多属性效用理论在认知科学与生活中的应用

和许多其他人一样，你可能会感到用EU理论来选择专业使得决策过于简单化。尤其是你会发现对于任何特定的专业而言，很难对成功或失败的效用加以量化，你可能关心几个目标，但又很难找到让它们彼此都相适应的办法。

在三项研究中（Galotti，1999；Galotti et al.，2006；Galotti & Kozberg，1987），研究者要求大学生列出他们选专业时曾经考虑的因素。回答者列出很多因素，其中最多的是难度和吸引力。进行这类决策时的主要困难显然来自各种因素和目标的整合。用式（11-2）计算EU可能很难，因为关于这一决策的几方面的信息必须加以整合地考虑。还好有一种模型提供了对复杂决定的不同维度和目标进行整合的方法。它称为多属性效用理论（multiattribute utility theory，MAUT）。

多属性效用理论包括6个步骤：①把一个决定分解成独立的维度（比如刚才所列的挑选专业的5项）；②确定每个维度的相对权重；③列出所有的选择可能（如可能的专业）；④按照5个维度给各个不同的选择排序；⑤将排序乘以每个决定的权重以获得最后的值；⑥挑选值最高的选择。

表11-3提供了一则运用MAUT进行专业选择的例子。这是虚构的，但是看起来很像我们在研究项目中看到的例子。

在工作表的第一列，虚拟的决策者列出了她做决策的4条标准或者因素。第二栏表示的是重要性权重，由数字1~10评价（数字越大，因素越重要）。注意到她认为“主题兴趣”是最重要的。其次重要的是这一专业毕业生的“职业前景”。“系内教师”这一标准的重要性仅为“中度”。此处关键在于这些权重是主观赋予的，而且会因学生的不同而发生变化。你自己对其中重要性的评判也许就与例子中给出的有很大的出入。

表11-3　在选择主修专业的决策时进行的多属性效用分析示例

后面的5个栏目是学生对不同选择或专业的感知，根据这4条标准分别进行评分。

MAUT加工过程的第5个步骤是：在所有维度上，把对所有可能选择进行的评估以及各个维度的权重结合到一起。这一步有好几种方法，表11-3的最后三行展示了其中的3种方法。“最高标准”模型关注的是最重要的标准（在这个案例里就是“主题兴趣”）并且只看评分的数字，其他都不看。在这个案例里，心理学稍高于生物学，因而是该学生认为的“最佳”选择。

第二个模型运用到学生更多的感知方面。在“等权重标准”模型中，计算对于所有标准的评分总和。在该模型中，生物学稍稍超越了心理学。

最后，在最复杂的“完全多属性效用”模型中，每一个评分与其相关的权重相乘然后再求和。根据这个模型，生物学是最好的，其次是心理学，这两项都远远超出其他选项。(www.xing528.com)

要想在决策中使用MAUT，所列维度必须是相互独立的，这一点非常重要。比如，“课程难度”这一维度与“该课程过去的成绩”维度之间也许是相关的。因此，决策者必须小心地确定每个维度。然后，决策者还必须在不同维度间做出权衡和取舍。虽然本例中决策者最关心的可能确实是未来的职业目标，但MAUT认为，如果有一种另外的选择在其他维度上有足够补偿的话，这名学生也可能选择这一项。

我在前面说过，许多心理学家把MAUT看成一个决策的规范模型（尽管也有其他的看法，我们稍后讨论）。也就是说，如果遵循MAUT，人们就会以最佳地达成所有目标的方式来使他们自己的效用最大化。然而遗憾的是，很少听说在做重大决定时，尤其是与决策制定有关的信息非常多的条件下，人们会自发地使用MAUT。

Payne的一项研究显示（Payne，1976），人们并不总是自觉地运用MAUT。Payne考察在向人们提供有关不同选择的不同数量的信息时，他们是如何挑选公寓的情形。向被试呈现一块附有许多卡片的“信息板”，如照片11-3所示。每张卡片代表一套不同的单卧室并配备家具的公寓，并且还带有一个考察因素的名称，比如“噪声水平”“租金”或“壁橱空间”。卡片的背后给出了该套公寓在这一维度上的值，比如，租金这一因素在各项上可能的值是500美元、650美元或980美元。

John Payne先驱性地运用“决策板”作为研究决策的一种方法。

被试一次可以查看一条信息（比如，公寓1的租金），并可以根据需要，任意次数地查看他们决策所需的信息。实验者随时跟踪被试查看的信息。实验中有两个因素发生改变：呈现选择（即公寓）的数量——2，6或12，以及从每种选择中可获得的信息种类——4，8或12。

当在两套公寓中进行选择时，被试对每套公寓查看了相同数量的因素。也就是说，如果他们查看了一套公寓的租金、壁橱空间、停车和洗衣设施的情况，也会对另一套公寓的租金、壁橱空间、停车和洗衣设施方面的信息进行查看。他们愿意在决定中做出取舍，让一个因素的满意值（比如低租金）来抵消另一个因素的不称心值（比如壁橱空间较小）。

然而，当被试必须从6或12套公寓中做出挑选时，他们就会用另外一种策略。他们会仅仅根据一个或几个较少的维度淘汰掉一些选项。比如，他们先看租金便马上淘汰掉所有高租金的公寓，根本不去考虑其他因素的抵消作用。这种策略称为因素排除法（elimination by aspects）（Tversky，1972）。其原理是这样的：首先挑选一个因素，比如租金。所有超过该因素阈值（如500美元）的选项都会被淘汰。接下来再选择一个因素（比如噪声水平），所有超过该维度阈值（比如非常吵闹）的选项都会被排除在外。这个过程一直继续下去，直到还剩下一个选择。Payne（1976）认为，当决策者有太多的信息需要处理时，他们会通过采取因素排除法这样并非最佳的启发式来减少“认知负担”。

MAUT是一个规范模型，而因素排除法是一个描述模型。它向我们展示了人们究竟是如何行动的具体情形。不管因素排除法是不是最佳的决策方法，用有限的时间和记忆来做决定，终究是个开放的问题。在某些情况下，它可能完全是理性的。如果寻找公寓的人承担不起某一价位的租金，不管其他方面评价的好坏，都没有必要再花力气考虑那些租金贵的公寓。而在另一些情况下，对决策者而言花时间和精力用MAUT分析决定可能就非常重要了。还有各种不同的决策帮助（包括计算机辅助决策）存在，而且都证实很有用。