Разное

Схема слова лень: Страница не найдена – Фонетический разбор слов на звуки и буквы

Содержание

Урок 7. «труд кормит, а лень портит». буква н, звуки [н] [н’] – Русский язык – 1 класс

Русский язык, 1 класс

Урок №7

Тема: «Труд кормит, а лень портит». Буква Н, звуки [н] [н’]

Я узнаю о букве Н и звуки [н] [н’].

Я научусь находить её в слове.

Я смогу составлять схемы слова.

Тезаурус:

Звуки – то, что мы слышим и произносим.

Буквы – то, что мы читаем и пишем.

Согласные звуки – звуки, которые состоят из шума и голоса или только из шума.

Гласные звуки – это звуки, в образовании которых участвует только голос.

Список литературы:

Обязательная литература

  • Горецкий В.Г., Кирюшкин В.А., Виноградская Л.А. и др. Азбука. 1 класс: учеб. для общеобразоват. организаций. В 2 ч. Ч. 1 — 10-е изд. – М.: Просвещение, 2018. — 128 с. С. 41-44.

Дополнительная литература

Маршак С.Я. Весёлая азбука. Стихи. – М.: Оникс 21 век, 2004. – С. 1-12.

Ход урока

Буква Н, звуки

[н] [н’]

Носорог бодает рогом.
Не шутите с носорогом!

Твёрдый согласный обозначается на схеме синим цветом , мягкий – зелёным .

НОС НИТКИ

БАРАБАН

КОНЬ

Закрасьте слова, в которых звук [н] твёрдый – синим, а [н’] мягкий – зелёным цветом.

НОС

НИТКА

НИВА

НОТА

НАСОС

НЯНЯ

  1. Распределите слова в столбцы таблицы.

КОНЬ

ЯБЛОКИ

МЫШКИ

ЧАЙ

КОШКА

ЛИСА

БУЙВОЛ

МЫЛО

СТОЛЫ

ОКНО

  1. Раскрасьте звуковые схемы слов. Помните, что красным обозначаются гласные звуки.

Лужа

Мяч

Ива

  1. Составьте возможные слова со слогом РА.

_________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

5. Прочтите загадку, запишите отгадку.

______________________

______________________

  1. Прочтите слоги. Подчеркните слоги с буквой Н.

ПО РО РУ НА УЖ ОС СА ИН ДУ ВЫ ФА ЛЕ СИ ДО ТЯ

  1. Рассмотрите картинку. Выпишите:
  2. Слова, где Н встречается в начале слова;
  3. Слова, где Н встречается в середине слова.

  1. ____________________________
  2. ____________________________
  3. Заполните кроссворд.

  1. Выберите правильное слово.

  1. Потренируйтесь писать букву Н.

Лексический разбор слова | Сайт учителя русского языка и литературы

Лексический разбор слова предполагает анализ слова как лексической единицы русского языка, с указанием: 1) однозначности-многозначности слова; 2) типа его лексического значения в данном контексте; 3) синонимов; 4) антонимов; 5) происхождения слова; 6) принадлежности слова к общеупотребительной лексике или лексике, ограниченной в употреблении; 7) фразеологических связей слова. Лексический разбор является факультативным видом разбора для школьной практики. Обычно он не даётся в качестве контрольного задания.

Лексический разбор слова должен проводиться при помощи лингвистических словарей: толкового словаря, словаря синонимов, антонимов, омонимов; фразеологического словаря русского языка.

Схема лексического разбора слова.

1. Определите лексическое значение слова в контексте.

2. Если слово многозначно, укажите другие его значения (при необходимости можно пользоваться толковым словарём русского языка).

3. Установите тип лексического значения в данном контексте: а) прямое; б) переносное.

4. Если значение переносное, охарактеризуйте вид переносного значения.

5. Постройте синонимический ряд для слова в данном значении.

6. Подберите антонимическую пару к данному слову.

7. Определите, является данное слово исконно русским или заимствовано из другого языка.

8. Установите принадлежность анализируемого слова к общеупотребительной лексике или лексике, ограниченной в употреблении.

9. Определите, является ли слово устаревшим.

10. Укажите, входит ли данное слово в состав фразеологизмов.

Образец лексического разбора слова.

Завершив свои операции, фронты один за другим останавли­вались на достигнутых к весне рубежах. (К. Симонов)

1.  Операция — ряд стратегических действий, проводимых в период наступательных или оборонительных боев (воен., проф.).

2.  Слово многозначно: а) хирургическая операция; б) торговая операция; в) финансовая операция; г) почтовые операции.

3. Значение прямое.

4. Синонимический ряд: операция, бой, сражение, военные действия.

5.  Слово заимствовано из латинского языка.

6.  Слово профессиональной лексики (военная терминология).

7. Слово не является устаревшим, оно входит в активный словарь русского языка.

Фонетический (звуко-буквенный) и морфемный разбор слова «яблоко»

Нет ничего удивительного в том, что взрослые за ненадобностью забывают какую-то часть школьной программы. Кроме физиков или химиков, вряд ли кто-то вспомнит, что такое «возбуждённое состояние атома», а для бухгалтеров-экономистов словосочетание «фонетический разбор» звучит как форменный кошмар. Независимо от профессии, никому не хотелось бы падать в грязь лицом, когда дети просят помочь с домашним заданием. Не волнуйтесь и не корите себя за школьные прогулы русского языка! После прочтения этой статьи вы, конечно, не станете лингвистом, но хотя бы вспомните базовую программу.

Начнем с фонетического разбора слова.

Пример разбора

Для проведения звуко-буквенного анализа следует взять какое-нибудь самое простое слово, например, «яблоко».

  1. Слоги. На сколько слогов его можно поделить? Я-бло-ко. Получается всего три слога с ударением на первый. Мало, конечно, но лучше, чем ничего.
  2. Количество букв. Нет ничего сложного! Нужно просто посчитать буквы в слове.
  3. Количество звуков. А сколько звуков в слове «яблоко»? Шесть? А вот и нет! Семь. Ведь буквы и звуки — это совсем не одно и то же. Буквы — это графические символы, а звуки — частички устной речи. Именно их и учитывают в звуко-буквенном разборе.

Транскрипция слова

На основе этих данных нужно составить транскрипцию. Для слова «яблоко» она выглядит так:

[й’аблака]

Нет, это не вопиющая неграмотность! По правилам фонетики, транскрипция отображает нормы произношения. Произнесите вкусное (и полезное!) слово вслух и попробуйте разобрать, что вы слышите. В конце слышится «о», как при написании, или «а»? А ещё раз? Вот именно! Если же вы упорно слышите «о», то вы из Вологды, так что запомните это как исключение.

Это интересно: слова с приставкой без-, правила и примеры написания.

Анализ каждого отдельного звука

Давайте составим схему и проведём звуковой анализ. Помните, что в схеме регистр букв значения не имеет.

я — [ й’ ] — согласный, непарный звонкий, сонорный, непарный мягкий;

[ а ] — гласный, ударный;

б — [ б ] — согласный, парный звонкий и парный твёрдый;

л — [ л ] — согласный, непарный звонкий, сонорный, парный твердый;

о — [ а ] — безударный, гласный;

к — [ к ] — согласный, парный глухой, парный твёрдый;

о — [ а ] — гласный, безударный.

«Согласные-гласные, ударные-безударные — это ещё ладно, а вот сонорные, парные глухие… Говорила моя мама, надо было поступать на ветеринара!» — можете подумать вы. Одумайтесь! Не надо! Ветеринарам ещё хуже, чем лингвистам, поверьте!

Пояснение правил фонетики

А ведь всё предельно просто! Рассмотрим подробнее пример звуковой схемы слова «яблоко».

  • Почему в транскрипции не «я», а «йа»? Потому что звука «я» просто не существует. Как не существует звуков «ю», «е», «ё», «ь» и «ъ» — это исключительно буквы. И если с двумя последними вопросов не возникает (вот попробуйте произнести исключительно мягкий или твёрдый знак без каких-либо других звуков), то «я», «ю» и т. д. называются «йотированными», потому что «я» — на самом деле «йа», «ю» — «йу», «е» — «йэ», а «ё» после всего оказывается «йо». Так и запишем в нашей транскрипции.
  • Сонорные звуки — это «й», «м», «н», «р» и «л». Это самые звонкие согласные звуки, которые при очень большом желании можно даже попробовать потянуть, но получится что-то странное. В нашем замечательном слове целых два сонорных звука!
  • Раз есть самые звонкие звуки, то должны быть и самые глухие. Это «ц», «ч», «щ» и «х». Они глухи всегда и без каких-либо исключений.
  • В нашем яблочном слове три звонких звука и всего один глухой — «к». «К» не просто глухой, но ещё и парный. Потому что в некоторых случаях может произноситься и записываться в фонетическом разборе как «г». Соответственно, непарные — это звуки, у которых нет пары, нет аналогов. Уникальные.
  • Ещё звуки бывают твёрдыми-мягкими парными-непарными. Скажите «лом» и скажите «лён». Чувствуете, что во втором случае «л» звучит мягче? Или скажите «нос» и «пень». Вот теперь точно чувствуете, как по-разному звучит «н»! В первом случае это твёрдый звук, во втором — мягкий. В нашем «яблоке» все согласные твёрдые, кроме «й», но «й» всегда мягкий. И поэтому он непарный — он не бывает твёрдым никогда. Ну нет у него своей твёрдой пары. Как у «ч», как у «щ» — они мягкие и непарные. Всегда одиноки, как «ж», «ц» и «ш» — они всегда тверды и тоже без пары.
  • Но не стоит унывать, потому что мягкие «щ» и «ч» и твёрдые «ж» и «ш» всё-таки нашли друг друга! Эти четыре звука называются шипящими, это тоже надо указывать при фонетическом разборе.
  • Остаётся самое простое. Уданые-безударные! Ударный звук — это звук, на которые падает ударение. И мы можем тянуть эту букву без потери для смысла. Может, помните с начальной школы про «построить замок для принцессы» и «повесить замок на сарай»? А чтобы понять, какой звук ударный, слово надо просто потянуть. Вот смотрите: «я-я-яблоко». Не забываем, что я — это «йа». Так что в нашем случае мы смело указываем «а» — ударным, а все остальные — безударными.

Нужно знать: на какой слог ставится ударение в слове баловать.

Ну, вроде понятно. Сделали фонетический разбор слова «яблоко», какие же вы молодцы! Теперь смотрим на вторую часть упражнения и… Медленно седеем, потому что там написано: «сделайте морфемный разбор слова».

Морфемный разбор слова

Наверное, было бы намного проще, если составители учебников сразу написали правду, а именно: разберите слово по составу.

Корень, суффикс, приставка, окончание — эти понятия знакомы даже самым отпетым технарям:

  • Итак, корень — это неизменяемая часть слова. Как бы вы ни изгалялись с суффиксами и приставками, корень остаётся неизменным. В нашем случае корень будет «яблок». Ведь есть производные слова «яблочный», «яблоня», в конце концов, просто «яблока», а корень крепок и могуч. Неизменяем. Постоянен, как гора.
  • Если «яблок» — корень, то что же тогда «о»? А это окончание. Окончание — это то, что изменяется. Мы можем сказать «два яблокА», «в корзине яблокИ» и даже депрессивное «нет яблок». Да, даже в последнем случае есть окончание, просто оно нулевое.
  • Ещё у слова есть основа. Основа — это всё слово, но без окончания. Нестабильное оно, окончание, ненадёжное. В нашем случае основа будет совсем как корень — «яблок».
  • Приставок нет, суффиксов нет — не будем тратить на них нервы. Если кратко, то приставка — то, что иногда добавляется перед корнем, а суффикс — то, что после корня, но перед окончанием. Например, в слове «яблочко» суффикс будет «к».

Вот и разобрано слово «яблоко» и по звукам, и даже по частям. Это было совсем несложно, стоило лишь немного сосредоточиться.

Также редакция напоминает, что яблоки очень полезны для здоровья, низкокалорийны и богаты железом. Так что давайте отдохнём от наших лингвистических изысканий и похрустим свежим яблочком с суффиксом «к»!

ЗАМЕНИ ВЫДЕЛЕННУЮ БУКВУ В СЛОВЕ ТАК ,ЧТОБЫ НОВОЕ СЛОВО  СООТВЕТСТВОВАЛО ЗВУКОВОЙ СХЕМЕ.ЗАПИШИ

Занятие 1 1.Найди в таблице словарные слова, раскрась их разными цветами и спиши (10 слов). Подчеркни орфограммы. E Я у и Й Б Б Х Шон Х х И Ч о Р E А … A с E ВА ИБ ЗАТ 3 Л Э K я ж ч л K о A Ж * E и Ли Ё й о MP с OM с M A Елрд E С T П A В ТЕБ ят В A ъ Н О И Е гы Я Й Б Ы о K л йін b П Ш у й А АН Б 3 ДЕ С ачений используя решение столбикол​

Помогите пожалуйста… ​

составь одно предложение сложными прелогательными ​

Текст 2 жила в аккуратную стопку аны, художник начал : сно поставить одну запяту е расставлены.) Напишите, (1)В некоторых частях мира говорят на между … народных языках со- всем особого рода. (2)Их всего 10 или 12, и называются они пиджин- языками. (3)Почти все они возникли, когда завоевателям из Европы пона- добилось разговаривать с коренными жителями Африки и Америки, Ин- донезии, Китая и тихоокеанских островов. (4) Редко случалось, чтобы европеец потрудился научиться новому незнакомому языку. (5) Англичане, французы, голландцы, португальцы смотрели на местных жителей свысока и полагали, что те вроде детей: где уж им понять язык взрослых! (6) Вот европейцы и стали говорить с аборигенами на упрощённом языке наподобие «твоя моя не понимай». (7)Тот, кто хотел вести дела с ев- ропейцами, подхватывал этот детский язык, немного его менял, переме- жал его какими-то своими словами. (8)Так возникали пиджин-языки. (9) Вот пример. (10)Возьмём английское слово belong «принадле- жать» и на нём проследим, как получается джин. (11)Разговаривая на детском языке с населением Океанин, англичане то и дело употребляли этот глагол. (12)Местные жители слово усвоили — правда, изменили часть речи. (13)В пиджин-инглиш belong это предлог, указывающий на при надлежность: «дом принадлежать мне» означает: «у меня дом» или «мой дом». (14)На пиджин-языках даже издаются газеты и журналы. (15) Один из таких журналов долгое время издавался в Новой Гвинее. (16)Этот еже- месячный журнал назывался «FRIEND BELONG ME», что в дословном пе- реводе с английского значит «друг принадлежать мне», а если перевести е юк бодро вышагивал по ули ысленному поэтом у Пушки Вид силы. ция фарфора была приобреты пиджин-языка, то попросту «мой друг». (17) В пиджин-языках всегда очень мало слов: наименования пред- метов, простых действий и слова, которые обозначают количество, – em- сок, прямо скажем, небогатый. (18)Почему такая бедность словаря? (19)Да потому, что такими языками пользуются в основном в торговле и в других делах — в бизнесе, если уж назвать это по-английски. (20) Название пид- жин и идёт от слова «бизнес » будто бы именно так китайцы произноси- ли его, когда пытались сказать впервые. (По Ф. Фолсому) ром необходимо поставить две / ложений не расставлены.) На й выбор. Определите и запишите основную мысль текста. гнившее от старости крыльцо. моё домашнее задание! сел у костра. а вся изрытая колеями. Ответ.​

Напишите текст на одну из предложенных тем. Перед написанием работы составьте н запишите простой план. В письменную работу включите предложения с обра … щением. Обьем письменной работы- 65-85 слов.

Упражнение 168. Составьте предложения по схемам.Пожалуйста срочно!!!​

Русский язык СОЧ 1 четверть

Задание 4 Изложите подробно содержание прослушанного текста. Замените косвенную речь прямой, правильно расставляя знаки препинания. [8]​

Помогите привести примеры,плииз!”Прямая речь?-слова автора.Прямая речь.”​

Помогите привести примеры “Прямая речь,-слова автора.-Прямая речь.”​

7 советов по запоминанию, которые работают

Человеческий мозг склонен экономить усилия (некоторые назовут это ленью): если есть шанс как-то упростить процесс, он этим шансом обязательно воспользуется. Новые иностранные слова наш хитроумный «процессор» допускает в чертог долговременной памяти далеко не сразу; сначала им приходится отбыть положенный срок в своеобразном зале ожидания — в памяти кратковременной.  Если новое слово не использовать, не повторять, оно забудется довольно быстро: от ненужной информации мозг безжалостно избавляется. Если же повторить заученное слово — а делать это нужно в строго определенные моменты — вы запомните его навсегда. В чем же секрет правильного запоминания новой информации?

Как мы запоминаем информацию: типы памяти и кривая Эббингауза

Итак, человеческую память подразделяют на два типа:

  1. Кратковременная или оперативная
  2. Долговременная

Поступающая в мозг информация сначала хранится в оперативной памяти. Со временем, в зависимости от частоты использования, эта информация переходит в долговременную, многолетнюю память. Еще в конце XIX-го века немецкий психолог  Герман Эббингауз опытным путем доказал всем известный постулат о прямой родственной связи между учением и повторением. В ходе эксперимента Эббингауз определил, когда именно нужно повторять новые слова, чтобы запоминать их надолго, если не навсегда.

Печальный факт: ценнейшее открытие Германа Эббингауза почти не используется в наши дни.  Аналитики и разработчики школы

Skyeng надеются изменить эту ситуацию: мобильное приложение по изучению новых слов с использованием открытия Эббингауза в данный момент находится в разработке. Выход приложения планируется уже скоро — следите за новостями компании.

Многие методики предлагают выучить 100 слов за час или 1000 слов за 3 дня — и это возможно. Но проблема в том, что, попав в кратковременную память, новые слова не переходят в память долговременную: easy come — easy go (что легко приходит, легко уходит).

7 + 1 эффективный способ запоминания иностранных слов

Совет 0: Соблюдайте режим рационального повторения

Итак, самый первый, даже нулевой совет: чтобы запомнить новое слово навсегда, придерживайтесь следующего графика повторений:

Повторения

Интервалы повторений

1

Сразу же после знакомства с новым словом

2

Через 20-30 минут после предыдущего

3

Через день после предыдущего

4

Через 2-3 недели после предыдущего

5

Через 2-3 месяца после предыдущего

6

Через 2-3 года после предыдущего

Совет 1: Запоминайте интересное

Традиционный подход к изучению новых слов, опробованный поколениями школьников, таков: иностранные слова даются списками по темам, к примеру, «Знакомство», «Письму другу», «Мой день».  Набор тем стандартен и универсален, что не всегда бывает эффективно: если тема не вызывает интереса, выучить новую лексику гораздо труднее. Опыт нашей школы показывает: если к выбору изучаемых слов подходить в точном соответствии с конкретными целями и интересами каждого ученика, на стыке полезного и приятного, результат оптимален!

Например, если вам нравится сериал «Игра престолов», вам будет значительно интереснее учить слова, генерировать образы и понятия, которые имеют отношение к сюжету фильма, например:  королева — queen, северный — northern, стена — wall, замок — castle.

Совет 2: Глубоко осмысливайте

Закон  осмысления:  по данным Эббингауза, осмысленный материал запоминается в 9 раз быстрее. В памяти запечатлеваются не столько сами слова и предложения, составляющие текст, сколько содержащиеся в них мысли. Они же первыми приходят в голову, когда нужно вспомнить содержание текста.

Однако научиться правильно организовывать информацию в момент запоминания — дело непростое.  Можно использовать опорные слова, схемы, диаграммы и таблицы. Эффективен также прием прогнозирования: начав читать абзац, попробуйте после выдвижения автором нескольких аргументов самостоятельно сделать вывод, объяснить себе прочитанное, даже если оно кажется вам очевидным. Сформулировав информацию своими словами, вы запомните ее надолго.

Совет 3: Усильте первое впечатление

Чтобы лучше запомнить новое слово, подключите 5 чувств плюс воображение:  прочувствуйте ситуацию, представьте себе картинку, попытайтесь ощутить запах и вкус, проговорите слово — или пропойте.

Визуализируйте, представляйте: в далекой северной (northern) стране за высокой крепостной стеной (wall) возвышается величественный замок (castle), в котором живет могущественная королева (queen)… Как высока стена, как мрачен и неприступен замок, как прекрасна восседающая на троне правительница! Создайте в своем воображении картинку, проживите ситуацию и новая лексика запомнится легко и надолго.

Совет 4: Учите в разных контекстах

Закон  контекста:  информация легче запоминается и воспроизводится, если ее соотносить с другими одновременными впечатлениями. Контекст, в котором происходит то или иное событие, иногда оказывается более важным для запоминания, чем само событие.

Наша память ассоциативна. Поэтому старайтесь менять место подготовки, например разные темы учить в разных комнатах (кухня, спальня), в дороге (метро, машина) и даже на работе (офис, «переговорка»). Информация ассоциативно связывается с обстановкой, припоминание которой поможет вспомнить содержание темы.

Совет 5: Учите чаще, но меньше

В обучении — как в питании: поглощать информацию лучше маленькими частями, делая небольшие перерывы. Лучше учить максимум 10 объектов (слов или составных частей правила) за одну сессию. После этого необходимо сделать 15-минутный перерыв, иначе последующее обучение не будет полноценным. Учите слова в очереди, в метро — импульсное обучение гораздо эффективнее непрерывного.

Совет 6: Важную информацию учите в начале и конце

Закон края, известный нам по фильму «Семнадцать мгновений весны»: лучше всего запоминается информация, представленная в начале и в конце. Особенно трудные и неподдающиеся слова эффективнее учить в начале и в конце десятиминутной сессии — так они лучше откладываются в памяти.

Совет 7: Используйте мнемонические техники

При изучении слова полезно выбрать ассоциативный образ-якорь, например: clever (умный) — умная корова ест клевер. Образ должен быть яркий, понятный, возможно, абсурдный — неожиданные ассоциации хорошо фиксируют слово в памяти.

Существует множество готовых мнемонических словарей, например, http://www.englspace.com/mnemo/. Эффективен и любим многими прием запоминания слов с помощью карточек, когда с одной стороны пишется английское слово, а с другой — его перевод.

Но каков бы ни был способ запоминания — увы, методики, позволяющей выучить иностранный язык за одну ночь пока не существует. Это большая и сложная работа, и важно выбрать оптимальный подход, чтобы с меньшими усилиями достичь большего результата. Чего мы вам искренне желаем!

Самодельный станок для резки пенопласта – электрическая схема

Тепло и звукоизоляционные строительные материалы на рынке представлены в широком ассортименте, это вспененный полиэтилен, минеральная и базальтовая вата и многие другие. Но самым распространенным для утепления и звукоизоляции является экструдированный пенополистирол и пенопласт, благодаря высоким физико-химическим свойствам, простоте монтажа, малому весу и низкой стоимости. Пенопласт имеет низкий коэффициент теплопроводности, высокий коэффициент звукопоглощения, устойчив к воздействию воды, слабых кислот, щелочей. Пенопласт устойчив к воздействию температуры окружающей среды, от минимально возможной до 90˚С. Даже через десятки лет пенопласт не меняет своих физико-химических свойств. Пенопласт также обладает достаточной механической прочностью.

