निर्णय लेने के मॉडल: ब्रंसविक लेंस और बेयस मॉडल

व्यक्तिगत निर्णय लेने के लिए कई आदर्श मॉडल मौजूद हैं जो उनके जोर और जटिलता के संदर्भ में भिन्न हैं। मॉडल जिसे हम विस्तार से प्रस्तुत करेंगे, वह एक है जिसका उपयोग निर्णय लेने की बुनियादी विशेषताओं का अध्ययन करने में बड़ी सफलता के साथ किया गया है। यह निर्णय प्रक्रिया को देखने और सराहना करने के लिए एक अच्छा वैचारिक ढांचा भी प्रदान करता है।

1. ब्रंसविक लेंस मॉडल:

लोग जो निर्णय लेते हैं, उन्हें देखने का एक तरीका है और वे उन्हें बनाने के बारे में कैसे जानते हैं, वह लेंस मॉडल ऑफ ब्रंसविक (1956) के माध्यम से है। लेंस मॉडल का एक चित्र चित्र 15.3 में दिखाया गया है।

मॉडल तीन आवश्यक तत्वों से बनी निर्णय प्रक्रिया को मानता है:

(1) निर्णय की स्थिति में बुनियादी जानकारी,

(2) निर्णय निर्माता द्वारा वास्तविक निर्णय, और

(३) इष्टतम या सही निर्णय जो उस विशेष परिस्थिति में किया जाना चाहिए था।

इनमें से प्रत्येक चित्र 15.3 में दिखाया गया है।

मूलभूत जानकारी:

जब भी कोई व्यक्ति निर्णय करता है कि उसके पास कई संकेत या संकेतक हैं जो प्रक्रिया में सहायक के रूप में उपयोग या नहीं कर सकते हैं। उदाहरण के लिए, एक कार्यकारी को हर महीने सामना करने की समस्या के साथ यह तय करने की कोशिश करनी चाहिए कि उत्पाद X की कितनी इकाइयाँ उत्पादन करें। स्पष्ट रूप से कई प्रकार के निर्णय चर हैं, जिनका उपयोग वह संभवतः अपने निर्णय को अच्छा बनाने में मदद करने के लिए कर सकता है, जैसे कि वर्तमान सूची, वर्तमान आदेश, सामान्य बाजार संकेतक, अपने तत्काल अधीनस्थों से सलाह आदि। ये संभावित क्यू चर हैं। चित्र 15.3 में दिखाया गया है।

मनाया गया निर्णय:

बेशक, किसी भी निर्णय प्रक्रिया को किसी प्रकार की प्रतिक्रिया में समाप्त होना चाहिए - भले ही प्रतिक्रिया केवल प्रतिक्रिया करने का निर्णय न हो, यह कहना सुरक्षित है कि किसी प्रकार की प्रतिक्रिया हुई है। निर्णय लेने में हमेशा कार्रवाई का विकल्प शामिल होता है। इस प्रकार "निर्णय व्यवहार" और "पसंद व्यवहार" वास्तव में काफी अविभाज्य घटना हैं। चित्र 15.3 के दाईं ओर का बॉक्स कार्रवाई के पाठ्यक्रम का प्रतिनिधित्व करता है, जिसके बारे में निर्णय निर्माता अंत में खुद को मानते हैं।

सही निर्णय:

जिस तरह निर्णय निर्माता की ओर से कार्रवाई का एक मनाया हुआ पाठ्यक्रम होता है, उसी प्रकार किसी भी निर्णय से जुड़ी एक इष्टतम प्रतिक्रिया या विकल्प होता है। यह इष्टतम निर्णय कार्रवाई के सर्वोत्तम संभावित विकल्प का प्रतिनिधित्व करता है जो संभवतः उस विशेष स्थिति में निर्णय निर्माता द्वारा चुना जा सकता था। बहुत ही वास्तविक अर्थ में यह उस अंतिम कसौटी का प्रतिनिधित्व करता है जिसके विरुद्ध वास्तविक निर्णय का मूल्यांकन किया जाना चाहिए।

कई निर्णय स्थितियों में यह वास्तव में निर्धारित करना मुश्किल है या यह जानना कि यह इष्टतम निर्णय क्या है या किसी विशेष समय पर था। हालांकि, कम से कम सिद्धांत में, निर्णय निर्माता की ओर से एक इष्टतम प्रतिक्रिया हमेशा मौजूद होती है। चित्र 15.3 में यह मान बाईं ओर के बॉक्स में "सही" निर्णय के रूप में दिखाया गया है।

मॉडल की गतिशीलता:

