقب یک خطای مهم باشیم: اشتباه گرفتن ترس با هزینه واقعی. ممکن است فردی بگوید: «اگر شکست بخورم، همه‌چیز تمام می‌شود.» اما آیا واقعاً همه‌چیز تمام می‌شود؟ آیا می‌تواند به شغل قبلی برگردد؟ آیا مهارت‌هایی که کسب کرده باقی می‌مانند؟ آیا سرمایه‌ای که از دست می‌دهد کاملاً غیرقابل برگشت است؟ آیا شبکه ارتباطی او از بین می‌رود؟ آیا بعد از شش ماه هنوز همین‌قدر فاجعه‌آمیز به نظر خواهد رسید؟ این پرسش‌ها ترس را به متغیرهای قابل بررسی تبدیل می‌کنند. ترس معمولاً یک تصویر کلی از فاجعه می‌سازد. تصمیم خوب این تصویر را تجزیه می‌کند.
مرحله هشتم از الگوریتم تصمیم‌گیری: چه چیزی می‌تواند نظر من را تغییر دهد؟
تصمیم‌گیری منطقی به یک «شرط ابطال» نیاز دارد. باید بدانیم چه شواهدی می‌تواند نظرمان را تغییر دهد. در علم، دانشمند خوب کسی نیست که از نظریه‌اش با هر قیمتی دفاع کند. نظریه باید در معرض آزمون باشد. در تصمیم‌گیری شخصی نیز باید بتوانیم جمله‌ای شبیه این بسازیم: «اگر ایکس را بفهمم، نظرم عوض می‌شود.» برای مثال: «اگر مشخص شود این شغل در سال آینده احتمال اخراج بالایی دارد، انتخابم عوض می‌شود.» «اگر بعد از سه ماه آزمایش، مشتری حاضر نباشد برای محصول پول بدهد، پروژه را متوقف می‌کنم.» «اگر معلوم شود هزینه واقعی زندگی در مقصد آن‌قدر بالاست که پس‌اندازم را از بین می‌برد، مهاجرت را به تعویق می‌اندازم.» این جمله‌ها مهم‌اند چون تصمیم را از یک اعتقاد مبهم به یک فرضیه قابل آزمون تبدیل می‌کنند. در این مرحله حتی می‌توان از روشی به نام «پیش‌مرگ» استفاده کرد. از خودتان فرض کنید تصمیم گرفته‌اید و یک سال بعد شکست خورده‌اید. سپس بپرسید: «چه اتفاقی افتاده که باعث شکست شده است؟» این تمرین نوعی آینده‌نگری معکوس است و ایده اصلی آن این است که به‌جای تلاش برای اثبات موفقیت، به شکل ساختاریافته سناریوهای شکست را جست‌وجو کنیم. در عمل، چنین تمرینی می‌تواند به آشکار شدن تهدیدهایی کمک کند که در روایت خوش‌بینانه اولیه دیده نمی‌شوند.
چرا این روش مهم است؟ چون ذهن وقتی برنامه‌ای را دوست دارد، داستانی منسجم درباره موفقیت آن می‌سازد. در داستان، همه‌چیز منطقی به نظر می‌رسد: من این کار را می‌کنم، مشتری جذب می‌کنم، درآمد بالا می‌رود، بعد تیم می‌سازم، بعد رشد می‌کنم. اما واقعیت معمولاً داستان‌وار نیست. پر از وقفه، تصادف، تأخیر، شکست‌های کوچک و عوامل بیرونی است. اینجاست که باید یک پرسش دیگر اضافه کنیم: «اگر این اتفاق برای فرد دیگری رخ می‌داد، احتمالاً چه توصیه‌ای می‌کردم؟» این سؤال فاصله روانی ایجاد می‌کند. فاصله روانی مهم است، چون وقتی خودمان درون مسئله هستیم، احساسات، هویت و منافع کوتاه‌مدت قضاوت را تحت تأثیر قرار می‌دهند.