Пенопласт обладает еще очень важными свойствами, это пожароустойчивость (при воздействии огня пенопласт не тлеет как древесина), экологическая чистота (так как пенопласт сделан из стирола, то в таре из него можно хранить даже пищевые продукты). На пенопласте не возникают грибки и очаги бактерий. Практически идеальный материал для утепления и звукоизоляции при строительстве и ремонте домов, квартир, гаражей, и даже упаковки для хранения продуктов питания.

В магазинах строительных материалов пенопласт продается в виде пластин разной толщины и размеров. При ремонте зачастую нужны листы пенопласта разной толщины. При наличии электрического резака пенопласта всегда можно нарезать из толстой пластины листы нужной толщины. Станок также позволяет фигурную пенопластовую упаковку от бытовой техники превратить в пластины, как на фотографии выше, и успешно разрезать толстые листы поролона для ремонта мебели.

Как легко режется пенопласт на самодельном станке, наглядно демонстрирует видео ролик.

Всего просмотров: 71993

При желании сделать резак для пенопласта и поролона многих останавливает сложность выбора источника питания для разогрева нихромовой струны до нужной температуры. Вопросу выбора нихромовой струны и подбора источника питания для ее разогрева посвящена эта статья.

Внимание! При резке пенопласта выделяется стирол, этилбензол и другие токсичные газы. Поэтому резку пенопласта и поролона допускается производить только под вытяжкой или на открытом воздухе.

Конструкция станка

Основанием приспособления для резки пенопласта послужил лист ДСП (древесно-стружечной плиты). Размер плиты нужно брать исходя из ширины пластин пенопласта, которые планируется разрезать. Я использовал дверку от мебели размером 40×60 см. При таком размере основания можно будет разрезать пластины пенопласта шириной до 50 см. Основание можно сделать из листа фанеры, широкой доски, закрепить струну резки непосредственно на рабочем столе или верстаке.

Натягивать нихромовую струну между двумя гвоздями предел лени домашнего мастера, поэтому я реализовал простейшую конструкцию, обеспечивающую надежную фиксацию и плавную регулировку высоты расположения струны в процессе резки над поверхностью основания станка.

Крепятся концы нихромовой проволоки за пружины, одетые на винты М4. Сами винты закручены в металлические стойки, запрессованные в основание станка. При толщине основания 18 мм, я подобрал металлическую стойку длиной 28 мм, из расчета, чтобы при полном вкручивании винт не выходил за пределы нижней стороны основания, а при максимально выкрученном состоянии обеспечивал толщину нарезки пенопласта 50 мм. Если потребуется нарезать листы пенопласта или поролона большей толщины, то достаточно будет заменить винты более длинными.

Чтобы запрессовать стойку в основание, сначала в нем просверливается отверстие, диаметром на 0,5 мм меньше, чем внешний диаметр стойки. Для того, чтобы стойки легко можно было забить молотком в основание, острые кромки с торцов были сняты на наждачной колонке.

Прежде, чем закручивать в стойку винт, у его головки была проточена канавка, чтобы нихромовая проволока при регулировке не могла произвольно перемещаться, а занимала требуемое положение.

Чтобы проточить в винте канавку, сначала его резьбу нужно защитить от деформации, надев пластиковую трубку или обернуть плотной бумагой. Затем зажать в патроне дрели, включить дрель и приложить узкий надфиль. Через минуту канавка будет готова.

Для исключения провисания нихромовой проволоки из-за удлинения при нагреве, она закреплена к винтам через пружины.

Подходящей оказалась пружина от компьютерного монитора, используемая для натяжения заземляющих проводников на кинескопе. Пружина была длиннее, чем требовалось, пришлось сделать из нее две, для каждой стороны крепления проволоки.

После подготовки всех крепежных деталей можно закреплять нихромовую проволоку. Так как ток при работе потребляется значительный, около 10 А, то для надежного контакта токоподводящего провода с нихромовой проволокой я применил способ крепления скруткой с обжатием. Толщину медного провода при токе 10 А необходимо брать сечением не менее 1,45 мм2. Выбрать сечение провода для подключения нихромовой проволоки можно из таблицы. В моем распоряжении имелся провод сечением около 1 мм2. Поэтому пришлось каждый из проводов сделать из двух сечением 1 мм2, соединенных параллельно.

После снятия изоляции с концов проводов на длину около 20 мм, медные проводники навиваются на струну нихромовой проволочки в месте ее крепления к пружине. Затем, удерживая нихромовую проволочку за петлю плоскогубцами, сделанная обвивка медного провода овивается свободным концом нихромовой в противоположную сторону.

Такой способ соединения токоподводящего медного провода с нихромовым проводом обеспечит большую площадь их контакта и исключит сильный нагрев в месте соединения при работе станка для резки пенопласта. Это подтвердила практика, после продолжительной резки пенопласта, полихлорвиниловая оболочка токоподводящего провода не оплавилась, медный провод в зоне соединения не изменил своего цвета.

Для возможности регулировки толщины резки пенопласта на приспособлении, отвод токоподводящих проводников сделан с петлей. Чтобы провода не мешали при работе, они пропущены через отверстия в основании и закреплены на обратной его стороне скобками. По углам основания прибиты такие же скобки в качестве ножек.

Токоподводящие провода резака, чтобы не запутывались, свиты между собой. На концах проводов для подключения к источнику питания, запаяны накидные клеммы.

Выбор нихромовой проволоки

Нихромовая проволока по внешнему виду мало чем отличается от стальной проволоки, но сделана она из сплава хрома и никеля. Наиболее распространена проволока марки Х20Н80, содержащая 20% хрома и 80% никеля. Однако в отличие от стальной или медной проволоки, нихромовая проволока имеет большее удельное сопротивление и выдерживает, сохраняя, высокую механическую прочность температуру нагрева до 1200˚С. Нихромовая проволока выпускается диаметром от 0,1 мм до 10 мм.

Нихромовая проволока широко используется в качестве нагревательных элементов в бытовых и промышленных изделиях, таких как электрический фен, утюг, электроплитка, лучевые обогреватели, паяльники, водонагреватели и даже в электрочайниках. И это далеко не полный перечень. Так называемые нагреватели типа ТЭН тоже изготовлены из нихромовой проволоки, только спираль размещена в металлической трубке, которая заполнена для изоляции и передаче тепла от спирали к стенкам трубки, кварцевым песком. Привел перечень приборов не случайно, просто из вышедшего из строя нагревательного элемента можно взять нихромовую проволоку для изготовления станка, конечно, если она не успела перегореть от долгой работы.

Резка пенопласта на станке заключается в расплавлении его по линии прохода, разогретой нихромовой проволоки. Температура плавления пенопласта составляет около 270˚С. Чтобы пенопласт плавился при соприкосновении с проволокой, температура ее должна быт в несколько раз больше, так как тепло будет расходоваться не только на плавление, но и за счет теплопроводности поглощаться самим пенопластом, снижая температуру проволоки. Количество поглощаемого пенопластом тепла будет напрямую зависеть от его плотности. Чем плотнее пенопласт, тем больше потребуется тепловой энергии.

Из вышесказанного следует, что в зависимости от плотности пенопласта для его резки необходимо выбирать проволоку соответствующего диаметра, чтобы нихромовая проволока не расплавилась от выделяющегося на ней тепла. Чем выше плотность пенопласта, тем большего диаметра должна быть нихромовая проволока. Стоит заметить, что резаком, на котором установлена проволока для резки плотного пенопласта с успехом будет резаться и неплотный, только продвигать его надо будет быстрее.

Длина нихромовой проволоки для резака выбирается исходя из размеров пластин пенопласта, предназначенного для резки, и от плотности пенопласта не зависит.

В результате продведенных экспериментов, было определено, что для эффективной резки пенопласта мощность, которую необходимо подавать на единицу длины проволоки должна быть в пределах 1,5-2,5 Вт на сантиметр длины проволоки, для такого режим работы лучше всего подходит нихромовая проволока диаметром 0,5-0,8 мм. Она позволяет выделить достаточное количество тепла для быстрой резки пенопласта любой плотности, сохраняя при этом свою механическую прочность. Поэтому для изготовления станка для резки пенопласта была использована нихромовая проволока диаметром 0,8 мм.

Расчет параметров источника электропитания


для нагрева проволоки

Надо отметить, что для разогрева нихромовой проволоки станка для резки пенопласта подойдет источник электропитания как переменного тока, так и постоянного.

С учетом того, что на сантиметре длины проволоки нужно выделять мощность не более 2,5  ватта и длине проволоки 50 см, можно рассчитать мощность источника электропитания. Для этого нужно умножить величину выделяемой мощности на длину проволоки. В результате получается, что для разогрева проволоки станка для резки пенопласт понадобится источник электропитания мощность 125 Вт.

Теперь необходимо определить величину напряжения источника электропитания. Для этого нужно знать сопротивление нихромовой проволоки.

Сопротивление проволоки можно рассчитать по удельному сопротивлению (сопротивлению одного метра проволоки). Удельное сопротивление проволоки из нихрома марки Х20Н80 приведено в таблице. Для других марок нихрома значения отличаются незначительно.

Как видно из таблицы, для проволоки диаметром 0,8 мм удельное сопротивление составляет 2,2 Ом, следовательно, нихромовая проволока длинной 50 см, которая была выбрана для станка резки пенопласта, будет иметь сопротивление 1,1 Ом. Если выбрать проволоку диаметром 0,5 мм, то сопротивление отрезка проволоки длиной 50 см составит 2,8 Ом.

Воспользовавшись преобразованными формулами законов Ома и Джоуля – Ленца, получим формулу для расчета величины питающего напряжения для станка резки пенопласта. Величина питающего напряжения будет равна корню из произведения величины потребляемой мощности и сопротивления проволоки. Для упрощения расчета предлагаю онлайн калькулятор. Он выполняет расчет исходя из того, что на сантиметр длины проволоки необходима мощность 2,5 Вт. Для того, чтобы узнать какой нужен источник питания достаточно ввести в соответствующие поля длину нихоромовой проволоки и ее сопротивление, выбранное из таблицы.

В результате расчетов определено, что для нагрева нихромовой проволоки изготовленного станка необходим источник питания переменного или постоянного тока, выдающий напряжение 11,7 В, и обеспечивающий ток нагрузки 10,7 А, мощностью 125 Вт.

При уменьшении или увеличении длины проволоки, напряжение источника питания необходимо будет пропорционально уменьшить или увеличить соответственно. При этом величина тока не изменится.

Выполненный расчет является оценочным, так как не учтено переходное сопротивление в точках соединения проводов и сопротивление токоподводящих проводников. Поэтому оптимальный режим нагрева проволоки в конечном итоге приходится устанавливать непосредственно при резке пенопласта на приспособлении.

Электрические схемы источника электропитания

Подать питающее напряжение на нихромовую нить станка для резки пенопласта можно с помощью нескольких схем.

Схема с использованием ЛАТР

Наиболее простым вариантом источника электропитания станка для резки пенопласта является автотрансформатор с возможностью плавной регулировки выходного напряжения. Но эта схема имеет существенный недостаток, не имеет гальванической развязки с питающей сетью, так как выход ЛАТРа непосредственно соединен с электросетью. Поэтому при использовании ЛАТРа необходимо его подключать таким образом, чтобы общий провод был подключен к нулевому проводу питающей сети.

Электрическая схема подключения нихромовой спирали к ЛАТРу.

Что такое ЛАТР и как он устроен

Промышленностью выпускаются лабораторные автотрансформаторы, которые принято называть ЛАТР (лабораторный автотрансформатор регулируемый). Они подключаются непосредственно к бытовой электросети 220 В и в зависимости от типа ЛАТРа рассчитаны на различный ток нагрузки.

ЛАТР представляет собой тороидальный трансформатор с одной первичной обмоткой, по виткам которой при вращении расположенной сверху ручки, перемещается графитовое колесико, позволяющее снимать напряжение с любого участка обмотки. Таким способом на выходе ЛАТРа можно изменять напряжение от 0 до 240 В.

Провода к ЛАТРу подсоединяются с помощью клеммной колодки, на которой нарисована его электрическая схема и нанесены надписи «Сеть» и «Нагрузка». К клеммам «Сеть» подсоединяется шнур с вилкой, для подключения к бытовой сети. К клеммам «Нагрузка» подключается изделие, которое нужно запитать напряжением, отличным от бытовой электросети.

Внимание! Один из сетевых проводов, нижние клеммы на фото, соединен непосредственно с одним из проводов нагрузки. Таким образом, если на нижний вывод попадет фаза, то прикосновение к этой цепи может привести к поражению электрическим током.

Поэтому, в случае использования ЛАТРа для нагрева нихромовой проволоки станка резки пенопласта без развязывающего трансформатора, необходимо обязательно индикатором фазы проверить отсутствие фазы на общем проводе. Если на нем фаза, вынуть питающую ЛАТР вилку из розетки и, развернув ее на 180 градусов, опять вставить. Повторно проверить нижний провод на предмет наличия фазы.

Обычно на корпусе ЛАТРа имеется этикетка, на которой приводятся данные по его нагрузочной способности. На ЛАТРе, который изображен на фотографии, этикетка установлена непосредственно на регулировочной ручке.

Из этикетки следует, что это ЛАТР типа ЛОСН, выходное напряжение можно регулировать в диапазоне от 5 до 240 вольт, максимальный ток нагрузки составляет 2 А.

Если расчетный ток не превышает 8 А, то вполне можно запитать нихромовую проволоку через ЛАТР типа РНО 250-2.

Этот ЛАТР позволяет подключать нагрузку с током потребления до 8 А, но учитывая кратковременность работы приспособления для резки пенопласта, вполне выдержит ток нагрузки и 10 А.

Перед использованием ЛАТРа в качестве источника питания, необходимо проверить его работоспособность. Для этого нужно подключить к клеммам «Сеть» ЛАТРа сетевой шнур, а к клеммам «Нагрузка» мультиметр или стрелочный тестер, включенный в режим измерения переменного напряжения, на предел не менее 250 В. Установить ручку регулировки напряжения ЛАТРа в положение минимального напряжения. Вставить вилку в розетку.

Медленно поворачивая ручку ЛАТРа по часовой стрелке убедиться, что выходное напряжение увеличивается. Вернуть ручку ЛАТРа в нулевое положение. Вынуть вилку из сети и подключить провода, идущие от нихромовой нити к клеммам «Нагрузка». Вставить вилку сетевого шнура в розетку и индикатором фазы проверить отсутствие фазы на нихромовой проволоке. Разобравшись с фазой, можно, медленно поворачивая ручку ЛАТРа подать напряжение на нихромовую проволоку. При этом нужно учесть, что проволока нагревается постепенно, в течение нескольких секунд.

Внимание! Категорически запрещается прикасаться к проволоке рукой для проверки степени ее нагрева, когда на нее подано питающее напряжение! Температура проволоки очень высокая и можно получить ожог!

Когда проволока нагреется до чуть заметного свечения, можно приступать к резке пенопласта на станке.

Схема с использованием ЛАТР и понижающего трансформатора

Если величина тока, потребляемого нихромовой проволоки будет больше, чем может обеспечить ЛАТР, то придется дополнительно после него включить понижающий трансформатор по, ниже приведенной электрической схеме.

Как видите, в отличие от предыдущей схемы, к выходу ЛАТРа подключена сетевая обмотка силового трансформатора, нихромовая спираль подсоединена к вторичной выходной обмотке трансформатора. В этой схеме, благодаря развязывающему понижающему трансформатору, нихромовая спираль гальванически не связана с электрической сетью и поэтому безопасна для эксплуатации. В дополнение появилась возможность более плавной регулировки выходного напряжения и следовательно более точной установки температуры резки пенопласта на станке.

Мощность трансформатора и напряжение на его вторичной обмотке берется на основании расчетов, выполненных по выше приведенной методике. Например, для предложенной конструкции станка для резки пенопласта, при диаметре нихромовой проволоки 0,8 мм и длине 50 см, источником электропитания послужил ЛАТР с выходным током 2 А с включенным после него понижающим трансформатором мощностью 150 Вт с напряжением на вторичной обмотке 12 В.

Схема с использованием понижающего трансформатора с отводами вторичной обмотки

Для электропитания нихромовой спирали резака для пенопласта можно применить трансформатор с отводами во вторичной обмотке. Это самый простой, надежный и безопасный вариант, особенно если станок для резки пенопласта будет использоваться регулярно. Ведь при резке пенопласта на приспособлении регулировать температуру нагрева нихромовой проволоки не нужно. Температура подбирается один раз при настройке станка. Поэтому подобрав нужное напряжение, провода от выводов нихромовой проволоки припаиваются к выводам вторичной обмотки трансформатора навсегда.

Несмотря на простоту и надежность этой схемы, стандартных готовых трансформаторов с отводами, да еще и на нужное напряжение нет. Придется найти подходящий трансформатор по напряжению и току на вторичной обмотке и отмотать лишние витки. Можно разобрать трансформатор и отмотав часть вторичной обмотки, намотать ее заново, но уже с отводами. Но эта работа требует знаний и опыта.

Схема с использованием понижающего трансформатора и токоограничивающего конденсатора

Установить стабильный выходной ток с вторичной обмотки трансформатора можно с помощью обыкновенных конденсаторов, включенных в первичную обмотку трансформатора.

Конденсатор должен быть рассчитан на напряжение не менее 300 В и иметь емкость, в зависимости от типа трансформатора и тока потребления нихромовой спиралью, порядка 50 мкФ. На таком принципе стабилизации тока на вторичной обмотке мной разработана Схема зарядного устройства для автомобильных аккумуляторов. Трансформатор должен быть соответствующей мощности и иметь 10% запас по напряжению.

Схема с использованием понижающего трансформатора и тиристорного регулятора мощности

Еще одна, несколько необычная схема регулятора температуры нагрева нихромовой проволоки, с помощью тиристора. Она подобна регулировке с помощью ЛАТРа с трансформатором, но малогабаритная. Классическая схема тиристорного регулятора для этой схемы не подходит, так как искажает форму синусоидального тока.

Поэтому необходима специальная схема тиристорного регулятора, выдающая на выходе синусоидальный сигнал и рассчитанная на работу с индуктивной нагрузкой.

Возможно включение тиристорного регулятора также после вторичной обмотки трансформатора. В данном случае при выборе схемы регулятора следует учесть, что он должен быть рассчитан на ток, который необходим для разогрева нихромовой проволоки.

Схема с использованием любых электроприборов

Если ни одна из выше приведенных электрических схем разогрева нихромовой проволоки для приспособления резки пенопласта не может быть реализована, то предлагаю нестандартную схему ее разогрева.

При подключении любого электроприбора, он потребляет из электросети ток. Величина тока напрямую зависит от мощности электроприбора. Чем больше мощность, тем больше будет течь по проводам ток. Сопротивление куска нихромовой проволоки станка для резки пенопласта чуть больше сопротивления медных проводов и, следовательно, включение станка в разрыв одного из проводов электроприбора на работе его не скажется, а нихромовая проволока будет нагреваться. Этим и можно воспользоваться.

При использовании подключения станка для резки пенопласта по этой схеме, обязательно нужно проследить, чтобы нихромовой провод не был подключен непосредственно к фазному проводу электросети. Физически подключение лучше всего выполнить с помощью переходника, наподобие того, который описан для измерения силы тока потребления.

Подходят для работы в схеме электроприборы непрерывного действия, например обогреватель, пылесос. Оценить, какой ток потребляют электроприборы можно по таблице на странице сайта «Выбор сечения провода кабеля для электропроводки».

Если не известны электрические параметры нихромовой проволоки, то нужно сначала попробовать подключить маломощный электроприбор, например электрическую лампочку 200 Вт (потечет ток около 1 А), далее обогреватель на 1 кВт (4,5 А), и так увеличивать мощность подключаемых приборов, пока нихромовая проволока резака не нагреется до нужной температуры. Электроприборы можно подключать и параллельно.

К недостаткам последней схемы подключения нихромовой спирали следует отнести необходимость определения фазы для правильного подключения и низкий КПД (коэффициент полезного действия), киловатты электроэнергии будут расходоваться бесполезно.


Николай 07.05.2014

Здравствуйте, уважаемый Александр Николаевич!
Меня интересует вопрос резки пенополистирола. Пересмотрев гору информации, остановился на Вашем сайте. У Вас собрана, пожалуй, самая полная и исчерпывающая информация по интересующему меня вопросу.
Хотел бы обратиться к Вам со своим вопросом. Возможно ли использование в качестве источника питания вместо ЛАТРа или понижающего трансформатора, автомобильного зарядного устройства (с регулятором зарядного тока) заводского изготовления?
Заранее благодарю за уделенное мне время! Спасибо за объёмный, информативный сайт! С уважением Николай!

Александр

Уважаемый Николай! Спасибо за добрые слова.
Технически вполне возможно. Зарядное устройство если у него имеется регулятор тока испортить, подключая нихромовую проволоку невозможно. Но тут могут возникнуть трудности. Если зарядное устройство имеет автоматику, то оно может просто не заработать, считая, что аккумулятор не подключен.
Нужно просто попробовать, предварительно установив в ЗУ минимальный ток заряда и подключить к его выходным клеммам требуемой длины и диаметра нихромовую нить. Включить ЗУ и понемногу увеличивать ток пока нить не разогреется до нужной температуры.
Если нить будет разогреваться, но температура не достигнет требуемой, значит, мощности ЗУ не хватает, либо недостаточной величины ток или не хватает напряжения. В случае если не хватает напряжения то, можно либо укоротить длину нити, если это возможно или взять нихром большего диаметра.

Алексей 14.02.2015

Здравствуйте, Александр Николаевич!
Прочитал довольно содержательную и полезную статью по изготовлению станка для резки пенопласта, очень благодарен Вам за предоставленную информацию!
У меня возник вопрос, как рассчитать параметры источника электропитания для нагрева сразу 2-х струн проволоки (для резки пенопласта сразу на несколько заданных размеров), проволока толщиной 1 мм и длина каждой струны 1,5 м и можно ли использовать для такого подключения (2-х струн одновременно) предложенную Вами схему подключения с использованием ЛАТРа и понижающего трансформатора?
Спасибо, с уважением Алексей!