मॉडल के आवश्यक अवयवों को परिभाषित करने के बाद अब इन तत्वों के बीच अंतर्संबंधों की जांच करना संभव हो गया है। ये अंतर्संबंध हमें जटिलता और निर्णय लेने की प्रक्रिया की गतिशील विशेषता का संकेत देते हैं।

सही क्यू वैधता निर्णय निर्माता के लिए उपलब्ध किसी भी एकल क्यू का सही मूल्य उस क्यू के नैदानिक या भविष्य कहनेवाला "शक्ति" द्वारा दर्शाया गया है। दूसरे शब्दों में, निर्णय प्रक्रिया के दौरान यह उपलब्ध होना कितना उपयोगी है। क्यू और सही निर्णय के बीच सहसंबंध, यानी, सत्य क्यू वैधता, सूचकांक है जो इस भविष्य कहनेवाला शक्ति का प्रतिनिधित्व करता है।

उदाहरण के लिए, हमारी कार्यपालिका के मामले को फिर से लें, जिसे लगातार यह निर्णय लेने में समस्या का सामना करना पड़ता है कि प्रत्येक महीने उत्पाद X की कितनी इकाइयों का उत्पादन करना चाहिए। एक क्यू वह शायद उपयोग कर रहा है उसकी वर्तमान सूची का आकार होगा। यह भी मान लीजिए कि पिछले साल के रिकॉर्ड को देखने के लिए, यह निर्दिष्ट करना संभव है, प्रत्येक महीने के दौरान, एक्स इकाइयों की संख्या जो उत्पादन की जानी चाहिए थी। तालिका 15.1 एक काल्पनिक उदाहरण प्रदान करती है, जो 1966 में प्रत्येक महीने के लिए दिखाता है,

(ए) वर्तमान सूची का आकार,

(b) हमारी कार्यकारिणी ने X इकाइयों की संख्या का उत्पादन करने का निर्णय लिया, और

यदि हम कॉलम (ए) और (सी) के बीच सहसंबंध को चित्र के रूप में दिखाए गए चित्र 15.4 के अनुसार बनाते हैं, तो हम पाते हैं कि प्रवृत्ति बहुत कम संख्या में इकाइयों के अनुरूप होने के लिए कम इन्वेंट्री वैल्यू के लिए है, जिसका उत्पादन किया जाना चाहिए। वास्तव में, (ए) और (सी) के बीच सहसंबंध शून्य से 0 869 है! यह हमें बताता है कि वर्तमान इन्वेंट्री का आकार अत्यधिक है, लेकिन नकारात्मक रूप से, आवश्यक इकाइयों की संख्या से संबंधित है। दूसरे शब्दों में, यह एक उत्कृष्ट संकेत है कि निर्णय लेने वाले को बहुत सावधानी से भाग लेना चाहिए।

अवलोकन की गई वैधता का अगला निर्णय हम निर्णय प्रक्रिया के बारे में पूछ सकते हैं कि “निर्णयकर्ता ने दिए गए क्यू का उपयोग कितनी अच्छी तरह या किस हद तक किया है? यह एक संकेत दिया जाता है जो उसे उपलब्ध है, क्या वह इसका उपयोग करता है? यह क्यू मानों के बीच सहसंबंध की जांच करके और निर्णय निर्माता ने वास्तव में कई निर्णय, यानी कॉलम (ए) और (बी) तालिका 15.1 में किया है, के द्वारा निर्धारित किया जा सकता है। यह सहसंबंध चित्र 15.4 में भी प्लॉट किया गया है, जहां हम देख सकते हैं कि इसका मान 0.377 है। इस प्रकार, हमारे कार्यकारी ने स्पष्ट रूप से क्यू का उपयोग किया, लेकिन उस डिग्री तक नहीं जिसका उपयोग किया जाना चाहिए था (कम से कम उसके पास सही रूप से अनुमानित सच्चे संबंधों की दिशा थी)।

निर्णय-निर्माता की उपलब्धि :

तीसरा और शायद सबसे अधिक प्रासंगिक सवाल हमें पूछना चाहिए कि निर्णय निर्माता ने अपने कार्य को कितनी अच्छी तरह से किया। क्या उनके पास उच्च स्तर की उपलब्धि है क्योंकि जो निर्णय उन्होंने किए थे, वे वास्तव में उन फैसलों के करीब थे, जो पूर्वव्यापीकरण में किए जाने चाहिए थे? यह तालिका 15.1 में कॉलम (बी) और (सी) के बीच सहसंबंध की डिग्री को देखकर निर्धारित किया जा सकता है।