مرحله نهم از الگوریتم تصمیم‌گیری: بهترین اقدام بعدی چیست؟
به این ترتیب مسئله از «انتخاب نهایی» به «قدم بعدی» تبدیل می‌شود. این تغییر بسیار قدرتمند است. ذهن انسان از ابهام بزرگ می‌ترسد. اما قدم کوچک معمولاً قابل مدیریت‌تر است. می‌توان تصمیم را به حلقه‌های کوچک تقسیم کرد: اطلاعات جمع کن، آزمایش کن، یاد بگیر، بازبینی کن، سپس مرحله بعد را انتخاب کن. در واقع ممکن است بهترین تصمیم در این مرحله اصلاً تصمیم نهایی نباشد، بلکه تصمیمی درباره «طراحی مرحله بعدی» باشد. این منطق در بسیاری از سیستم‌های پیچیده جواب می‌دهد. در مدیریت، مهندسی، پزشکی و پژوهش، به‌جای اینکه همیشه یک برنامه قطعی برای آینده دور بسازیم، گاهی با حلقه‌های بازخورد کار می‌کنیم. اقدام، مشاهده، اصلاح. این نوع تصمیم‌گیری به‌ویژه وقتی محیط نامطمئن است، اهمیت پیدا می‌کند. زیرا اگر اطلاعات آینده را ندانیم، منطقی نیست که وانمود کنیم آن را می‌دانیم.
در چنین شرایطی سؤال بهتر این است: «کدام اقدام، علاوه بر نتیجه مستقیم، اطلاعات باارزشی درباره قدم بعدی به من می‌دهد؟» این پرسش تفاوت یک تصمیم منفعل با یک تصمیم یادگیرنده است. فرض کنید دو اقدام داریم. اقدام اول احتمال دارد سود کوچکی ایجاد کند، اما اطلاعات جدیدی درباره بازار به ما نمی‌دهد. اقدام دوم شاید سود فوری کمتری داشته باشد، اما اطلاعات مهمی درباره رفتار مشتری ایجاد می‌کند. در یک محیط نامطمئن، اقدام دوم ممکن است ارزشمندتر باشد. زیرا ما فقط به دنبال نتیجه نیستیم؛ به دنبال کاهش عدم‌قطعیت نیز هستیم. این همان جایی است که «یادگیری» وارد الگوریتم تصمیم‌گیری می‌شود.
مرحله دهم از الگوریتم تصمیم‌گیری: چه زمانی تصمیم را بازبینی می‌کنم؟
دانیل کانمن و پژوهشگران حوزه تصمیم‌گیری بارها نشان داده‌اند که انسان‌ها در آینده‌نگری دچار خطا می‌شوند؛ از جمله اینکه ممکن است جزئیات وضعیت خاص خود را بسیار جدی بگیرند و داده‌های مربوط به نمونه‌های مشابه را نادیده بگیرند. این همان چیزی است که بعدها در قالب تفاوت «دیدگاه درونی» و «دیدگاه بیرونی» مطرح شد. در دیدگاه بیرونی، به‌جای اینکه فقط داستان خودمان را درباره آینده بسازیم، از خود می‌پرسیم موارد مشابه در دنیای واقعی چه سرنوشتی داشته‌اند. پژوهش‌ها و کاربردهای بنت فلیوبیرگ در «پیش‌بینی بر اساس طبقه مرجع» دقیقاً بر این ایده استوارند: پیش‌بینی را از توزیع نتایج پروژه‌های مشابه شروع کنیم، نه فقط از برنامه‌ای که برای پروژه خودمان در ذهن ساخته‌ایم. این نکته را می‌توان در زندگی شخصی به‌شکلی بسیار ساده به کار برد. فرض کنید فکر می‌کنید پروژه‌ای را ظرف شش ماه تمام می‌کنید. قبل از اینکه برنامه خودتان را باور کنید، بپرسید: «پروژه‌های مشابه معمولاً چقدر طول کشیده‌اند؟» اگر تقریباً همه پروژه‌های مشابه هشت تا ده ماه طول کشیده‌اند، چرا شما باید به‌طور پیش‌فرض شش ماه را واقعی بدانید؟ ممکن است شما واقعاً متفاوت باشید. اما باید برای این تفاوت دلیل داشته باشید، نه فقط امید. این همان تفاوت بین «من فکر می‌کنم برای من فرق دارد» و «من چه شواهدی دارم که برای من فرق دارد؟» است. در بسیاری از تصمیم‌ها، این سؤال به‌تنهایی می‌تواند جلوی خوش‌بینی افراطی را بگیرد.