Александр

Здравствуйте Алексей! Я рад, что статьи сайта приносят пользу людям. Спасибо за добрые слова.
Резать сразу двумя струнами можно используя один ЛАТР и один понижающий трансформатор. Нихромовую проволоку лучше не разрезать на две части, а сделать петлю, так ток будет меньше и контактов всего два. То есть нихромовая проволока закрепляется на стойке с пружиной, далее идет над столом на высоте первого реза, на противоположной стороне закрепляется на одной стойке на такой же высоте. Рядом можно установить вторую стойку, чтобы закрепить струну при повороте на следующей высоте. Далее струна возвращается в исходное место, и крепиться через пружину за еще одну стойку. Таким образом, общая длина струны составит 3 м.
По оценочному расчету для нагрева нихромовой проволоки диаметром 1 мм, длиной 3 м, понадобиться мощность 750 Вт (напряжение около 56 В и ток 13 А). При параллельном соединении двух отрезков по 1,5 м ток нужен будет 26 А при напряжении 28 В. Трансформатор понадобиться мощностью, как Вы уже поняли 750 Вт. ЛАТР понадобится на ток не менее 3 А.

Виктор 04.02.2021

Здравствуйте, Александр Николаевич!
Вопрос по станку для резки пенопласта и иже с ним. Могу ли я в качестве ЛАТРа использовать сварочный аппарат инверторного типа. Есть несколько видео в ЮТубе, где народ его применяет. Однако они устанавливают ток 40 А имея проволоку диаметром 0,9-1,0 мм.
У меня будет использоваться нихромовая проволока (диаметр прошу вас подсказать) длиной порядка 1,2 метра (для резки пенопласта шириной 1 метр).
Заранее благодарен за ответ и совет.
С уважением, Виктор.

Александр

Здравствуйте, Виктор!
Сварочный аппарат инверторного типа прекрасно обеспечит нагрев нихромовой нити для резки пенопласта. Но он не должен иметь функцию защиты от короткого замыкания AntiStik, или иметься возможность ее отключения, так как будет срабатывать защита и ток не потечет.
Диаметр проволоки нужно брать 0,9-1,0 мм, и если в инверторе нет возможности регулировать величину тока плавно, то придется, нагрев нити регулировать, подбирая ее длину.
Поэтому лучше всего взять инвертор без функции AntiStik и с возможностью плавной регулировки величины тока, например, сварочный аппарат инвертор РЕСАНТА САИ-160К.

Лень и прокрастинация: чем они отличаются и почему их не следует путать

Некоторые до сих пор уверены, что прокрастинация — это просто новомодный эвфемизм для слова «лень». Мол, высказывание «я лентяй» — звучит унизительно и имеет откровенно негативный оттенок. А вот «я прокрастинатор» — это стильно, современно, загадочно и почти не характеризует человека с отрицательной стороны.

На самом деле, несмотря на некоторую схожесть, лень и прокрастинация — это два принципиально разных явления. Они вызваны разными причинами, по-разному действуют, да и бороться с ними нужно по-разному.

В этой статье мы попробуем выяснить, чем лень отличается от прокрастинации, что у них общего и почему не нужно путать эти понятия.

Основное отличие

Для начала давайте разберемся с «классическими» определениями лени и прокрастинации, а также с их внешними проявлениями. Итак:

Лень — это пассивное нежелание что-либо делать. То есть, человек ничего не делает просто потому, что не хочет (или хочет недостаточно сильно).

Ситуация № 1. Предположим, некому сотруднику нужно написать некий отчет. Задача кажется ему до отвращения скучной, а сами отчеты никто и никогда не читает. Раз в месяц руководство для порядка «пинает» сотрудника по поводу этой задачи, но особого энтузиазма тоже не проявляет. Вполне естественно, что у сотрудника нет ни малейшего желания этим заниматься. То есть, ему просто лень писать отчет.

Чаще всего лень объясняется недостатком мотивации и несоответствием задачи внутренним потребностям человека (например, мать заставляет ребенка делать уроки, а он хочет гулять). Впрочем, нередко лень возникает из-за различных проблем со здоровьем: переутомления, недосыпания или каких-нибудь заболеваний вроде нарушения работы щитовидной железы.

В отличие от лени, прокрастинация — это не пассивное, а активное состояние. Человек осознает важность стоящей перед ним задачи. Он хочет ее выполнить. Он даже собирается ее выполнить. Но…

Но при этом он под любым предлогом пытается эту задачу отложить. Вместо нее он начинает заниматься посторонними или менее важными вещами: просмотром роликов в интернете, общением в социальных сетях или наведением порядка в комнате.

Ситуация № 2. Все то же самое: сотруднику нужно писать отчет. На этот раз отчет действительно важен, а руководство действительно будет его читать. И сотрудник собирается его написать. Но чуть позже: ему предварительно нужно выпить кофе, проверить корпоративную почту, разложить пасьянс (чтобы собраться с мыслями) и обсудить задачу с коллегами. В итоге он приступает к отчету лишь в самом конце рабочего дня.

В обеих ситуациях результат один и тот же: работа не делается. Но в первом случае человек просто не хотел ничего делать и не делал. А во втором случае человек вроде бы и хотел что-то сделать, но почему-то так и не смог.

Где происходит сбой

В какие моменты лень и прокрастинация и «нападают» на человека? Ирландские психологи Таня ван Эссен и Хенри Шувенбур в своей книге «Прокрастинация: первая помощь» предложили очень наглядное объяснение механизмов их работы.

Представим, что процесс перехода от постановки задачи к ее выполнению в нормальных ситуациях состоит из следующих этапов:

Человек, подверженный лени, не хочет выполнять задачу и пока не собирается ее выполнять. Поэтому эта схема у него будет выглядеть так:

Ситуация № 1. Человек замечает, что в его комнате грязное окно и его не мешало бы помыть (этапы, А и B). Он морщится и отворачивается: он пока не планирует ничего с этим делать (откладывает этап С). В конце концов, он ведь до этого как-то жил с таким окном?

В отличие от лентяя, прокрастинатор собирается выполнить задачу (то есть, он благополучно проходит этап C), но к самой работе так и не приступает. Его схема будет выглядеть так:

Ситуация № 2. Человек видит, что в его комнате грязное окно (этапы, А и B). Он морщится, записывает в органайзер «Помыть окно» и ставит эту задачу на завтра (этап C). Завтра он переносит эту задачу на послезавтра, потом на послепослезавтра и так продолжается n-е количество раз.

Как мы видим, и в том, и в другом случае происходит какое-то откладывание. Но в случае с ленью человек откладывает процесс принятия решения по задаче, а в случае с прокрастинацией — работу над ней.

Причины появления

И лень, и прокрастинация возникают из-за проблем с мотивацией. Однако сами эти проблемы носит принципиально разный характер.

В нормальной ситуации мотивация работает очень просто: у человека возникает некий мотив (т. е. желание или потребность), который подталкивает его к действию.

Причина лени — недостаток мотивации или ее отсутствие. При этом у человека могут быть какие-то желания, но их силы не достаточно, чтобы сдвинуться с «мертвой точки» и начать действовать. Вот что происходит с мотивацией у него:

Желания человека, подверженного лени, — это желания из серии «а неплохо было бы». Например:

  • Он хочет иметь спортивное тело, но не настолько, чтобы заниматься спортом.
  • Он хочет виртуозно играть на гитаре, но не настолько, чтобы ежедневно репетировать.
  • Он хочет больше зарабатывать, но не настолько, чтобы предпринимать ради этого какие-то действия и т. д.

С прокрастинацией все намного сложнее. Ее причина — это конфликт мотиваций (как правило, внутренней и внешней мотивации). Схематически это можно изобразить так:

У человека, подверженного прокрастинации, есть и причины действовать, и даже желание действовать (у него есть сильный мотив, способный подтолкнуть к действию). Вся беда в том, что это желание вступает в противоречие с другими желаниями и потребностями. Например:

  • Он хочет бегать по утрам, чтобы иметь спортивную фигуру, НО он не хочет вставать ни свет ни заря и бежать в промозглое утро.
  • Он хочет написать отчет, чтобы сохранять статус хорошего сотрудника (или избежать нагоняя от начальства), НО это слишком неприятное занятие.
  • Он хочет сделать генеральную уборку в квартире, чтобы не было стыдно перед гостями, НО боится объема предстоящей работы.
  • Он хочет прямо сейчас писать статью, НО в то же время хочет «на минутку» заглянуть в чат.

То есть, в обоих случаях речь идет о мотивации. Но в первом случае ее слишком мало (или нет совсем), а во втором случае наоборот: мотивов много и они противоречат друг другу.

Проблемы и последствия

Проблемы, которые вызывают лень и прокрастинация, тоже различаются.

Прокрастинация — это болезненное и неприятное состояние. Прокрастинатор отлично понимает, что стоящие перед ним задачи нужно выполнить, но не выполняет их. Из-за этого он испытывает целый «букет» негативных эмоций:

  • Напряжение и тревогу («Зачем я опять полез в социальную сеть? Мне же нужно работать!»).
  • Стресс («Дедлайны горят, а я…»).
  • Чувство вины («Я опять ничего не сделал…»).

К тому же прокрастинатор, как ни странно, устает. Да, он не делает того, что нужно. Но при этом он активно занимается посторонними вещами и испытывает внутреннее напряжение. В результате он теряет энергию точно так же, как если бы он по-настоящему работал.

А вот лень не является болезненным состоянием (даже скорее наоборот). Человек не тревожится, не переживает и не испытывает чувства вины, поскольку он и не собирался ничего делать.

При этом лентяй расслаблен и не теряет напрасно энергию. Ведь в отличие от прокрастинатора, он не пытается заменить выполнение задачи каким-нибудь суррогатом (социальными сетями, ненужной уборкой и т. д.).

Неприятные чувства у лентяя могут возникнуть уже потом, спустя некоторое время. Например, через несколько лет он может вдруг спохватиться:

— На что я потратил свою жизнь?!

Но это не обязательно. Чаще всего он винит в своих проблемах окружающих («если бы не родители») или обстоятельства («если бы я только родился в другой стране»). Впрочем, это тема для отдельного разговора.

Итак, прокрастинация — это неприятное состояние, а лень обычно не вызывает негативных эмоций. Однако последствия у них могут быть очень похожими. В обоих случаях человек уклоняется от важных дел, поэтому часто наживает неприятности и упускает благоприятные возможности.

Методы борьбы

Вполне естественно, что раз проблемы вызваны разными причинами, то и решать их нужно по-разному. Борьба с ленью и прокрастинацией — это очень обширная тема, поэтому сейчас мы рассмотрим лишь самые-самые общие принципы.

Основной способ борьбы с ленью — это создание сильной мотивации, которая способна подтолкнуть человека к действию. Здесь есть два пути:

1. Усилить свои желания от «неплохо было бы» до нормального «хочу». Здесь годятся любые средства: мотивирующие книги и фильмы, создание искусственной мотивации (например, дать публичное обещание), создание подходящей среды и т. д.

Типичная история: у мужчины лишний вес, который на протяжении многих лет доставляет ему различные неудобства. Он ничего не предпринимает: его желание похудеть недостаточно сильное, чтобы начать действовать. Но однажды он влюбляется, после чего скидывает сразу 70 кг за год.

2. Найти свои истинные желания и цели, которые будут по-настоящему мотивировать. Часто причина лени заключается просто в том, что человек пытается заниматься не своим делом.

Типичная история: молодой человек по настоянию родителей поступает в экономический вуз. Через год его отчисляют оттуда из-за «хронической лени». После этого он поступает в институт культуры на худграф и заканчивает его с красным дипломом.

С прокрастинацией все гораздо сложнее. Здесь простое усиление мотивации может ничего не дать, а к каждому случаю зачастую требуются индивидуальный подход. В целом методы борьбы с прокрастинацией сводятся к тому, чтобы распутать клубок противоречащих друг другу мотиваций и перейти к нормальной работе.

Существуют десятки (если не сотни) способов борьбы с прокрастинацией. Условно их можно разделить на две группы:

  • Технические, которые просто направляют прокрастинатора в «нужное русло». Сюда относятся жесткое расписание (которое не оставляет человеку выбора), метод швейцарского сыра, борьба с отвлечениями, правильная формулировка задач, техника Pomodoro и т. д.
  • Психологические, которые помогают восстановить механизм мотивации, то есть ослабить ненужные мотивы и усилить нужные. Сюда относятся: анализ причин прокрастинации, геймификация, использование состояния потока, различные психологические трюки (вроде эффекта Зейгарник). Также очень важную роль играет решение внутренних проблем: развитие уверенности в себе, поиск своих истинных целей, борьба со страхами и комплексами.

Напоследок заметим, что универсальным способом борьбы и с ленью, и с прокрастинацией является развитие самодисциплины, то есть способности действовать вопреки сиюминутным желаниям и потребностям.

Заключение

Давайте теперь подведем итог. Итак: прокрастинация — это лень? Однозначно нет.

Да, между этим этими явлениями есть некоторые сходства. Например:

  • В обоих случаях человек ничего не делает.
  • В обоих случаях проблема кроется в области мотивации.
  • И то и другое приводит к неприятностям.

Однако различий между ленью и прокрастинацией существует гораздо больше. Резюмируем их в небольшой табличке:

ЛеньПрокрастинация
Человек не собирается работать и не работаетЧеловек собирается работать, но не работает
Пассивное неделаниеАктивное состояние: человек занимается другими делами
Откладывается решение приступить к работеОткладывается сама работа
Причина: отсутствие или недостаток мотивацииПричина: конфликт мотиваций
Безболезненное состояниеНегативные эмоции: тревога, стресс, чувство вины
Энергия не расходуетсяРасход энергии, усталость
Методы борьбы: поиск или создание сильной мотивацииМетоды борьбы: самоанализ, комплекс психологических и технических мер


Различать лень и прокрастинацию важно потому, что от этого зависит алгоритм дальнейших действий. Если мы имеем дело с ленью, нам следует озаботиться методами самомотивации и правильным целеполаганием. Если же мы столкнулись с прокрастинацией, нам следует проанализировать ситуацию и пересмотреть свои подходы к работе.

Поделиться:

Что это за слово? Используйте Word Type, чтобы узнать!

К сожалению, с текущей базой данных, в которой работает этот сайт, у меня нет данных о том, какие значения термина ~ используются чаще всего. У меня есть идеи, как это исправить, но мне нужно найти источник “чувственных” частот. Надеюсь, приведенной выше информации достаточно, чтобы помочь вам понять часть речи ~ term ~ и угадать его наиболее распространенное использование.

Тип слова

Для тех, кто интересуется небольшой информацией об этом сайте: это побочный проект, который я разработал во время работы над описанием слов и связанных слов.Оба этих проекта основаны на словах, но преследуют гораздо более грандиозные цели. У меня была идея для веб-сайта, который просто объясняет типы слов в словах, которые вы ищете – точно так же, как словарь, но сосредоточенный на части речи слов. И так как у меня уже была большая часть инфраструктуры с двух других сайтов, я подумал, что для ее запуска и работы не потребуется много работы.

Словарь основан на замечательном проекте Wiktionary от Викимедиа.Сначала я начал с WordNet, но затем понял, что в нем не хватает многих типов слов / лемм (определителей, местоимений, сокращений и многого другого). Это заставило меня исследовать словарь Вебстера издания 1913 года, который сейчас находится в открытом доступе. Однако после целого дня работы над его переносом в базу данных я понял, что было слишком много ошибок (особенно с тегами части речи), чтобы это было жизнеспособным для Word Type.

Наконец, я вернулся к Викисловарь, о котором я уже знал, но избегал, потому что он неправильно структурирован для синтаксического анализа.Именно тогда я наткнулся на проект UBY – удивительный проект, который требует большего признания. Исследователи проанализировали весь Викисловарь и другие источники и собрали все в один унифицированный ресурс. Я просто извлек записи из Викисловаря и закинул их в этот интерфейс! Так что работы потребовалось немного больше, чем ожидалось, но я рад, что продолжил работать после пары первых промахов.

Особая благодарность разработчикам открытого исходного кода, который использовался в этом проекте: проекту UBY (упомянутому выше), @mongodb и express.js.

В настоящее время это основано на версии викисловаря, которой несколько лет. Я планирую в ближайшее время обновить его до более новой версии, и это обновление должно внести множество новых смысловых значений для многих слов (или, точнее, леммы).

связанных слов – поиск слов, связанных с другим словом

Как вы, наверное, заметили, слова, относящиеся к “термину”, перечислены выше. Надеюсь, сгенерированный список слов, связанных с терминами, соответствует вашим потребностям.

П.С. Есть некоторые проблемы, о которых я знаю, но в настоящее время не могу их исправить (потому что они выходят за рамки этого проекта). Главный из них заключается в том, что отдельные слова могут иметь много разных значений (значений), поэтому, когда вы ищете такое слово, как , означает , движок не знает, к какому определению вы имеете в виду («хулиганы означают » vs . “что вы означает ?” и т. д.), поэтому учтите, что ваш поисковый запрос для таких слов, как термин, может быть немного неоднозначным для движка в этом смысле, и соответствующие термины, которые возвращаются, могут отражать это.Вам также может быть интересно: что за слово ~ термин ~?

Также проверьте слова ~ term ~ на relatedwords.io, чтобы найти еще один источник ассоциаций.

Связанные слова

Related Words работает по нескольким различным алгоритмам, которые соревнуются за повышение своих результатов в списке. Один из таких алгоритмов использует встраивание слов для преобразования слов в многомерные векторы, которые представляют их значения. Векторы слов в вашем запросе сравниваются с огромной базой данных предварительно вычисленных векторов, чтобы найти похожие слова.Другой алгоритм просматривает Concept Net в поисках слов, которые имеют какое-то значимое отношение к вашему запросу. Эти и некоторые другие алгоритмы позволяют «Родственным словам» давать вам … связанных слов, а не просто прямые синонимы.

Помимо поиска слов, связанных с другими словами, вы можете вводить фразы, и он должен давать вам связанные слова и фразы, если введенная фраза / предложение не слишком длинное. Вы, вероятно, время от времени будете получать какие-то странные результаты – это просто природа движка в его текущем состоянии.

Особая благодарность разработчикам открытого исходного кода, который был использован для предоставления вам этого списка тематических слов: @Planeshifter, @HubSpot, Concept Net, WordNet и @mongodb.

Еще предстоит проделать большую работу, чтобы добиться стабильно хороших результатов, но я думаю, что это на той стадии, когда это может быть полезно для людей, поэтому я выпустил его.

Обратите внимание, что «Связанные слова» используют сторонние скрипты (такие как Google Analytics и рекламные объявления), которые используют файлы cookie.Чтобы узнать больше, см. Политику конфиденциальности.

примитивов для выражения итерационных ленивых алгоритмов

SRFI 45: примитивы для выражения итеративных ленивых алгоритмов Примитивы для выражения итеративных ленивых алгоритмов Андре ван Тондер

Этот SRFI в настоящее время имеет статус final . Вот объяснение каждого статуса, который может иметь SRFI. Чтобы внести свой вклад в этот SRFI, отправьте электронное письмо на адрес srfi-45 @ nospamsrfi.schemers.org . Чтобы подписаться на список, следуйте этим инструкциям. Вы можете получить доступ к предыдущим сообщениям через архив списка рассылки.

  • Поступила: 20.09.2003
  • Проект: 2003-09-23-2003-12-23
  • Исправлено: 20 декабря 2003 г.
  • Исправлено: 2004-03-06
  • Финал: 2004-04-05
  • Исправление ошибки: 2004-08-04
Ленивое вычисление традиционно моделируется в схеме с использованием задержка и принудительная .Однако эти примитивы недостаточно сильны, чтобы выразить большой класс ленивых алгоритмов, которые являются итеративными. Действительно, фольклор в сообществе Схемы типичные итерационные ленивые алгоритмы, написанные с использованием задержка и сила будет часто требуют неограниченной памяти.

Хотя различные модификации задерживают и force было предложено решить эту проблему (см., Например, Список обсуждения SRFI-40 ) все они не соответствуют некоторым критериям, приведенным ниже.Насколько нам известно, текущий SRFI обеспечивает первое исчерпывающее решение этой проблемы.

В качестве мотивации сначала объясним, как обычное ленивое кодирование с использованием только задержки и сила нарушит итеративное поведение типичного алгоритмы, которые были бы правильно рекурсивными на истинно ленивом языке, в результате чего вычисления требуют неограниченной памяти.

Затем проблема решается вводим набор из трех операций:

    { ленивый ,  задержка ,  форс }
 
которые позволяют программисту лаконично выражать ленивые алгоритмы, в то время как сохранение поведения ограниченного пространства в случаях, которые являются хвостовой рекурсией.Генерал дается рецепт использования этих примитивов. Дополнительная процедура {eager} предназначен для строительства нетерпеливые обещания в тех случаях, когда важна эффективность.

Хотя этот SRFI переопределяет задержку и принудительную , расширение является консервативным в том смысле, что семантика подмножества { delay , force } в изоляция (т.е. пока программа не использует ленивый ) согласен с этим в R5RS.Другими словами, ни одна программа, использующая Определения задержки и силы R5RS будут нарушены, если эти определения заменены определениями задержки и силы из SRFI-45.

Wadler et al. в газете Как добавить лени к строгому языку, даже не будучи лишним [Wad98], предоставьте простой рецепт преобразования произвольных ленивых структур данных и алгоритмов на строгий язык, используя delay и force .

Однако известно (см. E.грамм. список обсуждения SRFI-40), что это преобразование может привести к программам, которые страдают от неограниченного пространства потребления, даже если исходный ленивый алгоритм был должным образом хвостовой рекурсией.

Пример

Рассмотрим следующую процедуру, написанную гипотетическим ленивым языком. язык с синтаксисом схемы:
(определить (поток-фильтр p? s)
  (если (ноль? s) '()
      (пусть ((h (car s))
            (t (cdr s)))
        (если (п? ч)
            (cons h (поток-фильтр p? t))
            (поток-фильтр п? т)))))
 
Согласно преобразованию, предложенному в [Wad98], этот алгоритм может быть представлен следующим образом на схеме:
(определить (поток-фильтр p? s)
  (задержка (сила
          (если (null? (force s)) (delay '())
              (пусть ((h (автомобиль (force s)))
                    (t (cdr (сила с))))
                (если (п? ч)
                    (задержка (cons h (поток-фильтр p? t)))
                    (поток-фильтр п? т)))))))
 
Рецепт , который мы изменим ниже , выглядит следующим образом:
  • оберните все конструкторы (например,g., '() , против ) с задержкой ,
  • применить force к аргументам деконструкторов (например, car , cdr и null? ),
  • обернуть тела процедуры с помощью (задержка (сила ...)) .

Однако, оценивая следующее с достаточной ценностью для большое число вызовет типичную схему реализации, чтобы исчерпать память, несмотря на то, что исходный (ленивый) алгоритм был итеративным, требовались только хвостовые вызовы для оценки первый элемент потока результатов.