कार्यकारिणी ने उन इकाइयों की संख्या के बीच संबंध स्थापित करने का निर्णय लिया है, और जिस संख्या में उन्हें (स्तंभ c) उत्पादन करने का निर्णय लेना चाहिए था, वह हमारे चित्रण में 0.165 है - किसी भी मानक द्वारा बहुत अच्छी उपलब्धि नहीं। हमारे निर्णय निर्माता स्पष्ट रूप से इतना अच्छा नहीं कर रहे हैं क्योंकि वह एक क्यू के साथ कर सकते हैं जो इन विशेष परिस्थितियों में उनके लिए बहुत उपयोगी हो सकता है।

अनुसंधान के परिणाम :

द लेंस मॉडल मूल रूप से मानव निर्णय प्रक्रिया का एक वर्णनात्मक अवधारणा है जो कई गणितीय संकेत प्रदान करता है जिसके द्वारा हम मनुष्य में निर्णय प्रक्रिया का अध्ययन कर सकते हैं। मॉडल पर आधारित अधिकांश शोध अमूर्त प्रयोगशाला अनुसंधान है - यह कई यथार्थवादी कार्य सेटिंग्स में लागू नहीं किया गया है। हालांकि, शोध के निष्कर्षों ने लोगों को निर्णय लेने की स्थिति में cues का उपयोग करने की क्षमता के बारे में कई दिलचस्प चीजों का संकेत दिया है, इसलिए इन निष्कर्षों का एक संक्षिप्त सारांश दिया जाएगा।

पहले कई अध्ययन (शेंक और नायलर, 1965, 1966; डुडाइचा और नायलर 1966; ग्रीष्मकाल, 1962; और पीटरसन, हैमंड, और समर्स, 1966) सभी ने दिखाया है कि निर्माता उचित तरीके से संकेतों का उपयोग करना सीख सकते हैं। यही है, वे यह जानने की कोशिश करते हैं कि कौन से संकेत अच्छे हैं और कौन से बुरे हैं और अच्छे संकेतों को गरीब संकेतों की तुलना में अधिक ध्यान देना है।

हालाँकि, ड्यूडीचा-नाइलर अध्ययन में यह बहुत ही रोचक पाया गया कि यदि किसी निर्णय निर्माता के पास बहुत अच्छा क्यू है और फिर आप उसे दूसरा क्यू देते हैं जो कि खराब है, लेकिन फिर भी कुछ अतिरिक्त भविष्य कहनेवाला मूल्य है, तो उसके प्रदर्शन में कमी होगी - खराब उपलब्धि के परिणाम की तुलना में अगर वह सिर्फ एक क्यू था! अनुमानित रूप से खराब संकेत, निर्णय लेने की प्रक्रिया में अधिक स्थिर या "शोर" जोड़ते हैं, क्योंकि वे भविष्य कहनेवाला मूल्य जोड़ते हैं। दूसरी ओर, यदि प्रारंभिक क्यू केवल अपनी भविष्य कहनेवाला शक्ति में औसत है और आप निर्णय निर्माता को एक दूसरा, बहुत अच्छा क्यू देते हैं, तो उसके प्रदर्शन में उल्लेखनीय सुधार होता है।

एक और दिलचस्प खोज हाल ही में क्लार्क (1966) द्वारा रिपोर्ट की गई थी। उन्होंने दिखाया कि नकारात्मक वैधता वाले संकेत निर्णय निर्माता के लिए उतने उपयोगी नहीं होते हैं जितने कि प्रत्यक्ष या सकारात्मक संबंध के संकेत होते हैं। किसी कारण से मनुष्यों को एड्स की जानकारी स्रोतों के रूप में उपयोग करने के लिए अधिक कठिन समय लगता है जो नकारात्मक वैधता देते हैं। पाठक यह याद रखेगा कि पूर्वानुमान के प्रयोजनों के लिए एक संबंध का संकेत महत्वपूर्ण नहीं है, अर्थात, - 0.80 की वैधता के साथ एक क्यू सिर्फ उपयोगी है, संभवतः, एक क्यू के रूप में + 0.80 की वैधता है।

अन्य जानकारी जो लेंस मॉडल का उपयोग करते हुए मानव निर्णय निर्माताओं के बारे में प्राप्त की गई है, (1) मानव cues का उपयोग करने के लिए सीखने में बेहतर हैं, जिनके पास सही निर्णय के लिए रैखिक संबंध हैं, वे उन संकेतों का उपयोग कर रहे हैं जिनका एक गैर-संबंध संबंध है (डिकिन्सन और नायलर) 1966; हैमोंड और समर्स, 1965) और (2) मानव cues का उपयोग व्यवस्थित रूप से तब भी करते हैं जब cues के पास कोई वास्तविक पूर्वानुमानित शक्ति नहीं होती (Dudycha और Naylor, 1966)। इस उत्तरार्द्ध को खोजने का सीधा मतलब है कि यदि कोई निर्णय निर्माता ऐसी स्थिति में रखा जाता है, जहां उसके लिए उपलब्ध कोई भी संकेत किसी भी मूल्य का नहीं है, तो वह अभी भी उन लोगों में से कुछ का उपयोग करेगा जैसे कि उनका कोई मूल्य होता है।