حتی در تصمیم‌های عاطفی نیز می‌توان از همین منطق استفاده کرد. اگر سه بار وارد روابطی شده‌اید که به یک الگوی مشابه منجر شده‌اند، آیا باید رابطه چهارم را کاملاً استثنایی فرض کنید؟ شاید بله؛ اما اول باید بررسی کنید چه چیزی در این تجربه واقعاً متفاوت است. اینجا «دیدگاه بیرونی» با «بدبینی» اشتباه نشود. قرار نیست همیشه بگوییم احتمال شکست زیاد است. قرار است احتمال را بر اساس شواهد بهتر تخمین بزنیم. حالا به آخرین پرسش الگوریتم می‌رسیم: «چه زمانی تصمیم را بازبینی می‌کنم؟» بسیاری از مردم فکر می‌کنند تصمیم زمانی تمام می‌شود که انتخاب انجام شد. اما این تصور ناقص است. تصمیم خوب یک حلقه دارد: تصمیم، اقدام، مشاهده، بازبینی، اصلاح. بدون مرحله بازبینی، ما از تجربه‌های خود یاد نمی‌گیریم.
اما بازبینی هم باید به‌درستی طراحی شود. اگر هیچ زمانی را برای بازبینی تعیین نکنیم، ممکن است تصمیمی که زمانی منطقی بوده، سال‌ها ادامه پیدا کند فقط به این دلیل که عادت کرده‌ایم. شخصی شغلی را انتخاب می‌کند و پنج سال بعد هنوز در همان شغل است، نه چون هنوز بهترین گزینه است، بلکه چون هرگز دوباره مقایسه نکرده است. فردی در یک رابطه باقی می‌ماند نه چون همچنان رابطه خوبی دارد، بلکه چون تصمیم اولیه را غیرقابل‌بحث تصور می‌کند. فردی در یک پروژه سرمایه‌گذاری می‌ماند چون یک بار تصمیم گرفته و نمی‌خواهد اعتراف کند که شرایط تغییر کرده است. بازبینی یعنی بپرسیم: «با اطلاعات امروز، اگر امروز در نقطه شروع بودم، دوباره همین تصمیم را می‌گرفتم؟» این سؤال بسیار قدرتمند است. نه به این دلیل که باید هر بار تصمیم را عوض کنیم، بلکه چون ما را از اسارت تصمیم گذشته آزاد می‌کند. تصمیم قبلی تعهد اخلاقی مادام‌العمر نیست. اگر شرایط تغییر کرده، داده‌های جدید آمده، هدف‌ها عوض شده یا هزینه‌ها بیش از انتظار شده‌اند، ممکن است تصمیم جدید کاملاً متفاوت باشد.
اما باید حواسمان به یک مشکل دیگر هم باشد: بازبینی بیش از حد. قرار نیست هر روز درباره هر تصمیم مهم زندگی دوباره فکر کنیم. برای این کار بهتر است «زمان بازبینی» از ابتدا مشخص شود. برای یک تصمیم کوچک، ممکن است یک هفته کافی باشد. برای یک پروژه شغلی، شاید یک ماه یا سه ماه. برای یک تصمیم مالی بزرگ، ممکن است بازبینی فصلی یا سالانه منطقی‌تر باشد. اصل مهم این است که زمان بازبینی را قبل از آنکه احساسات جدید وارد شوند تعیین کنیم. حتی بهتر از آن، شاخص‌هایی را هم مشخص کنیم. مثلاً: اگر درآمد در سه ماه اول به حد مشخصی نرسید، مدل کسب‌وکار را بازبینی می‌کنم. اگر بعد از شش ماه رضایت شغلی من همچنان پایین بود، گزینه‌های دیگر را بررسی می‌کنم. اگر هزینه واقعی پروژه بیش از ۲۰ درصد افزایش پیدا کرد، تصمیم را دوباره ارزیابی می‌کنم. این شاخص‌ها تصمیم را از حالت احساسی خارج می‌کنند. در واقع ما از قبل با «خودِ آینده‌مان» قرارداد می‌بندیم. این موضوع مهم است، چون خود آینده ما ممکن است برای توجیه تصمیم فعلی داستان‌های متفاوتی بسازد. اگر شاخص از قبل تعیین شده باشد، تصمیم‌گیری در آینده کمتر تحت تأثیر فشار لحظه‌ای قرار می‌گیرد.