(определить (от n)
  (задержка (cons n (от (+ n 1)))))

(определите большое число 1000000000)

(car (force (stream-filter (lambda (n) (= n большое число))
                           (из 0))))
 

Почему происходит утечка пространства

Проблема, возникающая в приведенном выше stream-filter пример уже можно можно увидеть в следующем простом бесконечном цикле, выраженном в нашем гипотетическом ленивом язык как:
(определить (цикл) (цикл))
 
который становится, согласно преобразованию [Wad98]
(определить (цикл) (задержка (сила (цикл))))
 
Принимая семантику { delay , force } быть неформально:
  (force (delay expr)) = обновить обещание: (delay expr)
                           со значением expr
                         возвращаемое значение в обещании
 
мы получаем
  (force (loop)) = обновить обещание1: (delay (force (loop)))
                     со значением (сила (цикл))
                   возвращаемое значение в обещании1
                 = обновить обещание1: (задержка (сила (цикл)))
                     со стоимостью
                       обновить обещание2: (задержка (сила (цикл)))
                         со значением (сила (цикл))
                       возвращаемое значение в обещании2
                   возвращаемое значение в обещании1
                 = обновить обещание1: (задержка (сила (цикл)))
                     со стоимостью
                       обновить обещание2: (задержка (сила (цикл)))
                         со стоимостью
                            обновить обещание3: (задержка (сила (цикл)))
                              со значением (сила (цикл))
                            возвращаемое значение в обещании3
                       возвращаемое значение в обещании2
                   возвращаемое значение в обещании1
                 знак равно..
 
Мы видим, что постоянно растущая последовательность ожидающих выполнения обещаний накапливается до тех пор, пока не будет скопирована куча. истощен.

Почему это не по запросу

Выражение вышеуказанного алгоритма в терминах { delay , force } фактически не отражает общепринятые представления о Семантика оценки по запросу. Например, на языке по запросу с семантикой упрощенного графа приведенный выше алгоритм будет работать в ограниченном пространстве, поскольку наивная редукция графа, как известно, безопасный хвост.Для подробного обсуждения этого вопроса см., Например, Р. Джонс – Хвостовая рекурсия без пробелов [Jon98].

Нашу задачу можно рассматривать как аналог редукции графа, с обещаниями, соответствующими узлам графа и сила соответствует уменьшению. По описанию Джонса, нужно быть осторожным с порядок, в котором узлы оцениваются и перезаписываются, чтобы избежать пробелов утечки. В нашем контексте это соответствовало бы порядку, в котором обещания оцениваются и перезаписываются при принудительном выполнении.

В приведенном выше примере сокращение наивного графа будет соответствовать обещание в корне перезаписывается на каждом шаге с до оценивается следующая итерация, что позволяет избежать необходимости увеличивать последовательность невыполненных обещаний, представляющих (ненужное) будущее операции копирования.

Решение

Накопление ненужных обещаний в приведенных выше примерах является следствием принудительных приостановок во все более и более вложенных контекстах. Чтобы правильно моделировать упрощение наивного графа вместо этого мы должны найти способ принудительного включения хвостовой подвески итеративно , каждый раз перезаписывая предыдущий результат.

Решение этой проблемы существует и описано (в другом контексте) в Компиляция языков высшего порядка в полностью хвосторекурсивный переносимый C – Feely et al. [Плата97]. Эта ссылка представляет метод широко известна как батутная техника для оценки хвостовые контексты итеративно.

Адаптируя технику прыжков на батуте к ситуации, мы представьте новый примитив lazy , который ведет себя как «атомный» (задержка (сила...)) , и который будет заменить комбинацию (задержка (сила ...)) в процедуре точки входа. Мы тоже переопределите delay и force , как показано ниже:

; введите Promise a = lazy (Promise a) | жаждущий

(определение-синтаксис ленивый
  (правила синтаксиса ()
    ((ленивый опыт)
     (коробка (минусы 'ленивый (лямбда () ехр))))))

(определить (нетерпеливо x)
  (box (cons 'eager x)))

(задержка определения синтаксиса
  (правила синтаксиса ()
    ((задержка опыта) (ленивый (нетерпеливый опыт)))))

(определить (принудительное обещание)
  (пусть ((содержание (обещание распаковать)))
    (кейс (содержание автомобиля)
      ((нетерпеливо) (содержимое компакт-диска))
      ((ленивый) (пусть * ((обещание * ((cdr content)))
                      (контент (обещание распаковать))); *
                 (if (not (eqv? (car content) 'eager)); *
                     (begin (set-car! content (car (unbox обещание *)))
                            (set-cdr! content (cdr (unbox обещание *)))
                            (набор! обещание * содержание)))
                 (принудительное обещание))))))

(*) Эти две строки повторно выбираются и проверяют исходное обещание на случай, если
    первая строка let * вызвала его принудительное выполнение.Для примера
    где это происходит, см. тест повторной входимости 3 ниже.

(определить (поле x) (список x))
(определить распакованный автомобиль)
(определите set-box! set-car!)
 
Затем кодируется наш пример (см. Полный рецепт ниже)
  (определить (цикл) (ленивый (цикл)))
 
Когда мы теперь оцениваем (сила (цикл)) , процедура force выполнит цикл верхнего уровня который будет итеративно оценивать и перезаписывать последующие подвески.

На языке [Fee97], итерационный цикл в force играет роль “диспетчер”.Форма lazy отмечает «контрольные точки» (ввод процедуры и точки возврата). Этот метод безопасен, потому что ленивые процедуры вместо вызова другие ленивые процедуры напрямую, просто верните приостановка, представляющая контрольную точку, которая будет вызвана на следующей итерации диспетчерского шлейфа в силах . Для получения дополнительной информации см. [FMRW].

Должны быть предоставлены следующие макросы. Семантика, которая неформально описанный здесь, должен соответствовать эталонной реализации ниже:
  • (выражение задержки) : Принимает выражение произвольного типа a и возвращает обещание типа (Promise a) который в какой-то момент в будущем может быть запрошен (по силовой процедуре) чтобы оценить выражение и передать полученное значение.
  • (ленивое выражение) : Принимает выражение типа (Promise a) и возвращает обещание типа (Promise a) который в какой-то момент в будущем может быть запрошен (по силовой процедуре) чтобы оценить выражение и выполнить полученное обещание.
Должны быть предусмотрены следующие процедуры: Следующие правила редукции могут быть полезны при рассуждении о эти примитивы. Однако они не выражают мемоизации и использование памяти семантика, указанная выше:
  (сила (выражение задержки)) -> выражение
  (сила (ленивое выражение)) -> (выражение силы)
  (сила (нетерпеливое значение)) -> значение
 

Типизацию можно кратко выразить следующим образом:


    введите Promise a = lazy (Promise a) | жаждущий
    
           выражение: a
    ------------------------------
    (нетерпеливое выражение): Обещай
    
           выражение: Обещай
    ------------------------------
    (ленивое выражение): Обещай

           выражение: a
    ------------------------------
    (выражение задержки): Обещай

           выражение: Обещай
    ------------------------------
    (выражение силы): a

 

Хотя этот SRFI определяет расширение семантики force , расширение является консервативным в том смысле, что семантика подмножества { delay , force } в изоляция (т.е., пока программа не использует ленивый ) согласен с этим в R5RS.

Теперь мы дадим общую рецепт использования примитивов
    { ленивый ,  задержка ,  форс }
 
для выражения ленивых алгоритмов в Scheme. Преобразование лучше всего описать на примере: снова алгоритм потокового фильтра, выраженный на гипотетическом ленивом языке в качестве
(определить (поток-фильтр p? s)
  (если (ноль? s) '()
      (пусть ((h (car s))
            (t (cdr s)))
        (если (п? ч)
            (cons h (поток-фильтр p? t))
            (поток-фильтр п? т)))))
 
Этот алгоритм может быть выражен следующим образом на схеме:
(определить (поток-фильтр p? s)
  (ленивый
     (если (null? (force s)) (delay '())
         (пусть ((h (автомобиль (force s)))
               (t (cdr (сила с))))
           (если (п? ч)
               (задержка (cons h (поток-фильтр p? t)))
               (поток-фильтр п? т))))))
 
Другими словами, мы
  • оберните все конструкторы (например,g., '(), cons ) с задержкой ,
  • применить force к аргументам деконструкторов (например, car , cdr и null? ),
  • обернуть тело процедуры с помощью (ленивый ...) .
Единственное отличие от описанного выше преобразования [Wad98] – при замене комбинации (задержка (сила ...)) на (ленивый ...) в третьем правиле.

Дополнительные примеры включены в эталонную реализацию ниже.

Эталонная реализация использует макрос механизм R5RS. Он не использует никаких других SRFI или библиотек.

Предоставляется набор тестов. Они проверяют некоторые частные случаи определенного механизма. в этом СРФИ. Чтобы запустить их, пользователю понадобится доступ к какому-то способу проверки использования памяти алгоритмами во время выполнения, и метрика, не указанная здесь, для определения того, использование ограничено. Тест утечки пройден, если использование памяти ограничен.Сдача тестов не означает правильной реализации.

Эталонная реализация

; ================================================= ========================
; Коробки

(определить (поле x) (список x))
(определить распакованный автомобиль)
(определите set-box! set-car!)

; ================================================= ========================
; Примитивы для ленивых вычислений:

(определение-синтаксис ленивый
  (правила синтаксиса ()
    ((ленивый опыт)
     (коробка (минусы 'ленивый (лямбда () ехр))))))

(определить (нетерпеливо x)
  (box (cons 'eager x)))

(задержка определения синтаксиса
  (правила синтаксиса ()
    ((задержка опыта) (ленивый (нетерпеливый опыт)))))

(определить (принудительное обещание)
  (пусть ((содержание (обещание распаковать)))
    (кейс (содержание автомобиля)
      ((нетерпеливо) (содержимое компакт-диска))
      ((ленивый) (пусть * ((обещание * ((cdr content)))
                      (контент (обещание распаковать))); *
                 (if (not (eqv? (car content) 'eager)); *
                     (begin (set-car! content (car (unbox обещание *)))
                            (set-cdr! content (cdr (unbox обещание *)))
                            (набор! обещание * содержание)))
                 (принудительное обещание))))))

; (*) Эти две строки повторно выбираются и проверяют исходное обещание на случай, если
; первая строка let * вызвала его принудительное выполнение.Для примера
; где это происходит, см. тест повторной входимости 3 ниже.

; ================================================= ========================
; ИСПЫТАНИЯ И ЭТАЛОННЫЕ МАТЕРИАЛЫ:
; ================================================= ========================

; ================================================= ========================
; Тест памяти 1:

(определить s (delay (begin (display 'hello) 1)))

(сила s)
(сила s)
               ; ===> Должен отображать 'привет один раз

; ================================================= ========================
; Тест памяти 2:

(let ((s (delay (begin (display 'bonjour) 2))))
  (+ (сила s) (сила s)))

               ; ===> Должно отображаться 'bonjour' один раз

; ================================================= ========================
; Тест памяти 3: (на что указывает Алехандро Фореро Куэрво)

(определить r (delay (begin (display 'hi) 1)))
(определить s (ленивый r))
(определите t (ленивый))

(сила t)
(сила r)
               ; ===> Привет один раз

; ================================================= ========================
; Тест памяти 4: мемоизация потока

(определить (индекс потока-drop))
  (ленивый
   (если (ноль? индекс)
       s
       (поток-капля (cdr (force s)) (- индекс 1)))))

(определить (единицы)
  (задержка (начало
           (показать 'хо)
           (минусы 1 (единицы)))))

(определите s (единицы))

(автомобиль (сила (поток-капля с 4)))
(автомобиль (сила (поток-капля с 4)))

               ; ===> Должен отображаться пять раз

; ================================================= ========================
; Тест повторной входимости 1: от R5RS

(определить счетчик 0)
(определите p
  (задержка (начало (set! count (+ count 1))
                (если (> подсчитать x)
                    считать
                    (сила р)))))
(определить x 5)
(сила p); ===> 6
(установить! x 10)
(сила p); ===> 6
       

; ================================================= ========================
; Тест повторной входимости 2: от SRFI 40

(определить f
  (пусть ((первый? #t))
    (задерживать
      (если первый?
          (начинать
            (установить! сначала? #f)
            (сила f))
          'второй))))

(сила f); ===> 'секунда

; ================================================= ========================
; Тест повторной входимости 3: из-за Джона Шатта

(определим q
  (пусть ((счет 5))
    (определить (получить) счетчик)
    (определить p (задержка (если (5
(сила p); => 0
(получить-счет); => 10

; ================================================= ========================
; Проверка на утечки: все проверки на утечку должны выполняться в ограниченном пространстве.; ================================================= ========================
; Проверка на утечку 1: бесконечный цикл в ограниченном пространстве.

(определить (цикл) (ленивый (цикл)))
; (force (loop)); ==> ограниченное пространство

; ================================================= ========================
; Проверка на утечку 2: ожидающие записки не должны накапливаться
; в общих структурах.

(определить s (цикл))
; (force s); ==> ограниченное пространство

; ================================================= ========================
; Проверка на герметичность 3: безопасное прохождение бесконечного потока.(определить (от n)
  (задержка (cons n (от (+ n 1)))))

(определить (траверс)
  (ленивый (траверс (cdr (force s)))))

; (force (traverse (from 0))); ==> ограниченное пространство

; ================================================= ========================
; Тест на утечку 4: безопасное прохождение бесконечного потока
; пока существует указатель на заголовок результата.

(определить s (траверс (от 0)))
; (force s); ==> ограниченное пространство

; ================================================= ========================
; Удобный деконструктор списков, используемый ниже.(определение-синтаксис совпадение
  (правила синтаксиса ()
    ((совпадение exp
       (() ехр1)
       ((ч. t) ехр2))
     (пусть ((lst exp))
       (cond ((null? lst) exp1)
             ((пара? lst) (let ((h (car lst))
                                (t (cdr lst)))
                            ехр2))
             (еще 'ошибка совпадения))))))

; ================================================= =======================
; Тест на утечку 5: Наивный потоковый фильтр должен работать в ограниченном пространстве.
; Самый простой случай.

(определить (поток-фильтр p? s)
  (ленивый (совпадение (force s)
          (()      (задерживать '()))
          ((h.t) (если (p? h)
                       (задержка (cons h (поток-фильтр p? t)))
                       (поток-фильтр п? т))))))

; (force (поток-фильтр (лямбда (n) (= n 10000000000))
; (из 0)))
                                             ; ==> ограниченное пространство

; ================================================= =======================
; Проверка на утечку 6: еще один длительный обход должен выполняться в ограниченном пространстве.

; Приведенная ниже процедура stream-ref не обязательно должна быть ленивой.
; Он определен как ленивый с целью тестирования безопасного состава
; ленивые процедуры в тесте Times3 ниже (предыдущий
; варианты решений не помогли).(определить (индекс stream-ref))
  (ленивый
   (совпадение (force s)
     (()      'ошибка)
     ((h. t) (если (ноль? индекс)
                  (задержка ч)
                  (stream-ref t (- индекс 1)))))))

; Убедитесь, что ровность реализована правильно - должно прекратиться:

(force (stream-ref (нулевой поток-фильтр? (от 0))
                   0)); ==> 0

(определить s (stream-ref (от 0) 100000000))
; (force s); ==> ограниченное пространство

; ================================================= =====================
; Тест на утечку 7: Печально известный пример из SRFI 40.(определить (раз 3 п)
  (поток-ссылка (поток-фильтр
               (лямбда (x) (ноль? (по модулю x n)))
               (из 0))
              3))

(сила (раз3 7))
; (force (times3 100000000)); ==> ограниченное пространство

 
[Wad98] Филип Уодлер, Валид Таха и Дэвид Маккуин. Как добавить лени к строгому языку, даже не будучи лишним , Семинар по стандартному машинному обучению, Балтимор, сентябрь 1998 г.

[Jon92] Ричард Джонс. Хвостовая рекурсия без пробелов , Журнал функционального программирования, 2 (1): 73-79, январь 1992 г.

[Fee97] Марк Фили, Джеймс С.Миллер, Гильермо Дж. Розас, Джейсон А. Уилсон, Компиляция языков высшего порядка в полностью хвостовую рекурсивную переносимую версию C , Rapport Technique 1078, département d’informatique et r.o., Université de Montréal, août 1997.

Авторские права (C) Андре ван Тондер (2003). Все права защищены.

Разрешение предоставляется бесплатно любому лицу, получившему копию этого программного обеспечения и связанных файлов документации ( «Программное обеспечение») для работы с Программным обеспечением без ограничений, включая без ограничения права на использование, копирование, изменение, объединение, публикацию, распространять, сублицензировать и / или продавать копии Программного обеспечения, а также разрешить лицам, которым предоставляется Программное обеспечение, делать это, при условии следующие условия:

Вышеупомянутое уведомление об авторских правах и это уведомление о разрешении должны быть включены во все копии или существенные части Программного обеспечения.

ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ПРЕДОСТАВЛЯЕТСЯ «КАК ЕСТЬ», БЕЗ КАКИХ-ЛИБО ГАРАНТИЙ. ЯВНЫХ ИЛИ ПОДРАЗУМЕВАЕМЫХ, ВКЛЮЧАЯ, НО НЕ ОГРАНИЧИВАЯСЬ ​​ГАРАНТИЯМИ КОММЕРЧЕСКАЯ ЦЕННОСТЬ, ПРИГОДНОСТЬ ДЛЯ КОНКРЕТНОЙ ЦЕЛИ И НЕПРАВОМЕРНОЕ ЗАЯВЛЕНИЕ. НИ ПРИ КАКИХ ОБСТОЯТЕЛЬСТВАХ АВТОРЫ ИЛИ ВЛАДЕЛЬЦЫ АВТОРСКИХ ПРАВ НЕ ДОЛЖНЫ БЫТЬ ОТВЕТСТВЕННОСТЬ ЗА ЛЮБЫЕ ПРЕТЕНЗИИ, УБЫТКИ ИЛИ ДРУГИЕ ОТВЕТСТВЕННОСТЬ В ДЕЙСТВИИ ДОГОВОРА, ПРАВОНАРУШЕНИЯ ИЛИ ИНОГО СЛУЧАЯ, ВЫВОДЯЩИХСЯ ИЗ, ИЗ ИЛИ В СВЯЗИ С ПРОГРАММНЫМ ОБЕСПЕЧЕНИЕМ ИЛИ ИСПОЛЬЗОВАНИЕМ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ИЛИ ДРУГИМИ ДЕЙСТВИЯМИ С ПРОГРАММНЫМ ОБЕСПЕЧЕНИЕМ.


Автор: Андре ван Тондер
Редактор: Франсиско Сольсона
Последнее изменение: 28 января, вс, 13:40:19 MET 2007

Быть ленивым – это комплимент

Жизнь растрачивается впустую.Время между первым звонком будильника и окончательным решением встать с постели. Время между тем, когда вы сидите за столом, и началом продуктивной работы. Время между принятием решения и действиями с ним.

Постепенно ваш день избавится от всех неиспользованных промежуточных моментов. В конце концов, расточительство времени, лень и откладывание на потом берут верх.

Решение вернуть эти потерянные средние моменты – создать ритуалы. Каждая культура на земле использует ритуалы для передачи информации и кодирования поведения, которое считается важным.Личные ритуалы могут помочь вам выработать более эффективный шаблон поведения во всем – от того, как вы просыпаетесь, до того, как вы работаете.

К сожалению, когда большинство людей видят ритуалы, они видят бессмысленные суеверия. Действительно, многие ритуалы основаны на примитивном понимании мира. Но, выстраивая личные ритуалы, вы можете закодировать поведение , которое, по вашему мнению, важно, , и вырезать потраченные впустую средние моменты.

Программируйте свои собственные алгоритмы

Другой способ рассматривать ритуалы – рассматривать их как компьютерные алгоритмы.Алгоритм – это набор инструкций, которые повторяются для получения результата.

Некоторые алгоритмы очень эффективны, они сортируют или ищут миллионы фрагментов данных за несколько секунд. Другие алгоритмы громоздки и неудобны, на выполнение той же задачи уходит несколько часов.

Формируя ритуалы, вы строите алгоритмы своего поведения. Возьмите отложенное и болезненное пробуждение, подумайте, поспать ли еще две минуты, нажмите кнопку отсрочки, повторите, пока почти не опоздаете на работу.Это можно перепрограммировать, чтобы немедленно встать с постели, не обсуждая свое решение.

Как создать ритуал

Я установил для себя личные ритуалы для работы с электронной почтой, пробуждения по утрам, написания статей и чтения книг. Эти ритуалы не только не делают меня негибким, они дают мне полезный шаблон по умолчанию, который лучше всего работает в 99% случаев. Если мой текущий ритуал не сработает, я всегда могу прекратить его использовать.

Сформировать ритуал не так уж сложно, применяются те же принципы изменения привычек:

  1. Запишите последовательность ваших действий. Я предлагаю начать с простого ритуала, состоящего максимум из 3-4 шагов. Подождите, пока вы не установите ритуал, прежде чем пытаться добавить новые шаги.
  2. Обязуюсь следовать своему ритуалу в течение тридцати дней. На этом шаге идея будет превращена в привычку в вашу нервную систему.
  3. Определите триггер сброса. Когда начинается ваш ритуал? Ритуал пробуждения прост – звук будильника сработает. Что же побуждает вас пойти в спортзал, почитать книгу или ответить на электронную почту, вам придется решать.
  4. Настроить узор. Вероятно, ваш алгоритм с первого раза не будет полностью эффективным. Внесение нескольких настроек после первой 30-дневной пробной версии может сделать ваш ритуал более полезным.

Способы использования ритуала

Основываясь на вышеизложенных идеях, вот несколько способов реализовать свои собственные ритуалы:

1. Пробуждение

Настройте утренний ритуал, когда вы просыпаетесь, и следующие несколько дел, которые вы делаете сразу после него. Чтобы побороть вялость после пробуждения, я могу сделать несколько отжиманий сразу после того, как встал с постели.После этого я прохожу девяносто минут чтения перед тем, как готовиться к утренним занятиям.

2. Использование Интернета

Как часто вы отвечаете на электронную почту, просматриваете Google Reader или проверяете Facebook каждый день? Я обнаружил, что, объединив все свои ежедневные потребности в Интернете в один высокоэффективный ритуал, я смог сократить 75% своего времени в Интернете без потери связи.

3. Чтение

Сколько времени у вас есть на чтение книг? Если ваша библиотека не так велика, как вам хотелось бы, вы можете подумать о ритуалах, которые вы используете для чтения.Запрограммируя несколько шагов, которые заставят себя читать вместо просмотра телевизора или во время перерыва в день, можно каждый год перечитывать десятки книг.

4. Дружелюбие

Ритуалы также могут помочь в общении. Установите ритуал начала разговора, когда у вас есть возможность познакомиться с людьми.

5. Рабочий

Одним из самых сложных препятствий при преодолении прокрастинации является создание концентрированного потока. Включение этих шагов в ритуал может позволить вам быстро начать работу или продолжить работу после перерыва.

