Här är exempelfall för de tre experimentella uppgifterna, som var och en krävde ett ja eller nej svar från våra forskningsdeltagare. Kredit:Juan Pablo Franco Ulloa/Karlo Doroc/Nitin Yadav
Nobelpristagarens ekonom Richard Thaler sa:"Människor är inte dumma, världen är hård."
Faktum är att vi rutinmässigt stöter på problem i vår vardag som känns komplexa – från att välja den bästa elplanen till att bestämma hur vi effektivt ska spendera våra pengar.
Australier betalar hundratals miljoner dollar varje år för att jämföra webbplatser och konsumentfokuserade grupper som CHOICE för att hjälpa dem fatta beslut om produkter och tjänster.
Men hur kan vi objektivt mäta hur "komplexa" våra beslut egentligen är? Vår forskning, nyligen publicerad i Scientific Reports , erbjuder ett potentiellt sätt att göra detta, genom att dra nytta av koncept från data- och systemvetenskap.
Varför bry sig om att mäta komplexitet?
Det finns flera faktorer när det gäller att mäta komplexitet i ett scenario. Det kan till exempel finnas ett antal alternativ att välja mellan och varje alternativ kan ha flera olika funktioner att överväga.
Anta att du vill köpa sylt. Detta blir enkelt om det bara finns två smaker tillgängliga, men svårt om det finns dussintals. Men att välja en elplan skulle vara mycket svårare även med bara två alternativ.
Med andra ord, du kan inte isolera en viss faktor när du försöker bestämma komplexiteten hos något. Du måste överväga problemet som helhet – och detta kräver mycket mer arbete.
Förmågan att noggrant mäta komplexitet skulle kunna ha ett brett utbud av praktiska tillämpningar, inklusive att informera utformningen av:
Hur vi studerar mänskligt beslutsfattande
Datavetenskap kan hjälpa oss att lösa problem:information går in och en (eller flera) lösningar kommer ut. Hur mycket beräkning som krävs för detta kan dock variera mycket, beroende på problemet.
Vi och våra kollegor använde en exakt matematisk ram, kallad "beräkningskomplexitetsteori", som kvantifierar hur mycket beräkning som behövs för att lösa ett givet problem.
Tanken bakom det är att mäta mängden beräkningsresurser (som tid eller minne) en datoralgoritm behöver vid problemlösning. Ju mer tid eller minne det behöver, desto mer komplext är problemet.
När detta är etablerat kan problem kategoriseras i "klasser" baserat på deras komplexitet.
I vårt arbete var vi särskilt intresserade av hur komplexitet (som fastställts genom beräkningskomplexitetsteori) överensstämmer med den faktiska mängden ansträngning människor måste lägga på att lösa vissa problem.
Vi ville veta om beräkningskomplexitetsteori exakt kunde förutsäga hur mycket människor skulle kämpa i en viss situation och hur exakt deras problemlösning skulle vara.
Testar vår hypotes
Vi fokuserade på tre typer av experimentella uppgifter, som du kan se exempel på nedan. Alla dessa uppgiftstyper ligger inom en bredare klass av komplexa problem som kallas "NP-kompletta" problem.
Varje uppgiftstyp kräver olika förmåga att prestera bra i. Specifikt:
Alla tre finns överallt i verkliga livet och återspeglar dagliga problem som mjukvarutestning (tillfredsställelse), planering av en roadtrip (resande säljare) och shopping eller investering (knapsäck).
Vi rekryterade 67 personer, delade upp dem i tre grupper och fick varje grupp att lösa mellan 64–72 olika varianter av en av de tre typerna av uppgifter.
Vi använde också beräkningskomplexitetsteori och datoralgoritmer för att ta reda på vilka uppgifter som var "hög komplexitet" för en dator, innan vi jämförde dessa med resultaten från våra mänskliga problemlösare.
Vi förväntade oss – om vi antar att teorin om beräkningskomplexitet är kongruent med hur verkliga människor löser problem – att våra deltagare skulle spendera mer tid på uppgifter som identifierats som "hög komplexitet" för en dator. Vi förväntade oss också lägre problemlösningsnoggrannhet för dessa uppgifter.
I båda fallen var det precis vad vi hittade. I genomsnitt klarade sig människor dubbelt så bra i fallen med lägst komplexitet jämfört med fallen med högst komplexitet.
Datavetenskap kan mäta "komplexitet" för människor
Våra resultat tyder på att enbart ansträngning inte är tillräckligt för att säkerställa att någon klarar sig bra på ett komplext problem. Vissa problem kommer att vara svåra oavsett vad – och det här är utrymmena där avancerade beslutshjälp och AI kan lysa.
Rent praktiskt kan det att kunna bedöma komplexiteten hos ett brett spektrum av uppgifter bidra till att ge människor det nödvändiga stödet de behöver för att ta sig an dessa uppgifter dagligen.
Det viktigaste resultatet var att våra beräkningskomplexitetsteoribaserade förutsägelser om vilka uppgifter som människor skulle få svårare var konsekventa över alla tre typer av uppgifter – trots att var och en kräver olika förmågor att lösa.
Dessutom, om vi kan förutsäga hur svåra människor kommer att hitta uppgifter inom dessa tre problem, så borde den kunna göra detsamma för de mer än 3 000 andra NP-kompletta problemen.
Dessa inkluderar liknande vanliga hinder som uppgiftsschemaläggning, shopping, kretsdesign och spel.
Nu, för att omsätta forskning i praktiken
Även om våra resultat är spännande, är det fortfarande en lång väg kvar. För det första använde vår forskning snabba och abstrakta uppgifter i en kontrollerad laboratoriemiljö. Dessa uppgifter kan modellera verkliga val, men de är inte representativa för faktiska verkliga val.
Nästa steg är att tillämpa liknande tekniker på uppgifter som mer liknar verkliga val. Kan vi till exempel använda beräkningskomplexitetsteori för att mäta komplexiteten i att välja mellan olika kreditkort?
Framsteg på detta område kan hjälpa oss att låsa upp nya sätt att hjälpa människor att göra bättre val, varje dag, över livets olika aspekter. + Utforska vidare
Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln. 