قدرت الگوریتم در ترتیب مراحل است
قدرت این الگوریتم از خود سؤال‌ها نمی‌آید؛ از ترتیب آن‌ها می‌آید. اگر ابتدا گزینه را انتخاب کنیم و بعد هدف را تعریف کنیم، احتمالاً معیارها را به نفع گزینه تغییر می‌دهیم. اگر قبل از تعریف مسئله اطلاعات جمع کنیم، ممکن است اطلاعاتی درباره مسئله اشتباه جمع کنیم. اگر پیش از ساختن گزینه‌ها روی یک گزینه محبوب تمرکز کنیم، احتمال دارد گزینه‌های جایگزین را نبینیم. اگر پیامدها را قبل از توجه به هزینه شکست بررسی کنیم، ممکن است در دام خوش‌بینی بیفتیم. اگر قبل از مشخص کردن شرایط تغییر نظر تصمیم بگیریم، ممکن است بعداً برای دفاع از انتخاب خود شواهد مخالف را نادیده بگیریم. و اگر زمان بازبینی تعیین نکنیم، ممکن است تصمیم گذشته به‌صورت خودکار به آینده کشیده شود. بنابراین الگوریتم در واقع یک جور معماری ذهنی است. ما نمی‌توانیم مغز را از احساس، شهود، خاطرات و سوگیری‌ها خالی کنیم. اما می‌توانیم محیطی برای تصمیم‌گیری بسازیم که این عوامل فرصت کمتری برای فریب دادن ما داشته باشند.
احساسات، شهود و تصمیم منطقی
اما احساس می‌تواند از عوامل دیگری هم ساخته شده باشد: خستگی، فشار اجتماعی، تجربه گذشته، اضطراب، خاطره‌ای تازه، یا حتی یک روایت رسانه‌ای. پس سؤال منطقی این نیست که «آیا احساس من درست است؟» سؤال بهتر این است: «احساس من درباره چه چیزی اطلاعات می‌دهد؟» شهود را می‌توان به‌عنوان داده وارد الگوریتم کرد، اما نه اینکه بدون بررسی، آن را با واقعیت یکی بدانیم.
نقش نظر دیگران
این تغییر سؤال، نقش دیگران را از «تصمیم‌گیرنده» به «افزاینده کیفیت تصمیم» تبدیل می‌کند. از این زاویه، تصمیم‌گیری منطقی بیش از آنکه درباره داشتن پاسخ‌های بهتر باشد، درباره داشتن پرسش‌های بهتر است.
کیفیت فرایند در برابر کیفیت نتیجه
پس معیار بلوغ تصمیم‌گیری این نیست که «آیا من همیشه موفق شدم؟» بلکه باید بپرسیم: آیا مسئله را درست تعریف کردم؟ آیا هدف واقعی‌ام را می‌شناختم؟ آیا گزینه‌های معقول را بررسی کردم؟ آیا اطلاعاتی را جمع کردم که واقعاً می‌توانست تصمیم را تغییر دهد؟ آیا تلاش کردم شواهد مخالف را ببینم؟ آیا سوگیری‌های مهم را در نظر گرفتم؟ آیا پیامدها و هزینه شکست را دیدم؟ آیا شرطی برای تغییر نظر داشتم؟ آیا اقدام بعدی را به‌طور روشن تعریف کردم؟ و آیا بعداً برگشتم و بررسی کردم که چه چیزی درست یا غلط پیش رفته است؟ اگر پاسخ این پرسش‌ها مثبت باشد و نتیجه بد از آب دربیاید، ممکن است شما یک تصمیم خوب اما ناموفق گرفته باشید. اما اگر نتیجه خوب شود و تمام این مراحل نادیده گرفته شده باشد، نباید بیش از حد از خودتان مطمئن شوید. شانس گاهی نقش بزرگی در زندگی دارد. یک تصمیم بد می‌تواند نتیجه خوب بدهد. یک تصمیم خوب می‌تواند نتیجه بد بدهد. اگر این تفاوت را فراموش کنیم، از شانس یاد می‌گیریم و آن را با مهارت اشتباه می‌گیریم.