6. Сходить в спортзал

Если упражнения – это борьба, кодирование ритуала может значительно облегчить задачу. Создайте быстрый ритуал для занятий спортом сразу после работы или после пробуждения.

7. Упражнение

Даже во время тренировок у вас могут быть ритуалы. Распределение времени между пробежками или повторениями с определенным количеством вдохов может избавить от догадок. Выработка ритуала выполнения определенных упражнений в определенном порядке может сэкономить время.

8. Спящий

Проведите успокаивающий ритуал в последние 30-60 минут дня перед сном.Это поможет вам замедлиться и значительно упростит засыпание. Особенно, если вы планируете вставать утром полным сил, это поможет, если вы избавитесь от бессонницы.

8. Еженедельные обзоры

Еженедельный обзор – большая часть системы GTD. Составив простой ритуальный контрольный список для еженедельного обзора, я смогу получить максимальную отдачу от этого упражнения за меньшее время. Первоначально я делал комплексные обзоры, в которых записывал свои мысли на неделю и прогресс в целом. Теперь я сужаю свое внимание к конкретным планам, идеям и измерениям.

Последние мысли

Мы все хотим быть продуктивными. Но времяпрепровождение, промедление и лень иногда берут над нами верх. Если вы столкнулись с такими трудностями, не бойтесь использовать эти ритуалы, чтобы помочь вам победить их.

Дополнительные советы по борьбе с расточительством времени и откладыванием на потом

Изображение предоставлено: RODOLFO BARRETO через unsplash.com

Вычислительные основы выравнивания отношения

Образец цитирования: Devaine M, Daunizeau J (2017) Изучение осмотрительности, нетерпеливости или лени других и от них: вычислительные основы выравнивания отношения.PLoS Comput Biol 13 (3): e1005422. https://doi.org/10.1371/journal.pcbi.1005422

Редактор: Йорн Дидрихсен, Университетский колледж Лондона, СОЕДИНЕННОЕ КОРОЛЕВСТВО

Поступило: 5 сентября 2016 г .; Одобрена: 21 февраля 2017 г .; Опубликовано: 30 марта 2017 г.

Авторские права: © 2017 Devaine, Daunizeau. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Данные доступны по адресу https://owncloud.icm-institute.org/index.php/s/ZVGSlY78cS1hQeH.

Финансирование: Эта работа была поддержана IHU-A-ICM (http://icm-institute.org/en/missions-ihu-en/) и французским Ministère de l’Enseignement Supérieur et de la Recherche (http://www.enseignementsup-recherche.gouv.fr/). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

Субъективные черты или установки, такие как «благоразумие», «нетерпеливость» или «лень», являются ключевыми детерминантами целенаправленного поведения. Это потому, что они определяют, как люди выбирают между каноническими, но конфликтующими измерениями решения, например, перспективой вознаграждения и такими затратами, как риск, задержка или усилия [1–3]. Например, девальвация с высоким риском является отличительной чертой «осмотрительности», «нетерпение» связано с сильным дисконтированием за отсрочку, а «ленивые» люди считают, что потенциальное вознаграждение не стоит затраченных усилий.Важно отметить, что хотя некоторые варианты этих фенотипов могут в конечном итоге оказаться более приспособленными к адаптации [4,5], наша социально-экологическая ниша дает лишь скудные и неоднозначные отзывы о том, насколько осторожным, нетерпеливым или ленивым следует быть [6,7]. Как правило, это приводит к высокой неопределенности в отношении того, как лучше себя вести в связанных сложных контекстах принятия решений, что может быть причиной того, что на нас влияет отношение других [8,9]. Но настроен ли мозг на получение такой информации от других, даже если это не является прямым инструментом? Зависит ли это нетривиально от нашей способности узнавать скрытое отношение других? Взаимно: влияет ли наше собственное отношение на то, как мы узнаем о других? Также: учитывая, что такой когнитивный механизм, возможно, был оптимизирован посредством естественного отбора, можем ли мы вывести его вычислительную основу из первых принципов оптимальности? Это вопросы, которые мы рассматриваем в этой работе, используя комбинацию экспериментальных и вычислительных методов.

Напомним, что люди, кажется, автоматически начинают имитировать поведение, даже при отсутствии стимулов или социальных норм [10]. Например, было показано, что люди склонны имитировать двигательные действия других [11] и отражать свои эмоции [12], когда это не способствует выполнению задачи или даже когда это ставит под угрозу эффективность целенаправленного поведения [13]. . Такое социальное влияние также распространяется на явные мотивы, порождая такие явления, как «заражение целей» [14,15] и «миметические желания» [16,17], в результате чего привлекательность объектов возрастает, когда они нужны другим людям.Недавние нейробиологические исследования этого «предубеждения влияния» раскрыли интригующую форму биологического детерминизма. Во-первых, социальное влияние нарушает нейронные вычисления субъективных ценностей, которые имеют место в так называемой «системе оценки мозга» или BVS [8,18]. Во-вторых, величина смещения влияния предсказывается силой связи между BVS и «системой зеркальных нейронов» мозга [19]. Напомним, что последние неоднократно показывали, что они играют важную роль в понимании действий для широкого круга видов животных, от птиц [20] до обезьян [11] и людей [21,22].Известно, что у людей он участвует всякий раз, когда люди занимаются «ментализацией» или «теорией разума» (ToM), то есть интерпретациями открытого поведения других в терминах (скрытых) психических состояний или установок [23,24]. Эти результаты важны, потому что они предполагают, что ментализация отношения других может автоматически (хотя, возможно, неявно) вызвать выравнивание отношения наблюдателя к наблюдаемому.

Традиционное мнение здесь состоит в том, что такое выравнивание отношения следует рассматривать как когнитивную предвзятость, которая может унаследовать свою адаптивную приспособленность от того факта, что она способствует социальной конформизации [25,26].Однако эволюционные модели давно показали, что давление отбора может в конечном итоге благоприятствовать имитирующим фенотипам, даже когда конформность не дает преимущества для выживания и / или спаривания [27–29]. Это связано с тем, что имитация – это форма быстрого обучения (от других), которое по существу устраняет необходимость заново открывать полезную информацию [30,31]. В соответствии с этими идеями мы начинаем с предпосылки о том, что субъективные отношения, такие как «благоразумие», «нетерпеливость» или «лень», лучше всего понимать как неопределенные (и в основном неявные) убеждения о том, как «лучше» взвесить риски, задержки и усилия соответственно.С теоретико-информационной точки зрения это означает, что эти убеждения могут быть обновлены с учетом новой информации о том, как следует рассматривать издержки и выгоды. Согласно этой точке зрения, ментализующий агент, который не будет согласовывать свое отношение с другими, будет неоптимальным, потому что он будет по существу пренебрегать соответствующей информацией. Критичным здесь является тот факт, что такие субъективные отношения недоступны напрямую: они обычно должны быть выведены из открытого поведения. Это означает, что выравнивание отношения может быть нетривиальным образом сформировано вычислительными свойствами ментализации.Например, люди склонны переоценивать степень своего сходства с другими, что известно как предвзятость «ложного консенсуса» [32,33]. В этой работе мы выводим байесовскую модель выравнивания отношения, которая предсказывает, исходя из первых (эволюционных) принципов, существование ложного консенсуса и предубеждений влияния, а также их нетривиальное взаимодействие. Затем мы проверяем эти прогнозы экспериментально, анализируя отношения людей как до, так и после угадывания серии арбитражей между затратами и выгодами, выполненных откалиброванными искусственными агентами (которые выдают себя за людей).

Эта статья организована следующим образом. Первый раздел нашей рукописи раскрывает наши вычислительные и эмпирические методы. Во-первых, мы вспомним, как субъективные черты или отношения, такие как «осторожность», «нетерпеливость» или «лень», связаны с явным арбитражем между затратами и выгодами. Во-вторых, мы расширяем существующие байесовские модели ментализации [34–37] на проблему обучения таким субъективным установкам. В-третьих, мы резюмируем вывод нашей вычислительной модели выравнивания отношения, на основе которой мы раскрываем прогнозы, которые можно проверить эмпирически.Во втором разделе нашей рукописи суммируются результаты наших экспериментов с использованием экспериментального плана, вдохновленного парадигмами выбора поведенческой экономики, которые направлены на выявление отношения людей к задержкам, усилиям и риску. В частности, мы провели три серии статистического анализа данных с возрастающей сложностью вычислений. Последний раздел рукописи состоит из обсуждения ограничений нашего исследования в контексте существующей литературы.

Методы

Заявление об этике

Это исследование было одобрено местным комитетом по этике (CPP-Ile-de-France 1) как часть более широкой исследовательской программы и проводилось в соответствии с принципами, изложенными в Хельсинкской декларации.Письменное информированное согласие было получено от участников.

1. Вычислительное моделирование

Наша стратегия количественного моделирования двояка, то есть мы должны рассмотреть (i) модели арбитража затрат и выгод участников на этапах решения Decision (они также будут использоваться для моделирования поведения искусственных агентов на этапе Prediction ), и (ii) модели того, как люди узнают о выборе других и на его основе. Первые происходят из классической теории принятия решений и заимствованы из поведенческой экономики.Они предполагают, что решения вытекают из сравнения ценности или полезности каждого альтернативного варианта. Последние являются примером мета-байесовского подхода [38,39], который, по сути, представляет собой теоретико-информационный взгляд на вывод о том, как агенты принимают решения в условиях неопределенности. Они описывают ментализацию путем встраивания прежних моделей арбитража «затраты-выгода» в байесовскую схему обновления убеждений «проба за испытанием».

1.1. Моделирование арбитража по рентабельности.

Мы используем модели принятия решения по трем направлениям: (i) для профилирования отношения участников к их выбору на этапах Решения , (ii) для моделирования выбора искусственных агентов на этапе Prediction и (iii) для обслуживания в качестве предварительных предположений для ментализации моделей в фазе Prediction (см. ниже).Далее поведенческие наблюдения состоят в бинарном выборе между двумя альтернативами, которые различаются по двум параметрам, а именно ожидаемому вознаграждению и стоимости (задержка, усилия или риск). Согласно теории принятия решений, мы предполагаем, что вероятность выбора данного варианта увеличивается с его субъективной ценностью или полезностью. Точнее, вероятность выбора варианта 1 (вместо варианта 2) P 1 задается следующим вероятностным правилом softmax [40]: (1) где V i – субъективное значение опции i , а β – поведенческая обратная температура, которая контролирует величину потенциальных отклонений от рациональности (при пределе β → ∞, уравнение 1 сводится к детерминированной политике максимизации полезности).

Пусть Op i будет альтернативным вариантом i th , который определяется в терминах заданного дуплета вознаграждения / стоимости (например, для межвременного выбора: Op 1 = «1 € сейчас» и Оп 2 = «10 евро в неделю»). Последующий арбитраж затрат и выгод контролируется восприимчивостью людей к затратам α , которая параметризует функцию полезности u α (Op i ) = V i .Точнее, математическая форма функций полезности зависит от затрат:

  • Задержка : полезность выплаты R , полученной после задержки T , задается гиперболической функцией полезности [41]: (2) где α контролирует предрасположенность людей к задержке. Здесь задержка вызывает разделительные затраты, что означает, что сейчас всегда предпочитаю отложенное вознаграждение ничему.
  • Риск : полезность получения выплаты R с вероятностью P определяется следующей экспоненциальной функцией полезности: (3) где α контролирует вогнутость функции полезности и, следовательно, подверженность людей риску (Pratt, 1964).В этом случае надежное вознаграждение в конечном итоге может быть предпочтительнее более высокого, но рискованного исхода.
  • Усилие : полезность выплаты R , полученной при приложении усилия E , дается следующей функцией полезности дисконтирования усилий: (4) где α контролирует восприимчивость людей к усилиям. Обратите внимание, что усилие E определяется в процентах от максимальной силы человека (физиологический предел). Эта функция полезности имеет желаемое свойство: стоимость дополнительной единицы Усилия увеличивается по мере приближения Усилия к физиологическому пределу участника [42].

Вставка уравнений 2–4 в уравнение 1 (т.е. определение V i u α (Op i )) эффективно моделирует арбитраж затрат и выгод с точки зрения сравнения между альтернативными вариантами коммунальных услуг. Эти модели арбитража затрат и выгод имеют два свободных параметра, а именно: восприимчивость к затратам α и поведенческую обратную температуру β . В частности, субъективный аспект этих арбитражей фиксируется параметром «стоимость-восприимчивость» α , который определяет, насколько нетерпеливым, расчетливым или ленивым является явное поведение людей.Например, высокая восприимчивость к задержкам вызывает сильное временное дисконтирование, что в конечном итоге приводит к нетерпеливому поведению (то есть предпочтению вариантов с короткой задержкой). Точно так же восприимчивость к высокому риску (или усилиям) приводит к осмотрительному (соответственно ленивому) поведению. В дальнейшем мы будем называть α скрытым субъективным отношением или чертой. В следующем разделе мы увидим, как можно смоделировать ментализацию такого отношения в терминах байесовской схемы обновления убеждений.

1.2. Байесовский предпочтительный ученик.

Давайте теперь представим байесовскую модель того, как люди обновляют свое мнение о нетерпеливом, ленивом или благоразумном отношении других в соответствии с так называемым «принципом рациональности» [36,43–45]. В нашем случае это сводится к оценке соответствующего параметра рентабельности α (а также температуры поведения β ) на основе наблюдаемых выборов.

Во-первых, ментализующие байесовские агенты предполагают, что выбор Other подчиняется решающему правилу softmax из уравнения 1.Это дает следующую биномиальную вероятность p ( a t | θ ( o ) ) для решения Другого a t (до испытания t ): (5) где a t ∈ {0,1} – двоичный выбор Другого при испытании t , P 1 p ( a t = 1 | θ ( o ) ) – это вероятность того, что Другой выберет первый альтернативный вариант (см.Уравнение 1) и θ ( o ) = {log α ( o ) , log β ( o ) } – это набор неизвестных параметров, который суммирует Других скрытое отношение или черта характера. Обратите внимание, что уравнение 5 выполняется независимо от типа затрат (например, задержки, усилий или риска). Математическая форма соответствующих функций полезности приведена в уравнениях 2, 3 и 4.

Во-вторых, прежде чем наблюдать решение какого-либо Другого, агент наделен некоторым предварительным убеждением p ( θ ( o ) ) относительно черты Другого θ ( o ) .Здесь мы предполагаем, что это априорное убеждение является гауссовым со средним значением (которое фиксирует направление смещения агента) и дисперсией (которое измеряет, насколько неопределенным является априорное убеждение агента).

Наблюдение за выбором Другого дает агенту информацию о θ ( o ) , которая может быть обновлена ​​проба за испытанием с использованием следующей оптимальной по Байесу вероятностной схемы: (6) где p ( θ ( o ) | a t ) – апостериорная вера агента в черту Другого после испытания t , а во второй строке выделено последовательное (онлайн) форма обновления байесовской веры.Фактически, мы реализуем эту модель обучения, используя вариационную схему Лапласа [46,47], которая дает полуаналитические выражения для правил обновления двух первых моментов (и) апостериорного убеждения. На этом мы завершаем описание Байесовского предпочтительного ученика (BPL). Мы отсылаем заинтересованного читателя к S1 Text за соответствующими математическими подробностями.

Обратите внимание, что модель BPL полностью определяется двумя первыми моментами (и) предварительного убеждения агента. В частности, априорная дисперсия контролирует устойчивость предшествующей предвзятости агента к информации наблюдений, касающейся черты Другого.Другими словами, чем меньше априорная дисперсия, тем сильнее априорная систематическая ошибка его апостериорного убеждения. Если априорное среднее совпадет с собственным отношением агента θ ( s ) (т.е. когда), тогда он будет демонстрировать «идеальное» смещение ложного консенсуса. Ниже мы представим нормативную модель этого. Но сначала прокомментируем одно нетривиальное вычислительное свойство модели BPL.

Обратите внимание, что наблюдаемый выбор, который не соответствует прогнозу BPL, можно объяснить либо обновлением ее апостериорной оценки восприимчивости к затратам Другого, либо увеличением апостериорной оценки температуры.В свою очередь, влияние следующей ошибки прогноза будет меньше, то есть она вызовет меньшее обновление. Другими словами, скорость апостериорного обновления снижается по мере того, как стоимость восприимчивости истинного Другого α ( o ) еще больше отклоняется от предыдущего среднего. Реакция модели BPL на рентабельность истинного Другого α ( o ) суммирована на Рис. 1 ниже.

Рис. 1. Отклик модели BPL.

Мы смоделировали виртуальных учащихся BPL, оснащенных нейтральными априорными значениями (), которые узнали об агентах (наделенных различной чувствительностью к затратам), выполняющих арбитраж затрат и выгод ( T = 40 вариантов, как в основном эксперименте).Среднее значение Монте-Карло (прямые линии) и стандартные отклонения (заштрихованные области) апостериорных оценок BPL были получены путем повторения этого моделирования со случайным сочетанием выгод и затрат. Мы также варьировали априорную дисперсию BPL по восприимчивости к затратам Другого (синий: небольшая априорная дисперсия, красный: высокая априорная дисперсия). A: Апостериорная оценка BPL восприимчивости к затратам Другого (ось y) нанесена на график как функция от восприимчивости затрат истинного Другого (ось x). B : Апостериорная оценка BPL инверсной температуры Другого (ось y) нанесена на график как функция от реальной чувствительности к затратам Другого (ось x).

https://doi.org/10.1371/journal.pcbi.1005422.g001

Видно, что для малых α ( o ) оценка BPL α ( o ) отслеживает истинный α ( o ) линейно; однако, когда истинное значение α ( o ) увеличивается, оценка BPL для α ( o ) имеет тенденцию к насыщению (см. Рис. 1A). В свою очередь, глобальные отношения между ними являются сигмоидальными, где верхняя и нижняя границы увеличиваются по величине с априорной дисперсией BPL.Это объясняется тем, что оценка BPL β ( o ) уменьшается по мере увеличения величины α ( o ) (см. Рис. 1B). Короче говоря, совершенно неожиданные наблюдения считаются ошибками: они считаются менее информативными, чем наблюдения, которые лучше соответствуют предыдущему предположению BPL. Можно показать, что при неинформативном априорном пределе (т.е. когда) апостериорное среднее BPL стремится к несмещенной оценке максимального правдоподобия.Таким образом, можно подумать, что любая конечная априорная дисперсия может в конечном итоге привести к смещенным оценкам, что в конечном итоге ухудшит характеристики прогнозирования. Однако последнее рассуждение ошибочно из-за компромисса между смещением и дисперсией статистического обучения [48]. Этот компромисс можно увидеть на рис. 1A, отметив, что дисперсия (по моделированию Монте-Карло) апостериорных оценок BPL увеличивается с. Фактически, при неинформативном априорном пределе (и при ограниченных данных) апостериорные оценки BPL были бы настолько ненадежными, что средняя ошибка обобщения была бы максимальной.Обратите внимание, что это верно независимо от предыдущего среднего. Это первый намек на то, почему предвзятость ложного консенсуса может считаться оптимальной с точки зрения теории информации. Как мы увидим ниже, это вычислительное свойство байесовской ментализации в конечном итоге приводит к нетривиальным ограничениям на выравнивание установок.

1,3. Байесовское объяснение выравнивания отношения.

Теперь мы пересмотрим вычислительные основы выравнивания установок, вдохновленные моделями «информационных каскадов» (Shiller, 1995), которые описывают, как имитационное поведение возникает из неявного обмена информацией между агентами.Напомним, что субъективное отношение людей можно рассматривать как неопределенные убеждения в отношении «наилучшей» политики, где «наилучшая» определяется неявно (без явной ссылки на объективный показатель эффективности). Далее мы покажем, как предыдущие предположения относительно того, как информация о «лучшей» политике распределяется между людьми, в конечном итоге приводит как к ложному консенсусу, так и к предубеждениям, связанным с влиянием, и как они связывают их вместе.

Для начала вспомните, что «насколько хорошее» отношение к усилиям, задержкам или рискам может зависеть от окружающей среды.Например, оптимальное дисконтирование задержки зависит от степени опасности для окружающей среды, которая может быть неизвестна [49]. Таким образом, давайте предположим, что в данной среде существует объективная «лучшая» политика η (т. Е. «Лучший» способ дисконтирования задержки, усилий или риска), которая скрыта от агентов, но доступна косвенно через шумные ( например, усиление) сигналы y ( i ) = η + ε ( i ) , где i.я бы. гауссовские случайные ошибки с дисперсией. Для простоты мы считаем, что дисперсия ошибки подкрепления одинакова для разных людей, то есть: Это дает агентам функцию правдоподобия p ( y ( i ) | η , σ ε ) относительно «наилучшей» политики η . С байесовской точки зрения, люди наделены врожденной субъективной априорностью относительно наилучшей политики η , которую мы параметризируем в терминах ее среднего значения и дисперсии σ G .Без потери общности, мы предполагаем, что врожденные априорные средние разбросаны по индивидам в соответствии с распределением Гаусса со средним Γ G и дисперсией Ω G , т. Е .:. Мы увидим, что, вместе взятые, эти предположения подразумевают, что ментализующие (байесовские) агенты связаны с ложным консенсусом и влияют на предубеждения.

Но сначала, что мы можем сказать о собственном отношении агента α ( i ) ? За время существования агента ее априорное значение интегрируется с вероятностью p ( y ( i ) | η , σ ε ), чтобы дать апостериорное убеждение относительно «лучшего» политика, средним значением которой является (по определению) отношение агента α ( i ) : (7) где σ – неуверенность агента в отношении «лучшей» политики.Уравнение 7 справедливо для любого агента, но в конечном итоге дает разные характеристики α ( i ) из-за различных ошибок обратной связи ε ( i ) и различных предшествующих средних значений. Далее α ( s ) (соответственно α ( o ) ) будет обозначать черту агента (соответственно Другого).

На данный момент предварительное убеждение агента p ( α ( o ) | α ( s ) , σ ε , σ G , Γ G , Ω G ) относительно признака Другого α ( o ) (ср.Модель BPL, приведенная выше) теперь может быть получена с точки зрения прогноза о субъективной оценке “лучшей” политики другими: (8) где происходит из уравнения 7 (заменив другой сигнал y ( o ) на его определение (то есть: y ( o ) = η + ε ( o ) ) ), и это апостериорная вера агента в “лучшую” политику. Вот и следующие первые два момента априорной веры агента в черту Другого.Обратите внимание, что применительно к вышеупомянутой модели BPL введение и является по существу злоупотреблением обозначениями, поскольку они не включают поведенческую температуру. Решение уравнения 8 дает (подробности см. В тексте S1): (9)

Короче говоря, уравнение 9 по существу заявляет, что агент будет демонстрировать «предвзятость ложного консенсуса» [32,33], поскольку априорность агента по признаку Другого является простым аффинным преобразованием собственного отношения агента α ( с ) . Формально говоря, можно определить смещение ложного консенсуса FCB как априорную вероятность агента, что черта Другого идентична ее собственной, т.е.е .: (10)

Это определение проиллюстрировано на Рис. 2A ниже. Можно видеть, что величина смещения ложного консенсуса увеличивается с наклоном аффинного преобразования в уравнении 9. Можно показать, что FCB является максимальным в пределе, когда агентам наделены очень неопределенные априорные значения (т. Е. σ G σ ε ), где уравнение 9 сводится к: (11)

Рис. 2. Качественные предсказания байесовской модели ориентации.