2. निर्णय लेने का मॉडल :

मानव निर्णय लेने के अध्ययन में वर्तमान में एक और गणितीय मॉडल का उपयोग बढ़ रहा है जिसे बेयस प्रमेय के रूप में जाना जाता है।

यह इस प्रकार है:

P (A | B) = P (B | A) P (A) / P (B | A) P (A) P (B (P)) P (Ā)

जहां P (A | B) = A की संभावना है कि B दिया गया है

P (B | A) = B की संभावना है कि A हुआ है

पी (ए) = ए की संभावना

पी (ie) = ए, यानी 1 - ए की संभावना

P (B | () = B की संभावना A नहीं दी

चूंकि बेयस प्रमेय जैसे भाव अक्सर भ्रमित करते हैं, आइए हम एक व्यावहारिक निर्णय कार्य के एक उदाहरण पर विचार करें और देखें कि बेयस मॉडल कैसे लागू होता है।

सभी फर्मों के सामने एक प्रकार का विशिष्ट निर्णय लेने का कार्य यह है कि किसे निर्णय लेना है और किसे नौकरी आवेदकों के पूल से अस्वीकार करना है। उस स्थिति पर विचार करें जहां एक फर्म ने एक नया चयन परीक्षण करने की कोशिश की है। आगे के अनुभव पर गौर करें तो पता चला है कि आवेदन करने वाले केवल 60 प्रतिशत कर्मचारी वास्तव में संतोषजनक हैं। यह भी मान लें कि अतीत में कंपनी का अभ्यास सभी को काम पर रखना और उन्हें काम करने का मौका देना था।

जो पुरुष संतोषजनक होते हैं, उनमें से 80 प्रतिशत नए चयन परीक्षा में कट-ऑफ स्कोर से ऊपर पाए गए हैं, जबकि केवल 40 प्रतिशत ऐसे हैं जो कट-ऑफ से ऊपर असंतोषजनक स्कोर करते हैं। अब, यदि हम चयन के लिए इस परीक्षा का उपयोग करते हैं, और यदि हम केवल कट-ऑफ स्कोर से ऊपर के पुरुषों को नियुक्त करते हैं, तो क्या संभावना है कि कट-ऑफ से ऊपर वाला व्यक्ति संतोषजनक होगा?

यदि हम अब अपने प्रतीकों को फिर से परिभाषित करते हैं, तो हमारे पास है:

P (A) = सफल होने की संभावना = 0.60

पी (बी) = परीक्षा पास करने की संभावना

P (B | A) = कर्मचारी द्वारा दी गई परीक्षा में उत्तीर्ण होने की संभावना = 0.80 है

P (B | () = कर्मचारी द्वारा दी गई परीक्षा में उत्तीर्ण होने की संभावना असफल है = 0.40

P (B | A) = कर्मचारी द्वारा दिए गए टेस्ट में उत्तीर्ण न होने की संभावना = 0.20 सफल है

P (B | A) = कर्मचारी द्वारा दिए गए टेस्ट में उत्तीर्ण नहीं होने की संभावना असफल है = 0.60

हम P (A | B) को जानना चाहते हैं, अर्थात्, एक व्यक्ति को सफल होने की संभावना है कि वह परीक्षा पास कर चुका है।

बेयस प्रमेय दिखाता है:

P (A | B) = (0.80) (0.60) / (0.80) (0.60) + (0.40) (0.40)

= 0.48 / 0.48 + 0.16 = 0.75

दूसरे शब्दों में, यदि हम केवल उन लोगों का चयन करते हैं जो हमारी स्क्रीनिंग परीक्षा पास करते हैं, तो हम भर्ती में 75 प्रतिशत सफलताओं के साथ समाप्त हो जाएंगे, क्योंकि परीक्षण के बिना 60 प्रतिशत आंकड़ा। उद्योग में निर्णय लेने के लिए बेयस प्रमेय का अनुप्रयोग लगातार होता जा रहा है। यह एक बहुत शक्तिशाली उपकरण है और इसका उपयोग भविष्य के वर्षों में बहुत बढ़ जाना चाहिए।