این همان جایی است که الگوریتم تصمیم‌گیری ارزش پیدا می‌کند: الگوریتم به ما کمک می‌کند کیفیت فرایند را از کیفیت نتیجه جدا کنیم. و این جداسازی برای یادگیری ضروری است. فرض کنید تصمیمی گرفته‌اید و نتیجه عالی شده است. بازبینی باید بپرسد: «چه مقدار از این موفقیت حاصل کیفیت تصمیم بود و چه مقدار حاصل شانس؟» اگر نتیجه بد شده، بپرسید: «کدام بخش از تصمیم واقعاً خطا بود و کدام بخش صرفاً نتیجه یک اتفاق خارج از کنترل من؟» این نوع تحلیل، انسان را هم از اعتمادبه‌نفس کاذب نجات می‌دهد و هم از سرزنش بی‌دلیل خود. اگر در گذشته انتخاب خوبی کرده‌اید و نتیجه بد شده، لازم نیست تصمیم خوب را بد اعلام کنید. اگر انتخاب بدی کرده‌اید و نتیجه خوب شده، لازم نیست روش بد را به‌عنوان الگوی موفقیت حفظ کنید. این شاید یکی از مهم‌ترین درس‌های علم تصمیم‌گیری باشد: از نتیجه، بدون تحلیل فرایند، نمی‌توان کیفیت تصمیم را فهمید.
اینجا حتی داستان معروف «آزمون مارشمالو» نیز یک درس جالب دارد. آزمایش‌های والتر میشل درباره به‌تعویق انداختن پاداش در کودکان، در فرهنگ عمومی بسیار معروف شد و اغلب این‌گونه روایت شد که توانایی کودک در صبر کردن مستقیماً آینده او را پیش‌بینی می‌کند. اما پژوهش‌های بعدی تصویر بسیار پیچیده‌تری نشان دادند. یک بازآزمایی مفهومی در سال ۲۰۱۸ نشان داد که برخی ارتباط‌های اولیه با پیامدهای بعدی کوچک‌تر از یافته‌های اولیه بودند و با در نظر گرفتن عواملی مانند پیشینه خانوادگی، توانایی شناختی اولیه و محیط خانه، این ارتباط‌ها به‌طور قابل‌توجهی کاهش یافتند. چرا این داستان برای یک الگوریتم تصمیم‌گیری مهم است؟ چون به ما یاد می‌دهد یک مشاهده جذاب را به یک قانون کلی تبدیل نکنیم. در زندگی شخصی نیز همین اتفاق می‌افتد. ممکن است یک‌بار صبر کردن جواب داده باشد و نتیجه بگیریم «همیشه باید صبر کنم.» ممکن است یک‌بار ریسک کردن موفق شده باشد و نتیجه بگیریم «همیشه باید ریسک کرد.» ممکن است یک‌بار دنبال کردن احساساتمان عالی عمل کرده باشد و نتیجه بگیریم «شهود همیشه درست است.» اما تصمیم‌گیری بالغ به‌جای افسانه‌سازی از تجربه، از تجربه سؤال می‌پرسد. در چه شرایطی جواب داد؟ چه متغیرهایی حضور داشتند؟ اگر شرایط تغییر کند، آیا نتیجه هم تغییر می‌کند؟ چه شواهد دیگری داریم؟
الگوریتم به‌عنوان معماری ذهنی
و شاید این مهم‌ترین نکته باشد: تصمیم‌گیری خوب یک مسابقه برای پیدا کردن پاسخ قطعی نیست؛ یک فرایند برای کاهش تدریجی خطا است. ما قرار نیست انسانی باشیم که هیچ‌وقت اشتباه نمی‌کند. قرار است انسانی باشیم که اشتباه‌هایش را زودتر می‌بیند، هزینه آن‌ها را محدود می‌کند، از آن‌ها یاد می‌گیرد و دوباره همان خطا را با اطمینان بیشتری تکرار نمی‌کند.
کاربرد الگوریتم در تصمیم‌های کوچک، متوسط و بزرگ
تصمیم‌گیری به‌عنوان یک چرخه
در واقع، «الگوریتم تصمیم‌گیری» قرار نیست جای عقل را بگیرد؛ قرار است عقل را در زمانی که بیشترین نیاز را به آن داریم، وادار به حضور کند. شاید بتوان تمام این رویکرد را در یک جمله فشرده کرد: هرچه تصمیم مهم‌تر، نامطمئن‌تر و برگشت‌ناپذیرتر باشد، باید کمتر به پاسخ فوری و بیشتر به کیفیت فرایند تصمیم‌گیری اعتماد کنیم.
سخن پایانی
و این شاید تعریف عملی بلوغ در تصمیم‌گیری باشد: نه اینکه همیشه بدانیم چه کاری درست است، بلکه بدانیم چگونه وقتی هنوز نمی‌دانیم، بهتر فکر کنیم.