Мы смоделировали виртуальную популяцию (наделенную произвольной восприимчивостью к затратам), которая узнает об агентах, выполняющих арбитраж затрат и выгод (также наделенных произвольной чувствительностью к затратам). На панелях от A до C синий цвет соответствует моделированию базовой линии, где все параметры модели установлены на единицу. Другие цвета соответствуют имитациям, в которых каждый параметр модели был увеличен на единицу по очереди ( σ ε : зеленый, σ G : красный, Γ G : голубой , и Ω G : пурпурный).Таким образом, влияние параметров модели можно оценить с точки зрения индуцированных изменений относительно базовое моделирование. A: смещение ложного консенсуса FCB , как определено в уравнении 10. Априорная вероятность агента относительно черты Другого (ось y) нанесена на график относительно возможных черт Другого. Черная пунктирная линия изображает собственную черту агента, а высота, на которой он пересекает априорные плотности вероятности, сигнализирует о смещении ложного консенсуса. B: влияние смещения IB , как определено в уравнении 13.Обновленное апостериорное убеждение агента о «наилучшем» весе затрат (ось Y) отображается в сравнении с возможными «наилучшими» весами затрат. Черная пунктирная линия изображает черту Другого, а высота, на которой она пересекает обновленное апостериорное убеждение, сигнализирует о предвзятости влияния-консенсуса (плюс поправочный член, вытекающий из первоначального убеждения агента). C : смещение влияния IB (ось y) построено как функция смещения ложного консенсуса FCB (ось x). Этот график был построен на основе того же моделирования, что и на панелях A и B. D : то же, что и на панели C, но на этот раз IB усредняется по 10 5 моделированиям Монте-Карло, которые случайным образом изменяют все параметры модели (а именно: σ ε , σ G , Γ G , Ω G и α ( o ) ). Следующие систематические ошибки были разделены на интервалы в соответствии с FCB , и планки ошибок отображают результирующие среднее значение Монте-Карло и стандартное отклонение.

https://doi.org/10.1371/journal.pcbi.1005422.g002

Короче говоря, уравнения 9 и 10 по существу заявляют, что ошибка ложного консенсуса действительно является оптимальной по Байесу, учитывая разброс информации о «лучших» стратегиях. между людьми. Между прочим, они также подразумевают, что точность предыдущих прогнозов относительно ленивого, нетерпеливого или благоразумного поведения Другого возрастает с увеличением сходства между агентом и Другим.

Важно отметить, что наблюдение за выбором Другого информирует агента обоим о подверженности Другого к затратам (см.Модель BPL выше) и, в конце концов, про «лучшую» политику η . Обратите внимание, что обновление байесовских убеждений агента здесь не совсем однозначно, потому что агент должен восстановить компонент вероятности из апостериорного убеждения Другого о «лучшей» политике. Пусть (соответственно) будет апостериорным средним агентом по «лучшей» политике η до (соответственно, после) наблюдения поведения Другого. Обновленное мнение агента о «лучшей» политике (после наблюдения за поведением Другого) может быть получено следующим образом: (12) где первоначальное убеждение агента о «лучшей» политике (до наблюдения за поведением Другого), p ( α ( o ) | η ,…) выводится из уравнения 7 (оно описывает, как Черта Другого относится к «лучшей» политике), а p ( α ( o ) | a t ,…) – это апостериорная вера агента в уязвимость Другого к издержкам. (получено из модели BPL).Интуитивно, существует «предвзятость влияния», если обновленное представление агента о «лучшей» политике сместилось в сторону признака Другого α ( o ) . Более формально, можно определить смещение влияния IB как усиление апостериорного убеждения агента в том, что «лучшая» политика идентична черте Другого, то есть: (13)

Это определение проиллюстрировано на Рис. 2B выше. Решая уравнение 12, можно показать (см. Текст S1), что изменение черты агента, вызванное наблюдением за поведением Другого, определяется следующим образом: (14) где – апостериорное среднее значение агента относительно черты Другого (после наблюдения t поведенческих выборов), а «скорость обучения» λ зависит от предварительной точности агента: (15)

Уравнение 14 утверждает, что чувствительность агента к затратам дрейфует пропорционально, что, по сути, является оценкой агентом информации, которой владеет Другой о «лучших» политиках (с поправкой на ожидаемые предшествующие предубеждения).Здесь снова уравнение 14 значительно упрощается при неясном пределе априорных значений (т.е. когда ложный консенсус максимален): (16)

Если бы оценка агентом черты Другого была точной (т. Е.), Тогда уравнение 16 предсказывало бы смещение положительного влияния, посредством чего агенты обновляют свою оценку «наилучшей» политики пропорционально сигналу «ошибки предсказания», который измеряет, насколько разные они от других. В этом случае величина смещения влияния увеличивается с λ . В частности, максимальная скорость обучения ( λ ≈ 1) достигается при σ G ≫ Ω G .Однако это также происходит, когда априорная дисперсия минимальна, что приводит к сильному сокращению (в сторону) оценки агентом черты Другого. Другими словами, расплывчатый априорный предел также означает, что «ошибка предсказания» будет небольшой. Кроме того, вдали от нечеткого априорного предела априорная дисперсия ослабляется, и оценка агентом черты Другого в конечном итоге становится более точной. Однако разница между и не отменяется, и возникающая систематическая ошибка влияния уменьшается (признак агента отклоняется от α ( o ) ).Взятые вместе, эти замечания предполагают, что может существовать запутанная взаимосвязь между ложным консенсусом и предвзятостью влияния. Ниже мы раскроем это взаимодействие с помощью численного моделирования.

Тем не менее, уравнения 14–16 заявляют, что систематическая ошибка влияния является оптимальной по Байесу, учитывая, что другие могут владеть частной информацией о «лучших» стратегиях. Кроме того, они подразумевают, что изменение отношения людей уменьшается с увеличением сходства между агентом и Другим. Это можно напрямую проверить на основании эмпирических данных.

Таким образом, уравнения 9 и 12 предсказывают, что агенты, наблюдающие за ленивым, нетерпеливым или благоразумным поведением других, будут демонстрировать ложный консенсус и влиять на предубеждения в соответствующих арбитражах затрат и выгод. Оба этих предубеждения (i) происходят из принципов оптимальности и (ii) контролируются (субъективными) предварительными предположениями относительно разброса информации о «лучшей» политике среди людей. Это вызывает вопрос: существует ли систематическая связь между ложным консенсусом и предубеждениями влияния, которая сохраняется при изменении четырех параметров модели (а именно: σ ε , σ G , Γ G и Ω G ) и исходные поведенческие черты (а именно: α ( o ) и)? Таким образом, мы провели серию моделирования методом Монте-Карло, в котором произвольно выбирали σ ε , σ G , Γ G , Ω G , α ( o ), и, и оценивали как ошибки ложного консенсуса, так и ошибки влияния согласно уравнениям 10 и 13, соответственно.Результаты этого моделирования представлены на рис. 2 ниже.

Панель A (соответственно, B) показывает, как FCB (соответственно, IB ) изменяется в соответствии с параметрами модели для данного набора параметров модели. В этом моделировании FCB и IB увеличиваются с σ G и уменьшаются с σ ε , Γ G и Ω G . Соотношение между FCB (ось x) и IB (ось y) показано на панели C.Панель D обобщает этот анализ, суммируя чистую взаимосвязь, которая сохраняется во всех моделях Монте-Карло. Можно видеть, что для небольших смещений ложного консенсуса IB увеличивается с FCB (как на панели C). Однако эта взаимосвязь меняется из-за более высоких предубеждений ложного консенсуса. В свою очередь, IB ведет себя как перевернутая U-образная функция FCB . Частично это связано с тем, что IB в конечном итоге уменьшается, когда несоответствие между чертой агента и Другого слишком велико (см.Рис. A1 в тексте S1). В следующем разделе мы представляем нашу экспериментальную схему, которая основана на прямом манипулировании этой разницей.

2. Экспериментальная установка

2.1. Участники.

Пятьдесят шесть здоровых участников (36 женщин, возраст = 25,0 +/- 4,5 года) были набраны из сети RISC (http://www.risc.cnrs.fr/).

Данные трех участников в задачах дисконтирования усилий (см. Ниже) были исключены из-за технических проблем с устройством захвата, обмана на этапе калибровки или трудностей с приложением каких-либо усилий.Мы также исключили еще двух участников, которые всегда выбирали один и тот же дорогостоящий вариант на обоих этапах принятия решения. Более того, в задаче «Решение усилия» испытания, в которых участники не смогли приложить требуемые усилия, были исключены из анализа (0,2% испытаний «Усилия»).

2.2. Экспериментальная дизайн.

Короче говоря, наш экспериментальный план основан на парадигмах выбора поведенческой экономики, которые направлены на выявление отношения людей к задержкам, усилиям и риску. Они состоят из последовательностей двух альтернативных принудительных выборов между двумя предметами, которые различаются по вознаграждению и стоимости.Здесь людей просят сначала сделать серию таких выборов (решение , решение , фаза 1), затем угадать чей-то выбор (прогноз , фаза ) и, наконец, повторно выполнить задачу выбора (решение , решение , фаза 2). Важно отметить, что во время фазы Prediction участники неосознанно наблюдают за выбором искусственных агентов (вместо людей), которые наделены выверенным отношением к задержкам, усилиям и рискам. Эта манипуляция позволяет нам количественно оценить ложный консенсус и повлиять на предубеждения, а также подтвердить прогнозы нашей модели.Наш экспериментальный план представлен на рис. 3.

Рис. 3. Экспериментальная парадигма.

A: основная структура задачи ( Решение 1, , Прогноз, и Решение 2, фазы ). Каждый этап включает в себя три подзадачи, которые относятся к трем арбитражам затрат и выгод (с тремя типами затрат, а именно: задержка, усилия или риск, соответственно). Участники делятся на три подгруппы, в зависимости от того, какой тип затрат связан с условием Шум , То же или Различный в фазе Прогноз . B: Примеры судебных разбирательств по арбитражу затрат и выгод (слева: задержка, посередине: усилия, справа: риск). Примечание. Вариант «низкая стоимость / низкое вознаграждение» отображается слева (соответствующая стоимость фиксирована для всех испытаний).

https://doi.org/10.1371/journal.pcbi.1005422.g003

Каждая экспериментальная фаза (Решение , 1, Прогноз, и Решение 2) была далее подразделена на три блока, каждый из которых соответствует типу стоимость, а именно: задержка, усилия и риск (порядок уравновешен между участниками).Решение Этапы решения использовались для оценки восприимчивости каждого участника к затратам (задержка, усилия или риск) путем подгонки параметризованной функции полезности (зависящей от затрат) к его наблюдаемым вариантам (см. Уравнения 1–4). Субъекты были вознаграждены пропорционально их показателям в фазе Prediction . Кроме того, в конце эксперимента случайным образом проводилось одно испытание на каждую фазу решения Decision , чтобы определить окончательный выигрыш участников (см. Ниже).

Каждый блок фаз Decision состоял из 40 испытаний, в которых участникам предлагалось выбрать один из двух вариантов, т.е.е. вариант с малой выплатой / малой стоимостью (небольшие выплаты варьировались от 2 до 12 евро) и вариант с высокой выплатой / высокой стоимостью (верхняя граница высоких выплат составляла 35 евро). Примерные варианты выбора изображены на фиг. 3В. Чтобы свести к минимуму когнитивную нагрузку, стоимость варианта с малой выплатой была фиксированной для всех испытаний (короткая задержка, небольшие усилия, малая вероятность ничего не выиграть), в то время как другие три параметра варьировались от испытания к испытанию:

  • В задаче дисконтирования отсрочки участники должны были выбирать между небольшой выплатой, предлагаемой в течение 3 дней (фиксированная отсрочка), и более высокой выплатой позднее (отсрочка до 1 года).
  • Для задачи дисконтирования усилий в начале эксперимента сначала была проведена калибровка для измерения максимальной силы (физиологический предел) каждого участника на пневматическом захватном устройстве [50]. Затем участников попросили выбрать между вариантом с низкой отдачей / низким усилием (фиксированное на уровне 10% от максимальной силы) и вариантом с высокой отдачей / высоким усилием (до 90% от максимальной силы). После принятия решения участники должны были приложить соответствующее усилие на устройстве захвата.
  • В задании лотереи участникам было предложено выбрать между безопасной лотереей (90% выигрыша с небольшой выплатой) и более рискованной лотереей (более низкая вероятность получить более высокий выигрыш).Результат лотереи во время выполнения задания не раскрывается.

В решении Решения , фаза 1, небольшой выигрыш, связанный с фиксированными затратами, был получен псевдослучайно, тогда как выигрыш и стоимость второго варианта были определены онлайн-процедурой оптимизации адаптивного дизайна (испытание за испытанием), направленной на максимизация эффективности оценки полезности [46,51]. Мы отсылаем читателя к S1 Text за подробностями, касающимися адаптивного дизайна. В решении Decision , этап 2, участнику предлагались те же варианты выбора в том же порядке.Это гарантировало, что изменения в поведении участников между этапами 1 и 2 Решения Решения не могли быть вызваны различиями в предлагаемых альтернативах. Обратите внимание, что это очень консервативная стратегия, поскольку люди могут запоминать и повторять свой выбор из решения Решения , этап 1, таким образом потенциально маскируя любую скрытую предвзятость влияния.

На этапе прогнозирования участников просили предсказать выбор, сделанный «предыдущим участником» (далее: «Другой», на самом деле искусственным агентом), столкнувшимся с аналогичными двухальтернативными задачами принудительного выбора.В каждом испытании участникам сначала предлагали два альтернативных варианта, затем их просили выбрать предположение и, наконец, информировали о решении другого. Критически важно было три условия (см. Рис. 2A), которые соответствовали разным уровням сходства между участниками и искусственными агентами. В условии То же, , рентабельность Другого ( α ( o ) ) была выбрана идентичной рентабельности участника (оцененная во время фазы Решения 1).В условии Другой было выбрано α ( o ) , чтобы отличаться от. Точнее, мы установили, что стоимостная восприимчивость α ( o ) больше (соответственно, меньше), чем если бы она оказалась меньше (соответственно больше), чем медианная рентабельность предварительного -проверенная (пилотная) группа участников. В этих двух первых условиях к решению Другого не было добавлено никакого шума (нулевая поведенческая температура, то есть: β ( o ) → ∞).В условии Noisy было выбрано α ( o ) , идентичное α ( s ) , но в процесс принятия решения Другим был добавлен шум (температура искусственного агента была установлена ​​на имитацию поведенческий шум участников пилота).

Чтобы предотвратить эффекты переноса между состояниями, мы использовали межсубъектный план с тремя подгруппами, каждая из которых служит в качестве группы лечения (условие , Различное, ) для данного типа затрат и в качестве контрольной группы (условия То же и Noisy ) для других типов стоимости.Точнее, мы разделили наших участников следующим образом: группа 1: различное дисконтирование задержки , такое же дисконтирование усилий и дисконтирование риска Noisy , группа 2: дисконтирование за задержку шумное , различное дисконтирование усилий и тот же риск дисконтирование, группа 3: То же самое дисконтирование задержки, Шумное дисконтирование усилий и Различное дисконтирование риска . Чтобы избежать какого-либо дублирования между вариантами, представленными участнику на этапах решения Decision и Prediction , фиксированное измерение на этапе прогнозирования отличалось от этапа принятия решения: короткая задержка была установлена ​​на два дня вместо трех, небольшие усилия 15% вместо 10% и надежная вероятность 85% вместо 90%.Это гарантировало, что оценки ложного консенсуса и предвзятости влияния не были искажены простыми эффектами привязки или доступности на запоминаемое явное поведение. Кроме того, другая процедура оптимизации онлайн-дизайна использовалась для определения отдачи и стоимости второго варианта, предложенного Другому, при том ограничении, что количество «импульсивных» выборов Других (выбор с низким вознаграждением / с низкими затратами) было фиксированный (50% в каждом состоянии). Это гарантировало, что изменения в поведении участников между этапами 1 и 2 Решения Решения не могли быть вызваны различиями в описательной статистике открытого поведения Других между тремя условиями.В частности, если бы изменение отношения участников было выше в состоянии Different , чем в состоянии Same , то это не могло быть связано с простым копированием явного поведения.

Результаты

Все статистические анализы данных (включая классические ANOVA и регрессии) были выполнены с использованием бесплатного программного обеспечения VBA (http://mbb-team.github.io/VBA-toolbox/), [46,52]. Здесь мы приступаем к анализу возрастающей сложности. Мы начинаем с анализа без использования моделей, который опирается на простую описательную статистику совокупного поведения людей на этапах принятия решения и прогноза .Затем мы выполняем еще одну серию статистического анализа данных с целью непосредственной оценки качественных прогнозов нашей вычислительной модели. В этих анализах используются межиндивидуальные различия, чтобы обеспечить эмпирическое воспроизведение рис. 2. Наконец, мы приводим результаты сравнения байесовских моделей с учетом последовательностей выбора от испытания к испытанию на всех этапах эксперимента.

1. Анализ без модели

Цель этого анализа двоякая: (i) проверка наличия как ложного консенсуса, так и влияния предубеждений в отношении усилий, задержек и отношения к риску, и (ii) документирование их амплитуды на основе сводных характеристик данных участников.

Давайте сначала рассмотрим предвзятость ложного консенсуса, которая, как мы ожидаем, будет выражена во время фазы предсказания , до того, как агент узнает о поведенческой характеристике Другого. Напомним, что по замыслу условие Same совпадает с восприимчивостью к затратам Другого и участником. Таким образом, наш прогноз двоякий: (i) в начале фазы Prediction производительность участников должна быть выше в состоянии Same , чем в состоянии Different , и (ii) в конце прогноза Prediction фазы, разницы в производительности быть не должно.Мы проверяем это предсказание с помощью дисперсионного анализа ANOVA, где зависимой переменной является производительность, которая измеряется в процентах правильных ответов (5 первых / последних испытаний в условиях То же и Различных ). Точнее, мы включили эффекты стадии сеанса (начало / конец), типа условия ( То же, / Разное, ) и их взаимодействие, а также влияние типа затрат (усилия / задержка / риск). На рисунке 4A ниже представлена ​​схема производительности (усредненная по типам затрат).

Рис. 4. Безмодельные результаты.

Количественная оценка ложного консенсуса (A) и ошибок влияния (B) в терминах сравнения между условиями Same (желтый) и различных (фиолетовый). A: Вверху: средняя производительность (+/- стандартная ошибка среднего) во время фазы прогнозирования . отображается как функция стадии сеанса (начало / конец) и типа условия ( То же / другое, ). Внизу: гистограмма остатков дисперсионного анализа (серые столбцы) и согласованного по моменту гауссова приближения (красная линия). B: Вверху: средняя разница в количестве недорогих вариантов между Решение этапов 1 и 2 (+/- стандартная ошибка среднего) нанесена на график как функция первоначальной чувствительности участников к затратам (низкая / высокая ) и вид условия ( То же / Другое ). Примечание: в условиях Different участники с начальной высокой (соответственно низкой) восприимчивостью к затратам наблюдали искусственный агент, наделенный высокой (соответственно низкой) восприимчивостью к затратам. Внизу: гистограмма остатков дисперсионного анализа (серые столбцы) и согласованного по моменту гауссова приближения (красная линия).

https://doi.org/10.1371/journal.pcbi.1005422.g004

Результаты ANOVA подтверждают два приведенных выше прогноза: существует значительная взаимосвязь между стадией сеанса и типом условия (двусторонний F-тест, F 1,148 = 13,5, p = 2 × 10 −4 ), что связано со значительной разницей между условиями То же и Разное в начале сеанса (односторонний t-критерий, t 148 = 4,68, p = 10 −5 ), тогда как такой разницы нет в конце сеанса (односторонний t-критерий, t 148 = -0.6, p = 0,70). Обратите внимание, что мы проверили предположения о распределении ANOVA. В частности, эмпирическое распределение остатков ANOVA существенно не отклоняется от нормальности (критерий Колмогорова-Смирнова: p = 0,15).

Наконец, мы выполнили проверку работоспособности с использованием условия Noisy , которое служит точкой отсчета для неснижаемых ошибок прогнозирования. В частности, мы спросили, вызывает ли предвзятость ложного консенсуса более сильное ухудшение производительности, чем реальная изменчивость в поведении Другого.Апостериорные тесты показывают, что (i) в начале сеанса производительность значительно лучше в Noisy , чем в состоянии Different (двусторонний F-тест, F 1,148 = 21,0, p = 6 × 10 −6 ), и (ii) в конце сеанса производительность значительно лучше в Different , чем в условии Noisy (двусторонний F-тест, F 1,148 = 8,0, p = 6 × 10 −5 ). Это ожидается в рамках модели BPL, поскольку обучение будет замедляться из-за остаточных ошибок прогнозирования, вызванных зашумленным выбором.

Что касается смещения влияния, мы ожидаем, что в условии Different участники увеличивают (соответственно, уменьшают) свою восприимчивость к затратам, если они наблюдают за кем-то, более (соответственно, менее) восприимчивым к затратам, чем они сами. Напомним, что участники сталкиваются с одними и теми же альтернативами во время этапов 1 и 2 Решения Решения . Это означает, что различия между количеством, например, вариантов с низким вознаграждением на этапах 1 и 2 решения не могут быть вызваны различиями между альтернативами выбора.Однако такие различия могут быть сбиты с толку колебаниями восприимчивости участников к затратам вокруг группового среднего. Таким образом, здесь снова условие Same служит условием управления, на этот раз для оценки неспецифических эффектов «регрессии к среднему». Таким образом, мы оцениваем экспериментальные свидетельства в пользу наличия систематической ошибки влияния с помощью дисперсионного анализа с объединенной дисперсией, где зависимой переменной является разница в количестве недорогих вариантов между этапами 1 и 2 решения Decision , которая служит в качестве прокси для изменения скрытой рентабельности людей.Точнее, мы включили эффекты исходной восприимчивости участников к затратам (высокая / низкая, на основе медианного разделения), типа условия ( То же, / Различное, ) и их взаимодействия, а также влияние типа затрат. (усилие / задержка / риск). На рис. 4В представлена ​​картина изменений рентабельности (усредненная по типам затрат).

Прежде всего, можно увидеть, что люди склонны увеличивать (соответственно уменьшать) количество недорогих решений, которые они делают, когда их первоначальная восприимчивость к затратам низкая (соотв.высокий). Важно отметить, что эта разница сильнее в состоянии Different , чем в состоянии Same . ANOVA подтверждает, что существует значительная взаимосвязь между исходной восприимчивостью участников к затратам и типом состояния (двусторонний F-критерий, F 1,97 = 4,7, p = 0,03), что связано со значительной разницей между низкая и высокая начальная восприимчивость к затратам в условии Различное (односторонний t-критерий, t 97 = 3,6, p = 2 × 10 −4 ), тогда как такой разницы нет в условии То же ( односторонний t-критерий, t 97 = 1.1, p = 0,14). Последующий осмотр условия Другой показывает, что люди делают значительно более дешевый выбор в фазе 1 решения Decision , чем в фазе 2, когда их первоначальная восприимчивость к затратам низка, то есть когда они наблюдали агента, более восприимчивого к затратам. чем они сами (односторонний t-критерий, t 97 = 4,0, p = 6 × 10 −5 ). В свою очередь, они делают значительно менее дешевый выбор в фазе 1 решения Decision , чем в фазе 2, когда они наблюдали агента, менее восприимчивого к затратам, чем они сами (односторонний t-критерий, t 97 = 2.0, p = 0,02). Напомним, что эти эффекты не могут быть просто следствием простой имитации явного выбора, поскольку по замыслу люди соблюдали одну и ту же пропорцию недорогих вариантов во всех условиях (50% для каждого участника и каждого измерения). Однако обратите внимание, что эта модель не полностью соответствует теоретическим предсказаниям, поскольку люди с изначально высокой восприимчивостью к затратам, как правило, уменьшают количество недорогих вариантов в условии Same . В свою очередь, эти люди не показывают существенной разницы между условиями Same и Different .Мы комментируем это в разделе «Обсуждение» данной рукописи. Здесь также эмпирическое распределение остатков ANOVA существенно не отклоняется от нормальности (критерий Колмогорова-Смирнова: p = 0,30).

Взятые вместе, эти результаты показывают, что люди становятся значительно более (соответственно, менее) нетерпеливыми, ленивыми или расчетливыми, наблюдая за кем-то, более (соответственно, менее) подверженным задержкам, усилиям или риску, чем они сами.

2. Подтверждение качественных прогнозов модели

До сих пор мы рассматривали только качественные различия между условиями Same и Different , чтобы оценить наличие ложного консенсуса и повлиять на предвзятость (независимо от типа затрат).В дальнейшем мы стремимся оценить прогнозируемые отношения между собственным и предыдущим отношением к чертам Другого (ложный консенсус), а также между ошибкой прогноза и изменением отношения (социальное влияние) для каждого типа затрат отдельно. Мы оцениваем эти отношения посредством анализа межличностной изменчивости в предварительных / апостериорных предположениях (фаза Прогноз, ) и начальной / конечной чувствительности к затратам (фазы Решения , ). Мы оцениваем первое, подбирая модель BPL (см.Раздел 1.2) к данным испытаний в фазе Прогноз для каждого участника во всех ( То же , Различных и Шумный ) условиях. Мы оцениваем последнее путем подбора моделей арбитража по затратам и выгодам (см. Раздел 1.1) с данными испытания за испытанием на этапах решения Decision для каждого участника для каждого типа затрат. Обратите внимание, что ни одна из этих моделей (BPL и арбитраж затрат и выгод) не информирует ни о ложном консенсусе, ни о предвзятости.

Давайте сначала рассмотрим предвзятость ложного консенсуса. Напомним, что модель BPL просто параметризована с точки зрения среднего и дисперсии предшествующей веры агента в черту Другого. Мы ожидаем, что априорность участников в отношении черты Другого будет вести себя как аффинная функция их первоначальной восприимчивости к затратам (см. Уравнение 9 и рис. 2A). Мы проверяем этот прогноз, проверяя наличие положительной линейной зависимости между оценочным предварительным средним значением участников и оценочной восприимчивостью участников к затратам для каждого типа затрат.Результаты этого анализа суммированы на фиг. 5A.

Рис. 5. Проверка качественных прогнозов модели.

Оценка ложного консенсуса (A) и предвзятости влияния (B) с точки зрения предполагаемых параметров моделей BPL и арбитража по затратам и выгодам. A: Верхний предел : априорное среднее значение восприимчивости к затратам Другого (ось y) нанесено на график как функция их собственной восприимчивости к затратам (ось x) для трех различных типов затрат (синий: задержка, зеленый: усилия, красный: риск). Внизу : оценки на уровне группы (+/- стандартная ошибка среднего) смещений и наклонов для каждого типа затрат. A: Верхний предел : изменение восприимчивости участников к затратам (ось y) нанесено на график как функция ошибки прогноза (ось x) для трех различных типов затрат. Внизу : оценки на уровне группы (+/- стандартная ошибка среднего) смещений и наклонов для каждого типа затрат.

https://doi.org/10.1371/journal.pcbi.1005422.g005

Для начала мы проверили, что подобранные модели дают точные отчеты о поведении участников от испытания к испытанию.Таким образом, мы измерили сбалансированную точность моделей, которая является объективной оценкой скорости правильных прогнозов для двоичных данных [53]. В среднем (по участникам) сбалансированная точность моделей арбитража по затратам и выгодам (оцененная в решении Decision , этап 1) составила 80%, 77% и 78% для задержки, усилий и риска, соответственно. Точно так же средняя сбалансированная точность модели BPL (оцененная на этапе Prediction ) составила 88%, 85% и 79% для задержки, усилий и риска, соответственно.Поскольку эти модели обеспечивают высокую точность прогнозов, мы можем безопасно интерпретировать полученные результаты регрессии. Кроме того, мы проверили, предсказывают ли межличностные различия в абсолютной ошибке между окончательными апостериорными оценками BPL уязвимости других к затратам и истинной восприимчивости других к затратам 5 испытаний фазы Prediction . Мы обнаружили, что даже при контроле типа условия это действительно имело место для Усилия (R 2 = 12.5%, p = 0,007) и риск (R 2 = 11,7%, p = 0,009), но не для задержки ( 2 = 0,2%, p = 0,37), поскольку конечные характеристики достигают предельного уровня (90 % в среднем по всем типам условий, 93%, если отбросить условие Noisy ). Обратите внимание, что модели арбитража и BPL предпочтительнее формальных сравнений байесовских моделей (по сравнению с альтернативными моделями принятия решений и обучения). Мы отсылаем заинтересованного читателя к S1 Text для получения подробной информации о статистических сравнениях с другими моделями.

Мы обнаружили, что предыдущее среднее значение участников достоверно (положительно) коррелировало с их первоначальной восприимчивостью к затратам для всех типов затрат (односторонний t-критерий; задержка: R 2 = 36,0%, t 49 = 5,3, p = 2 × 10 −6 ; усилие: R 2 = 29,2%, t 49 = 4,5, p = 2 × 10 −5 ; риск: R 2 = 37,8%, t 49 = 5,5, p = 8 × 10 −7 ). Это подтверждает предсказание нашей модели, то есть в отсутствие каких-либо наблюдений предварительное предположение людей об арбитраже между затратами и выгодами основано на их собственной восприимчивости к затратам.

Давайте теперь рассмотрим смещение влияния (см. Уравнение 12 и рис. 2B). Наше теоретическое предсказание состоит в том, что изменение восприимчивости людей к затратам увеличивается с увеличением «ошибки предсказания», где – оценка участником черты Другого (после T = 40 испытаний фазы Prediction ). Мы проверяем этот прогноз, проверяя наличие положительной линейной зависимости между предполагаемым изменением восприимчивости людей к затратам и расчетной ошибкой прогноза для каждого типа затрат.Результаты этого анализа суммированы на фиг. 5В.

Во-первых, обратите внимание, что средняя сбалансированная точность моделей арбитража по затратам и выгодам (оцененная в решении Decision , этап 2) составила 81%, 83% и 80% для задержки, усилий и риска, соответственно. Другими словами, нет заметной разницы в объяснительной способности моделей между этапами 1 и 2 решения Decision . Мы обнаружили, что изменение восприимчивости участников к затратам значимо (положительно) коррелировало с ошибкой прогноза для всех типов стоимость (односторонний t-критерий; задержка: рэндов 2 = 10.1%, t 49 = 2,3, p = 0,01; усилие: R 2 = 6,0%, t 49 = 1,8, p = 0,04; риск: R 2 = 26,9%, t 49 = 4,2, p = 5 × 10 −5 ). Хотя уравнение 16 напрямую подтверждается, положительная корреляция такого рода может быть частично искажена общим термином как в зависимых, так и в независимых переменных (а именно:). Оказывается, можно просто переставить уравнение 16, чтобы получить:. Это предлагает другой (более косвенный) способ проверки уравнения 16 путем регрессии по обоим и.Здесь свидетельство предвзятости влияния происходит из значимости вклада. Обратите внимание, что и являются антикоррелированными по дизайну, поэтому мы ортогонализировали w.r.t. перед выполнением множественного регрессионного анализа. В конце концов, мы обнаружили, что это объясняет значительную дисперсию для всех типов затрат (односторонний t-критерий; задержка: R 2 = 46,9%, t 48 = 6,5, p = 2 × 10 −8 ; усилие: 2 = 22,6%, t 48 = 3,7, p = 2 × 10 −4 ; риск: 2 = 71.6%, t 48 = 11,0, p <10 -8 ). Конечно, было обнаружено, что -ортогонализация – также вносит значительный вклад в индивидуальную вариабельность (задержка: p <10 -8 ; усилие: p = 2 × 10 -7 ; риск: p <10 -8 ). Взятые вместе, эти анализы подтверждают предсказание нашей модели, то есть люди согласовывают свое отношение к задержкам, усилиям и риску с другими.

Наконец, мы проверили перевернутую U-образную связь, которую мы ожидаем поддерживать между ложным консенсусом и предвзятостью влияния (см.Рис 2). Обратите внимание, что, в отличие от смещения ложного консенсуса, мы не можем напрямую применять формальное определение смещения влияния. Это связано с тем, что вывод IB в уравнении 13 требует спецификации параметров из байесовской модели ориентации. Однако мы черпали вдохновение из [8] и использовали прокси без модели для IB , то есть: (17)

Используя предыдущее численное моделирование Монте-Карло, мы подтвердили, что корреляция между IB и действительно очень высока (r = 0.79), и это также вело себя как перевернутая U-образная функция FCB . В частности, при подборе квадратичной модели FCB к IB и квадратичный регрессор объяснил 5,3% дисперсии IB и 7,4%. Затем мы выполнили этот анализ с предполагаемыми поведенческими чертами в условии Другой (потому что не определено, когда), объединив данные по типам затрат. Последнее оправдано как прогнозируемой низкой статистической мощностью теста, так и тем, что мы ожидаем, что перевернутая U-образная зависимость сохранится через субъективные атрибуты выравнивания отношения.Результаты этого анализа представлены на рис. 6 ниже.

Рис. 6. Оценка взаимосвязи между ложным консенсусом и предубеждениями влияния.

На этом рисунке обобщена попытка проверки достоверности прогноза, представленного на рис. 2D. A: Смещение влияния участников (ось Y) нанесено на график как функция смещения их ложного консенсуса. FCB (ось x) в условии Различный для всех типов затрат. Данные были разделены на интервалы в соответствии с FCB , и синие полосы ошибок отображают результирующее среднее и стандартные ошибки вокруг среднего.Красная линия показывает наиболее подходящее квадратичное разложение. B: То же, что и в A, но на этот раз со смещениями влияния, скорректированными с учетом межличностной изменчивости по возрасту и полу.

https://doi.org/10.1371/journal.pcbi.1005422.g006

Прежде всего, мы спросили, была ли средняя систематическая ошибка влияния, выраженная с помощью прокси, значительной. Это действительно так (односторонний t-критерий: t 48 = 4,4, p = 6 × 10 −5 , R 2 = 29,3%). Кроме того, не было сильной разницы между типами затрат (F-тест: F 2,47 = 2.4, p = 0,1, R 2 = 9,3%). Затем мы спросили, следует ли перевернутая U-образная связь с FCB . При биннинге данных в соответствии с FCB (см. Панель 6.A) эта взаимосвязь едва заметна из-за высокой вариабельности между субъектами. Фактически, при аппроксимации квадратичной модели на данных без разбиения квадратичный регрессор показал тенденцию, которая не достигла статистической значимости (односторонний t-критерий: t 47 = 1,3, p = 0,09, R 2 = 3,6%). Мы смогли выявить вышеупомянутый квадратичный эффект между субъектной вариабельностью только при включении возраста и пола участников в качестве возможных смешивающих факторов в регрессионную модель.Результат анализа показан на панели 6.B. В этом случае квадратичный эффект считался значимым (односторонний t-критерий: t 45 = 1,7, p = 0,04, R 2 = 6,0%). Обратите внимание, что эмпирическая гистограмма последующих остатков не показывает значительного отклонения от нормы (критерий Колмогорова-Смирнова: p = 0,51). Мы прокомментируем эти результаты в разделе «Обсуждение» ниже.

3. Анализ на основе моделей

Вкратце, приведенный выше анализ подчеркивает наличие ложного консенсуса и предвзятости влияния, которые подтверждают основные прогнозы нашей байесовской модели (в соответствии с классическими процедурами проверки значимости).Однако мы еще не рассмотрели вопрос оценки объяснительной способности модели, учитывая полный набор поведенческих данных участников испытания за испытанием (по всем этапам решения Decision и Prediction ). В частности, в рамках нашей социальной байесовской модели ложный консенсус и предубеждения влияния связаны через априорные значения людей в отношении разброса информации о том, «насколько хороши» арбитражи затрат и выгод (см. Раздел 3.3). Далее мы проводим статистическое сравнение нашей модели с ложным консенсусом и / или ошибками влияния и без них, учитывая последовательности выбора от испытания к испытанию на всех этапах эксперимента.

В принципе, можно объединить модели арбитража по затратам и выгодам (для этапов 1 и 2 решения Decision ) с BPL (для этапа Prediction ) четырьмя различными способами, в зависимости от того, включает ли один из них ложный консенсус или нет. смещение (согласно уравнению 9) и / или смещение влияния (согласно уравнениям 14 и 15). С одной стороны, отсутствие предвзятости ложного консенсуса можно просто объяснить, освободив моменты предшествующей (и) поведенческой черты другого агента от ограничения уравнения 9.Это просто означает, что они принадлежат к набору неизвестных параметров модели, которые необходимо оценить с учетом поведения участников. В свою очередь, это отделяет фазу Prediction от первой фазы Decision (у них нет общего параметра). Обратите внимание, что это по-прежнему оставляет открытой возможность других видов предварительных предположений о поведенческих чертах других людей. С другой стороны, отсутствие предвзятости влияния просто моделируется путем приравнивания начальной и конечной уязвимости агента к затратам (в Решениях , этапах 1 и 2, соответственно).Это эффективно отделяет фазу 2 решения Decision от фазы Prediction (без смещения влияния).

Таким образом, мы рассмотрели следующее пространство факторной модели 2 × 2 для каждого участника и каждого типа затрат (задержка, усилия и риск): м 1 (без смещения ложного консенсуса, без смещения влияния), м 2 (смещение ложного консенсуса, смещение без влияния), м 3 (без смещения ложного консенсуса, смещения влияния) и м 4 (смещение ложного консенсуса и влияния).Параметры модели могут варьироваться в зависимости от участников и типов затрат. Чтобы учесть сложность модели при количественной оценке того, насколько вероятно, что этим моделям даны последовательности выбора участников, мы оценили их предельное правдоподобие или доказательства байесовской модели в рамках вариационно-лапласовского приближения [46, 47, 52]. Затем они были включены в сравнение байесовских моделей со случайным эффектом на уровне группы (RFX-BMS) [54,55]. Этот анализ рассматривает модели как случайные эффекты, которые могут различаться между участниками, с неизвестным распределением населения (описанным в терминах частот / пропорций моделей).В частности, мы сообщаем о вероятности превышения (EP), связанной с моделями (или семейством моделей), что соответствует апостериорной вероятности того, что данная модель является наиболее часто встречающейся в генеральной совокупности.

Начнем с того, что сравнение между условиями позволяет нам задаться вопросом, стабильны ли модели атрибуции для разных типов затрат [54]. Это подтверждает, что базовая модель (в наборе сравнения) инвариантна для разных типов затрат (EP = 100%). Таким образом, мы суммировали лог-свидетельства по типам затрат (фиксированный эффект по типам затрат) и выполнили RFX-BMS.Результаты этого анализа представлены на рис. 7.

Рис. 7. Результаты на основе моделей.

Оценка совместной обработки ложного консенсуса и предвзятости влияния с точки зрения статистического сравнения на уровне группы четырех моделей поведения участников по всем Решениям и Фазам прогнозирования (m 1 : нет ложных -консенсус, нет влияния; m 2 : ложный консенсус, нет влияния; m 3 : нет ложного консенсуса, влияние; m 4 : ложный консенсус и влияние). Слева: атрибутов моделей для каждой модели (ось x) и каждого участника (ось y). Средний: оценочных частот моделей (+/- апостериорная стандартная ошибка) каждой модели. Справа: вероятностей превышения (светло-серый) и защищенных вероятностей превышения (темно-серый) для каждой модели.

https://doi.org/10.1371/journal.pcbi.1005422.g007

Давайте сначала рассмотрим межличностные различия в атрибуциях моделей, то есть апостериорные вероятности того, что каждая модель объясняет данные каждого участника.По сути, это сводная статистика сравнения байесовских моделей на предметном уровне. Можно видеть, что, хотя некоторые участники, похоже, не демонстрируют никаких доказательств предвзятости влияния (модель m 2 ), атрибуция модели в основном поддерживает модель m 4 , то есть наличие как ложного консенсуса, так и предвзятости влияния. , как предсказано уравнениями 9, 14 и 15. Мы отсылаем заинтересованного читателя к S1 Text для отчетов о наилучшем и наихудшем соответствии модели (для всех участников). В конечном итоге это проявляется в оценках частот моделей RFX-BMS, которые учитывают внутриобъектную неопределенность в отношении атрибутов модели.Короче говоря, около 85% людей лучше всего описываются в терминах модели m 4 (частота ± два стандартных отклонения = 58,1% ± 6,3%) или модели m 2 (26,9% ± 5,7%) . Байесовский омнибусный риск был очень низким (BOR = 1,6%), что указывает на то, что этот образец частот модели очень маловероятно обусловлен случайностью [54]. Наконец, вероятность превышения показывает, что модель m 4 , вероятно, будет наиболее распространенной в популяции (EP = 99,6%, защищенный EP = 98.4%).

Взятые вместе, эти анализы предоставляют независимое свидетельство в пользу нашей байесовской интерпретации выравнивания отношения, которое является результатом взаимодействия между ложным консенсусом и предубеждениями влияния.

Обсуждение

В этой статье мы представляем и проверяем вычислительную модель того, как люди узнают о ленивом, нетерпеливом или осмотрительном отношении других и от них. Эта модель предсказывает, что такое обучение демонстрирует как ложный консенсус, так и влияет на «предубеждения», которые возникают в результате оптимальной по Байесу обработки информации.Он также предсказывает, что степень согласованности отношения является результатом нетривиального взаимодействия между ложным консенсусом и предубеждениями влияния. В поведенческом эксперименте мы показываем, что здоровые взрослые люди ведут себя в соответствии с предсказаниями модели. В частности, мы демонстрируем сильную предвзятость ложного консенсуса, при которой предварительные предположения людей о других основываются на их собственном отношении, а затем уточняются с помощью наблюдательной информации. Кроме того, арбитраж между доходами и затратами людей смещается в сторону других, что приводит к искажению влияния на усилия, задержки и отношение к риску.Наконец, предвзятость влияния, похоже, следует предсказанной перевернутой U-образной взаимосвязи с ложным консенсусом.

Давайте сначала обсудим, насколько согласованы и / или новы наши результаты по сравнению с существующей литературой.

Прежде всего, мы обнаружили, что люди способны узнавать о ленивом, нетерпеливом или осмотрительном поведении других (достигая точности предсказания выбора около 85%, см. Рис. 4A). Более того, наши результаты показывают, что этот обучающий навык основан на сложной ментализации, которая связана с предвзятостью ложного консенсуса, которая постепенно исчезает по мере предоставления информативной обратной связи.С экспериментальной точки зрения, этот результат согласуется с недавними нейробиологическими исследованиями, которые подтвердили, что типичные ментализующие системы мозга – точнее, медиальные префронтальные области – задействованы, когда люди предсказывают чужие арбитражи задержки [56] и выбор в обучающей задаче [56]. 57]. Однако эти исследования не смогли выявить предубеждений, связанных с ложным консенсусом, и не предоставили какого-либо компьютерного понимания того, как люди мыслят в таких задачах. Наша работа также расширяет предыдущие вычислительные исследования, которые показывают, что люди с большей вероятностью будут полагаться на схемы байесовской ментализации, чем на эвристику, при прогнозировании выбора других над хорошими связками [58].Здесь инкрементальный аспект нашей работы двоякий: мы раскрываем вычислительно эффективное (вариационное) приближение к точному байесовскому выводу (см. S1 Text), и (ii) мы включаем механизмы ложного консенсуса и влияния в процесс ментализации. Первый вопрос чрезвычайно важен для нейробиологических исследований, потому что он предлагает простую алгоритмическую реализацию ментализации, которая может быть прослежена в сигналах нейровизуализации испытание за испытанием. Последний вопрос важен, потому что он проливает новый свет на огромное количество эмпирических результатов социальной психологии.В частности, устоявшийся взгляд на «эффекты ложного консенсуса» заключается в том, что он удовлетворяет потребность в самооценке, поскольку вводит людей в заблуждение, заставляя думать, что их ценности или убеждения разделяют другие [59]. Мы отсылаем заинтересованного читателя к [60] за вариантами такого рода объяснений. Здесь мы утверждаем, что не нужно прибегать к подобным конструкциям. Скорее, мы предполагаем, что основная причина предубеждений ложного консенсуса заключается в том, что они (как это ни парадоксально) улучшают ментализацию (с точки зрения точности поведенческих прогнозов).Мы вернемся к этому позже, когда будем обсуждать оптимальность ложного консенсуса и предубеждений влияния.