منابع و مآخذ
منابع بخش یکم: مقدمه: تصمیم خوب و نتیجه خوب یکی نیستند
Dawes, R. M. (1988). Rational Choice in an Uncertain World. Harcourt Brace.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty. Science, 185(4157), 1124–1131.
منابع بخش دوم: مرحله اول: مسئله چیست؟
Wald, A. (1943). A reprint of “On the statistical treatment of function of mortality.” Journal of the American Statistical Association, 38(224), 361–366.
Simon, H. A. (1973). The structure of ill structured problems. Artificial Intelligence, 4, 181–201.
منابع بخش سوم: مرحله دوم: هدف من چیست؟
Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99–118.
Tversky, A., & Kahneman, D. (1981). The framing of decisions and the psychology of choice. Science, 211, 453–458.
منابع بخش چهارم: مرحله سوم: گزینه‌های واقعی من چیست؟
Iyengar, S. S., & Lepper, M. R. (2000). When choice is demotivating. Journal of Personality and Social Psychology, 79(6), 995–1006.
Pitz, G. F. (1977). The effects of problem structure on decision processes.
منابع بخش پنجم: مرحله چهارم: چه اطلاعاتی واقعاً لازم دارم؟
Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review, 63(2), 129–138.
Ioannidis, J. P. A. (2005). Why most published research findings are false. PLOS Medicine, 2(8), e124.
منابع بخش ششم: مرحله پنجم: چه سوگیری‌هایی ممکن است اثر بگذارند؟
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty. Science, 185(4157), 1124–1131.
Frederick, S. (2005). Cognitive reflection and decision making. Journal of Economic Perspectives, 19(4), 25–42.
منابع بخش هفتم: مرحله ششم: پیامدهای گزینه‌ها چیست؟
Kahneman, D., & Tversky, A. (1979). Prospect theory. Econometrica, 47(2), 263–291.
Wilson, T. D., & Gilbert, D. T. (2005). Affective forecasting. Current Directions in Psychological Science, 14(3), 131–134.
منابع بخش هشتم: مرحله هفتم: اگر اشتباه کنم، هزینه‌اش چقدر است؟
Kahneman, D., & Tversky, A. (1979). Prospect theory. Econometrica, 47(2), 263–291.
Arkes, H. R., & Blumer, C. (1985). The psychology of sunk cost. Organizational Behavior and Human Decision Processes, 35(1), 124–140.
منابع بخش نهم: مرحله هشتم: چه چیزی می‌تواند نظر من را تغییر دهد؟
Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson.
Klein, G. (2007). Performing a project premortem. Harvard Business Review, 85(9), 18–19.
منابع بخش دهم: مرحله نهم: بهترین اقدام بعدی چیست؟
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482.
Klein, G. (1998). Sources of Power. MIT Press.
منابع بخش یازدهم: مرحله دهم: چه زمانی تصمیم را بازبینی می‌کنم؟
Argyris, C., & Schön, D. (1978). Organizational Learning. Addison-Wesley.
Kahneman, D., & Klein, G. (2009). Conditions for intuitive expertise. American Psychologist, 64(6), 515–526.
منابع بخش دوازدهم: قدرت الگوریتم در ترتیب مراحل است
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. doi:10.1146/annurev-psych-120709-145346.
منابع بخش سیزدهم: احساسات، شهود و تصمیم منطقی
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. doi:10.1146/annurev-psych-120709-145346.
منابع بخش چهاردهم: نقش نظر دیگران
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. doi:10.1146/annurev-psych-120709-145346.
منابع بخش پانزدهم: کیفیت فرایند در برابر کیفیت نتیجه
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. doi:10.1146/annurev-psych-120709-145346.
منابع بخش شانزدهم: الگوریتم به‌عنوان معماری ذهنی
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. doi:10.1146/annurev-psych-120709-145346.
منابع بخش هفدهم: کاربرد الگوریتم در تصمیم‌های کوچک، متوسط و بزرگ
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. doi:10.1146/annurev-psych-120709-145346.
منابع بخش هجدهم: تصمیم‌گیری به‌عنوان یک چرخه
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. doi:10.1146/annurev-psych-120709-145346.
منابع بخش ۱۹: سخن پایانی
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. doi:10.1146/annurev-psych-120709-145346.