Во-вторых, мы обнаружили, что люди учатся на ленивом, нетерпеливом или благоразумном поведении других. Точнее, мы показали, что отношение людей к усилиям, задержкам или риску смещается в сторону отношения других. Это расширяет предыдущие результаты относительно аналогичных эффектов «социального заражения» на эстетические суждения [18,61,62]. Насколько нам известно, только два исследования обсуждают влияние скрытого отношения других людей [8,9].Их противоречивые результаты (с точки зрения значимости влияния дисконтирования задержки) могут быть связаны с различиями в экспериментальных планах, которые, возможно, не обладали достаточной статистической мощностью, чтобы обнаружить этот эффект. В этом контексте наши результаты важны, потому что смещение влияния может объяснить некоторую форму нестабильности предпочтений, которая в значительной степени задокументирована в литературе по поведенческой экономике [63–65]. Связанный с этим вопрос заключается в том, вызваны ли такие явления простым общественным согласием, которое вызывает только краткосрочные изменения в рейтингах явных предпочтений [66], или отражают более устойчивые изменения в глубоких детерминантах поведения [67].Хотя мы не можем напрямую ответить на этот вопрос, мы предоставляем эмпирические доказательства того, что влияние отношения других к усилию, риску или задержке не просто связано с имитацией открытого поведения. Это связано с тем, что в наших экспериментальных условиях систематическая ошибка влияния возникает, несмотря на то, что статистические характеристики наблюдаемого явного поведения (например, количество недорогих вариантов выбора) оставались идентичными для разных условий. В любом случае, наше исследование – первое, демонстрирующее влияние вычислительных свойств ментализации на выравнивание установок.В частности, мы раскрыли нетривиальное взаимодействие между ложным консенсусом и предубеждениями влияния, которое было предсказано байесовской моделью выравнивания отношения, которую мы предложили. Хотя очевидно, что для установления этого эффекта и изучения его практического значения необходима дальнейшая работа, этот результат, несомненно, беспрецедентен.

Давайте теперь обсудим ограничения нашего исследования

Прежде всего, напомним, что мы выполнили три типа статистического анализа данных с возрастающей степенью сложности (от сводной статистики без модели до проверки качественных прогнозов модели и до количественных сравнений моделей с учетом последовательностей выбора от испытания к испытанию).Помимо внутренней непротиворечивости, можно было поставить под сомнение силу представленных эмпирических данных. Например, используя безмодельный анализ, мы обнаружили, что люди с начальной предрасположенностью к высоким затратам изменили свой выбор аналогичным образом в условиях Тот же и Другой . Это проблематично, потому что условие Same служит для оценки исходной неконтролируемой нестабильности предпочтений (включая, например, регрессию к средним эффектам). Однако, вероятно, это связано с комбинацией недостатков в нашем дизайне, а именно: тем фактом, что мы использовали межсубъектный дизайн (где межличностные различия могут частично затруднить сравнение условий Same и Different ). , использование нами предыдущего пилотного исследования для разделения субъектов на подгруппы High и Low с исходной ценовой восприимчивостью (что привело к небольшому статистическому дисбалансу, в результате чего дисперсия ошибки прогноза была выше в группе High , чем в группе High ). Низкая группа ) и т. Д. Все эти проблемы могли привести к потере статистической мощности, что могло бы объяснить отсутствие доказательств разницы между состояниями Same и Different для людей с исходной восприимчивостью к высоким затратам. .Можно также спросить, не могут ли эмпирические доказательства смещения ложного консенсуса считаться более сильными, чем смещения влияния. Простая возможность состоит в том, что предвзятость ложного консенсуса может быть более устойчивым явлением, чем предвзятость социального влияния. Это, возможно, лучше всего иллюстрируется оценкой предсказаний качественной модели с точки зрения размеров эффекта связанных аффинных преобразований (см. Рис. 4). Фактически, простой двухвыборочный t-критерий подтверждает, что разница в процентах объясненной дисперсии является значительной (p = 0.02). Напомним, однако, что наша байесовская модель выравнивания отношения предсказывала, что аффинная связь между предыдущей и ее первоначальной установкой агента должна быть гораздо менее шумной, чем связь между ее изменением отношения и ошибкой предсказания. Возможно, лучше всего это проиллюстрировано на Рисунке A1 текста S1. В связи с этим, хотя мы нашли доказательства перевернутой U-образной связи между ложным консенсусом и предубеждениями влияния, мы признаем, что эти доказательства не являются окончательными.Напомним, что квадратичный эффект стал значимым только тогда, когда мы объяснили вариативность между субъектами, которая была вызвана межличностными различиями в возрасте и поле. Здесь снова, хотя прогнозируемая статистическая мощность была довольно слабой (ожидаемый R 2 = 7,4%), мы не оптимизировали экспериментальный план относительно. обнаружение этого эффекта. Ясно, что здесь необходима дальнейшая работа, чтобы твердо установить этот эффект.

Во-вторых, несмотря на совпадающие эмпирические данные, представленные в этом исследовании, можно возразить, что проверка нашей байесовской модели выравнивания установок неполна.Например, мы не включили какое-либо явное сравнение с альтернативными объяснениями, которые позволили бы сделать качественно аналогичные прогнозы. Проблема здесь в том, чтобы определить сценарии, которые могут объяснить, как люди узнают о ленивом, нетерпеливом или благоразумном поведении других и от них так, как они это делают; в частности, эти сценарии должны учитывать как ложный консенсус, так и предубеждения влияния. Например, на этапе прогнозирования, если люди не изучают какую-либо форму (скрытой) параметризованной функции полезности при прогнозировании арбитражей других затрат и выгод, что они узнают? Возможно, люди обновят оценку вероятности того, что другие выберут дешевый вариант.Однако сравнение байесовской модели с BPL опровергает это предположение (см. S1 Text). В более общем плане здесь не сработает никакая простая эвристическая стратегия, основанная на статистике явного поведения, потому что они совпадают по условиям (по замыслу частота наблюдаемых недорогих вариантов установлена ​​на 50%). Другими словами, обучение невозможно без явного учета рентабельности альтернативного выбора. Вот почему простые варианты моделей обучения с подкреплением (используемые в, например,g., [57]) не может объяснить, как люди в конечном итоге учатся предсказывать арбитражные издержки и выгоды других. Кроме того, можно спросить, насколько близки внутренние модели арбитражей чужих затрат и выгод к математической форме конкретных функций полезности, которые мы использовали для моделирования отношения к задержкам, усилиям или рискам. Фактически, наше экспериментальное утверждение не доходит до утверждения, что поведенческие экономические модели являются лучшими представителями ментализующей интуиции людей. Скорее, они служат простыми посредниками для регулируемых арбитражей затрат и выгод, которые могут учитывать чувствительность людей к межличностным различиям.Но тогда: что, если наш выбор специальных функций полезности дает искаженные представления о процессах ментализации людей? Конечно, теоретически это возможно. Тем не менее, сравнение байесовской модели различных базовых функций полезности (включая линейные полезности) в фазе Prediction поддерживает текущий выбор зависимых от затрат функций полезности (см. S1 Text).

В-третьих, мы признаем, что наши теоретические основы не достигают соответствующих психологически значимых целей.Начнем с того, что нашу байесовскую модель нельзя использовать для прогнозирования того, какие внутренние аспекты ментализации являются сознательными / явными, а какие – бессознательными / неявными. Напомним, что это общее ограничение моделей, основанных на теории информации, которая игнорирует это различие. Это связано с тем, что дихотомия сознательного / бессознательного не имеет значения ни для ее математических составляющих (распределения вероятностей), ни для их манипуляции (исчисление вероятностей). Короче говоря, байесовский агент не является ни сознательным, ни бессознательным: он действует автоматически.Это можно было бы считать неудачным, учитывая текущие дебаты относительно относительного вклада неявных и явных компонентов ментализации [24, 68–70]. Обратите внимание, что анализ письменного опроса эксперимента показывает, что только 19% участников узнали об изменении своего отношения к усилию, задержке или риску. Интересно, что осознание изменения отношения не коррелирует с его величиной. Таким образом, мы склонны думать, что, хотя оно частично доступно для некоторой формы метакогнитивного самоконтроля, предвзятость влияния, скорее всего, будет в основном неявной.Это согласуется с исследованиями, в которых сообщается о «слепоте» или социальном влиянии категориальных суждений [71,72]. Еще одно ограничение нашей модели связано с динамикой выравнивания установок. Строго говоря, модель не указывает ни когда происходит выравнивание отношения, ни как долго оно длится. Решение первой проблемы потребует сравнения вариантов моделей, в которых выравнивание отношения происходит либо в то время, когда люди мыслят о других, либо когда они собираются провести арбитраж по соотношению затрат и выгод.Первый намек здесь исходит из недавних нейробиологических данных, которые показывают, что пластичность предпочтений происходит параллельно с пластичностью, вызванной обучением, в медиальной префронтальной коре [8]. Последняя проблема связана с устойчивостью смещения влияния. Из-за относительной слабости размеров эффекта, представленных в этом исследовании (по крайней мере, по сравнению с ошибкой ложного консенсуса), мы утверждаем, что здесь явно необходима дальнейшая работа.

Давайте теперь обсудим байесовскую оптимальность ложного консенсуса и влияние предубеждений в свете эволюционного мышления.Мы утверждали, что этих явлений следует ожидать, исходя из принципов теории информации. Точнее, наша байесовская модель выравнивания отношения предполагает, что они возникают из предварительных предположений относительно разброса информации людей о том, насколько «хороши» поведенческие политики. Этот совместный подход к ложному консенсусу и предвзятости влияния заслуживает нескольких поясняющих комментариев.

Напомним, что вне контекста выравнивания установок байесовские модели познания парадоксальным образом страдают из-за их (в некоторой степени нежелательной) нормативной точки зрения на обработку информации [73,74].Подобная критика, несомненно, относится к работе, которую мы здесь представляем. Мы признаем, что может быть трудно, если не невозможно, утверждать, что механизмы обучения, лежащие в основе ложного консенсуса и предубеждений влияния, являются типично байесовскими. Фактически, было бы почти тривиально уловить, например, смещение влияния, используя специальные модели обучения (например, варианты правил обучения Рескорла-Вагнера). Однако такие модели не могут объяснить, почему вообще следует ожидать появления систематической ошибки влияния.Кроме того, маловероятно, что модели такого рода могут предсказывать более сложные явления, такие как существующее взаимодействие между ложным консенсусом и предубеждениями влияния. С нашей точки зрения, в этом заключается ценность нашего байесовского подхода к выравниванию установок: оно предсказывает большинство (если не все) характерных черт этих предубеждений, исходя из первых (нормативных) принципов.

Мы начинаем с предпосылки, что черта поведения человека может рассматриваться как субъективная и неопределенная оценка «лучшей» политики.Отсюда следует, что можно угадать уязвимость других к затратам, исходя из собственной веры в «лучшую» политику, отсюда и предвзятость ложного консенсуса. В свою очередь, смещение ложного консенсуса является результатом комбинации двух необходимых факторов, а именно: (i) черта поведения человека определяет его предварительные ожидания относительно других, и (ii) точность этого предварительного предположения не равна нулю (конечная априорная дисперсия ). Обратите внимание, что, в принципе, априорное смещение, которое в конечном итоге приведет к наименьшему количеству ошибок прогноза в среднем, должно быть получено из распределения признаков в популяции.Так почему вообще существует предвзятость к ложному консенсусу? Причина кроется в нетривиальной взаимосвязи между ложным консенсусом и предубеждениями влияния. По мере того, как кто-то соглашается со все большим и большим количеством людей, его черта будет постепенно сходиться к среднему значению группы (вплоть до ошибок выборки). В свою очередь, предвзятость ложного консенсуса будет иметь тенденцию к оптимальному априорному положению.

Давайте теперь обратимся к предвзятости влияния, которую мы видим как еще одно следствие вышеизложенной предпосылки. Подобно информационным каскадам в последовательных суждениях [75], подверженность влиянию отношения других к задержкам, усилиям или рискам дает наблюдателю возможность узнать полезную информацию о «лучших» стратегиях.Здесь необходимо сделать два (связанных) замечания. Во-первых, данная экологическая ниша может благоприятствовать некоторым поведенческим чертам посредством избирательного давления. Важно то, что выравнивание позиций способствует или препятствует этому давлению дистального отбора – нетривиальный вопрос [76]. Ключевая идея здесь заключается в том, что выравнивание отношения может иметь адаптивную приспособленность, в основном потому, что оно служит для исправления потенциально неточных (странных) врожденных черт. Чтобы подтвердить это утверждение, нужно было бы показать, используя e.g., Evolutionary Game Theory [77], фенотипы, демонстрирующие выравнивание установок (как задокументировано в этом исследовании), в конечном итоге сохраняются, независимо от адаптивной приспособленности какой-либо конкретной установки (которая зависит от произвольных характеристик социально-экологической ниши). Во-вторых, наша трактовка выравнивания отношения обходит устоявшиеся эволюционные объяснения, основанные на социальных нормах и избегании социального отторжения [67,78,79]. Обратите внимание, что согласно последней точке зрения предвзятость ложного консенсуса – это всего лишь форма «принятия желаемого за действительное» [80], т.е.е. (приятное?) заблуждение соответствия. Но тогда не будет ли ложный консенсус усугублять риск социального отторжения и, следовательно, в конечном итоге ухудшить адаптивную приспособленность социальных агентов? Это важно, потому что это означало бы, что социальная конформность и «эксцентричная коррекция» будут действовать как противостоящие эволюционные силы на фенотипы, которые проявляют как влияние, так и предубеждения ложного консенсуса. Здесь снова можно использовать эволюционную теорию игр, чтобы определить, какие особенности социально-экологической ниши вида будут определять, какие из этих сил будут доминировать.

Эти замечания на самом деле напоминают дискуссию об эволюционном происхождении «стадности», то есть нескоординированного согласования поведения особей в группе (стаде), которое происходит без централизованной координации [81]. Ранние полевые исследования показали, что стадо может возникать из-за нескоординированного поведения животных, занятых, например, избеганием хищников или поиском пищи [82]. В более общем смысле, стадное поведение включает, но не ограничивается ими, скопление насекомых [83], скопление птиц [84] или скопление людей [85].Последнее принимает впечатляюще разнообразные формы, от панического поведения толпы [86,87] до моды, культурных обычаев и локального соответствия политическим взглядам [75,88]. Масштабы этого явления в значительной степени выходят за рамки выравнивания человеческого отношения, что, возможно, может быть отражено моделью, которую мы здесь представили. Тем не менее выравнивание установок можно рассматривать как один из многих когнитивных механизмов, которые способствуют самоорганизации коллективного (человеческого?) Поведения [89, 90].Нетривиальная проблема здесь состоит в том, чтобы предсказать временную динамику взаимодействий социальных групп, которая является результатом внутренних свойств выравнивания установок [91]. Этот нерешенный вопрос открывает множество интересных вопросов, которые могут потребовать разработки новых экспериментальных и теоретических инструментов [92].

(PDF) Концепция лени и характеристика других как ленивых

Коллин, Ф. (2012) Socialkonstruktivisme. I: Якобсен, M.H., Липперт-Расмуссен, К. Ог Недергаард, П.

Videnskabsteori i statskundskab, sociologi og forvaltning (2. udgave) .København: Hans Reitzels Forlag.

Фурокер Б. и Бломстерберг М. (2003). Отношение к безработным – анализ данных шведского опроса.

Международный журнал социального обеспечения, 12,193–203.

Фернхам, А. (1982a). Протестантская трудовая этика и отношение к безработице. Журнал профессиональной

Психология, 1982 (55), 277–285.

Фернхэм, А. (1982b).Пояснения к безработице в Британии. Европейский журнал социальной психологии, 12, 335–352.

Фернхэм, А. (1983). Отношение к безработным, получающим пособия по социальному обеспечению. Human Relations,

36 (2), 135–150.

Гибсон, С. (2009). Стремительный гражданин: дискурсивная социальная психология и реформа социального обеспечения. Журнал сообщества

и прикладной социальной психологии, 19,393–410.

Гилович Т., Гриффин Д. (2002). Введение – эвристика и предубеждения: тогда и сейчас.В: Т., Гилович, Д., Гриффин,

Д., Канеман (2002). Эвристика и предубеждения: психология интуитивного суждения. Кембриджский университет

Press. (стр. 1–18).

Гугушвили А. (2016). Межпоколенческая социальная мобильность и популярные объяснения бедности: сравнительная перспектива

. Исследование социальной справедливости, 29 (4), 402–428.

Хорн, А., и Мейсленд, Р. (2013). Существует ли протестантская трудовая этика? Доказательства влияния на благосостояние безработицы

.Журнал экономического поведения и организации, 91 (2013), 1–12.

Якобсен, М. (2015). Dovenskab –Enbibigåetfølelse i forskningen I: I Bo, M. Jacobsen (Red.): Hverdagslivets

følelser: Тильстанде, родственник, культурист. København: Hans Reitzel.

Канеман Д. (2002). Карты ограниченной рациональности: взгляд на интуитивное суждение и выбор. Приз

Лекция. Нобелевский фонд, (449–489).

Линдхарт, Дж. (2001). Accidia. В Lindhart, J. De syv dødssynder.(1-е изд.) Rosinante Forlag A / S, Kø benhavn

2001. (стр. 113–125).

Лючинигер, С., Мейер, С., и Штутцер, А. (2010). Почему безработица вредит работающим? Журнал

Human Resources, 45 (4), 998–1045.

Матлин, М. (2009a). Использование долговременной памяти. В М., Когнитивная психология Матлина (7-е изд.). John Wiley &

Sons, Inc. (стр.119–134).

Матлин, М. (2009b). Использование рассуждений и принятия решений. В М., Когнитивная психология Матлина (7-е изд.). Джон

Wiley & Sons, Inc. (стр. 405–423).

Московичи, С. (1981). О социальных представлениях. В Дж. П. Форгасе (ред.), Социальное познание: перспективы в повседневном понимании

. Лондон: Academic Press.

Московичи, С. (1988). Примечания к описанию социальных представлений. Европейский социальный журнал

Психология, 18,211–250.

Петерсен, М., Шныцер, Д., Космидес, Л., и Туби, Дж. (2012). Кто заслуживает помощи? Эволюционная психология,

социальные эмоции и общественное мнение о благосостоянии.Политическая психология, 33 (3), 2012.

Пронин, Э., Пуччо, К., Росс, Л. (2002). Понимание непонимания: социально-психологические перспективы. В:

Т., Гилович, Д., Гриффин, Д., Канеман (2002). Эвристика и предубеждения: Психология интуитивного суждения –

мент. Издательство Кембриджского университета.

Пульц, С., & Хвиид, П. (2016). Представляя лучшее будущее: молодые безработные и полифонический хор.

Культура и психология, 24 (1), 3–25.

Pultz, S., & Mørch, S. (2014). Безработные по собственному выбору: молодые творческие люди и уравновешивание спонтанности за счет стратегического самоуправления. Журнал молодежных исследований, 18 (10), 1382–1401.

Рэтклифф, М., Хатто, Д. и Д. (2007). 1. Введение. В M. Ratcliffe & H.DD (Eds.), Folkpsychology повторно оценила

(1-е изд., Стр. 1-22). Дордрехт: Спрингер.

Рейна, К. (2008). Ян умен, но Лешон ленив: Предпосылки и последствия атрибутивных стереотипов

в классе.Европейский журнал психологии образования, 23 (4), 439–458.

Рейна К. и Вайнер Б. (2001). Справедливость и полезность в классе: атрибутивный анализ целей

учителей стратегии наказания и вмешательства. Журнал педагогической психологии, 92 (2), 309–319.

Шрифт Р., Кивец Р. и Нетцер О. (2016). Сложные решения: эвристика трудовой этики и построение сложных решений

. Журнал экспериментальной психологии: Общие, 145 (7), 807–829.

Шварц, Н., Вон, Л. (2002). Возвращение к эвристике доступности: легкость отзыва и содержание отзыва как

Отдельные источники информации. В: Т., Гилович, Д., Гриффин, Д., Канеман (2002). Эвристика и предубеждения:

Психология интуитивного суждения. Издательство Кембриджского университета (стр. 103–105).

Сонне-Раганс, В. (2013). Anvendt Videnskabsteori –Reflekteret teoribrug i videnskabelige opgave.

Samfundslitteratur, 2-е изд. (стр. 23–32 и 40–46).

Тверски, А., и Канеман, Д. (1974). Суждение в условиях неопределенности: эвристика и предвзятость. Наука, Новая серия,

Т. 185, No. 4157 (27 сентября 1974 г.), стр. 1124–1131.

Представление о лени 303

Что такое ленивец? Что говорится в Притчах о ленивцах?

Ответ

Ленивец – это тот, кто обычно ленив или бездействует. Такой человек не несет личной ответственности за свою жизнь. Слово ленивец используется в книге Притчей 14 раз.В каждом случае Библия осуждает лень и предупреждает о последствиях лени.

Притчи 6: 9 задают два риторических вопроса, подчеркивая одну из основных черт ленивца: «Как долго ты будешь лежать там, ленивец? / Когда ты проснешься? » Стих 6 говорит ленивцу, чтобы он получил урок от трудолюбивого насекомого: «Иди к муравью, ленивец; / думай о своих путях и будь мудрым! »

Притчи 10:26 говорят: «Что уксус для зубов и дым для глаз, то ленивцы для посылающих их.«Ленивцу как работнику больно; ни один босс не хочет, чтобы у него работал неэффективный ленивец.

В Притчах 13: 4 говорится: «Аппетит ленивца никогда не насыщается, но желания прилежных полностью удовлетворяются». В этой противоположной пословице ленивец противопоставляется прилежным. У ленивого человека нереализованные желания именно потому, что он бездействует.

Притчи 19:24 использует юмор, чтобы подчеркнуть лень: «Ленивец зарывает руку в блюдо; / он даже не принесет обратно в рот! » Слишком вялый, чтобы поднести вилку ко рту – это настоящая лень!

В Притчах 20: 4 говорится: «Ленивцы не пашут в сезон; / так что во время сбора урожая они смотрят, но ничего не находят.«Поскольку ленивец не усердно работает и не планирует наперед, у него нет того, что ему нужно для жизни. Похоже, что ленивцы не понимают закона сева и жатвы, поскольку ожидают выгоды от труда, фактически не трудясь.

Притчи 21:25 повторяют тему лени, ведущей к нужде: «Алчность ленивца смертью его / потому что руки его отказываются работать».

Притчи 22:13 рисуют юмористическую картину оправдания ленивца: «Ленивец говорит:« Снаружи лев! Меня убьют на городской площади! »» Это крайнее оправдание было бы похоже на то, как сегодня человек сказал бы: «На шоссе может вылететь дикий медведь, так что мне лучше не идти на работу.«Для большинства людей возможность разбушевавшегося медведя настолько мала, что вызывает смех – и это, конечно, не повод пропускать работу.

Притчи 26:14 используют символический параллелизм, чтобы снова посмеяться над любовью ленивца ко сну: «Как дверь поворачивается на петлях, / Так и ленивец на своей постели». Следующие два стиха завершают образ ленивого человека: «Ленивец зарывает руку в блюдо; / Он устал снова подносить его ко рту. / Ленивец в своих глазах умнее семерых мужчин, которые могут дать сдержанный ответ.«Следует отметить высокое мнение ленивца о себе: он считает, что умен, чтобы не работать; не имеет значения, сколько разумных аргументов приводится против него, он упорствует в своем самомнении, что он мудрый человек.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *