نحوه پردازش اطلاعات شرط بندی برای موفقیت مهم است. تعصب باینری چیست؟سایت های YouTube و Baltimore Ravens چه چیزی می توانند درباره روانشناسی شرط بندی به ما بگویند؟ شرط بندی خوب چیست؟ متن زیر را بخوانید تا متوجه شوید.

تفکر باینری چیست؟

تفکر دودویی شامل مرتب سازی اطلاعات به گزینه های متقابل منحصر به فرد است و متفاوت تر از تفکر کامپیوتری با کد باینری است. باینری یعنی یا 1 یا 0 و تنها دو گزینه وجود دارد. هیچ منطقه خاکستری وجود ندارد.

بسیاری استدلال می کنند که انسانها بصورت غریزی اطلاعات را از این طریق سیستم نظامند مرتب می کنند، و به طور طبیعی به روش دودویی فکر می کنند. برای انسانهای بدوی این منطقی بود. نوعی قضاوت که برای زنده ماندن باید انجام می شد ، چنین طرز تفکری را به خوبی می توان مورد بررسی قرار داد، خصوصاً وقتی که تصمیم گیری سریع انجام شود. تصمیماتی از قبیل این که آیا  در بوته حیوان درنده ای وجود دارد یا خیر این تصمیمات اکثراً تصمیماتی مرگباری را ایجاد می کند.

پاداش ارائه شده با صرف زمان ارزشمند برای سنجش اطلاعات موجود (در حالی که یک شکارچی می تواند آماده حمله شود) می تواند سبب کاهش میزان ریسک شود. در این نوع تفکر می توان این گونه برداشت کرد که آیا در بوته زار حیوان درنده ای وجود دارد یا خیر؟ آیا می توان از خطر گریخت. این یک روش منطقی است.

ریچارد داوکینز ادعا می کند راه حلهای مستقیم یا مثبت برای دسته بندی منظم اطلاعات “استبداد ذهن ناپیوسته” وجود دارد. وی پیشنهاد می کند که مردم به دنبال اطمینان از طبقه بندی هستند زیرا تفکر باینری برای مغز بسیار ساده تر است ، همانطور که اجداد دور ما فکر می کردند ، نه اینکه سایه های (مناطق) خاکستری را بین دو نتیجه در نظر بگیرند.

این نوع تصمیم گیری باینری برای تصمیم گیری اساسی سریع کاملاً مناسب است، اما اکنون در دنیای خاصی زندگی می کنیم. در هیچ کجا این مسئله به شدت در دنیای شرط بندی منعکس نشده است.

تعصب دودویی: رتبه بندی coffein و YouTube

تصمیم گیری باینری چگونه بر نحوه پردازش اطلاعات تأثیر می گذارد؟

فیشر و کیل برای تعیین این موضوع مطالعاتی درباره آنچه آنها “تعصب باینری” نامیدند، انجام دادند. برای این مطالعات، قبل از اینکه بخواهند خلاصه ای از شواهد را ارائه دهند و نتیجه ای را بدست آورند برداشت کلی خود را در خصوص این موضوع به مخاطبان خود ارائه کردند.

به عنوان مثال، اگر افراد در حال ارزیابی داده های مطالعات مختلف در مورد بررسی رابطه بین کافئین و سلامتی هستند، بدون توجه به قدرت نسبی شواهد، داده ها را به سرعت طبقه بندی می کنند تا مشخص شوند که دارای اثر هستند یا خیر.

به طور کلی آنها دریافتند که: “در طیف گسترده ای از زمینه ها، هنگام جمع بندی شواهد، مردم تعصب باینری از خود نشان می دهند: تمایل به اعمال تمایزهای قاطع بر داده های مداوم. شواهد به دسته های (گروه های) گسسته فشرده می شوند و تفاوت بین دسته ها ، قضاوت کلی را تشکیل می دهد. “

به عبارت دیگر ، شرکت کنندگان تمایل داشتند که قدرت نسبی شواهد ارائه شده به آنها را نادیده بگیرند، در عوض گروه بندی آنها را به دسته های گسسته و کل شواهد موجود در آن دسته ها را مورد بررسی قرار دهند.

با این کار تمام داده ها از بین رفت. در کل، یک نتیجه گیری با احتمال 25٪ در یک جهت به سادگی با تمام نتیجه گیری هایی که بدون توجه به قدرت به آن سمت متمایل شده اند، جمع شد. پردازش داده ها را برای آزمودنی ها آسان تر می کند اما به این معنی است که از ارزش اطلاعات کاسته می شود.

YouTube در حالی که سعی در اصلاح سیستم رتبه بندی خود برای ویدیوها داشت ، این مورد را کشف کرد. از آنجا که اکثریت قریب به اتفاق آرا مربوط به یک ستاره یا پنج ستاره بود، رتبه بندی آنها بی اثر بود.

این نتیجه تصمیم گیری باینری بود. اگر کاربر ویدیو را دوست دارد، آن را به عنوان پنج دسته بندی می کند، در حالی که اگر فیلم را دوست ندارد، آن را به عنوان یک ویدیو طبقه بندی می کند. تمام اطلاعات موجود در میان این دو دسته گسسته از بین رفته بود. این امر منجر به تغییر YouTube به یک سیستم ساده شد.

پیامد نتیجه

همانطور که در بالا نشان داده شد، انسان ها ترجیح می دهند در صورت امکان اطلاعات را به دو دسته مجزا تقسیم کنند. در شرط بندی نیز این مورد وجود دارد.

از نظر شرط بندی کننده بی تجربه، شرط بندی خوب شرط پیروزی است. شرط بندی بد شرطی است که ببازد. درک این دو دسته آسان است و بدون این که درک خوبی از تفاوت های ظریف در شرط بندی داشته باشید، باید برای افراد قابل درک باشد.

این کاملاً نادرست است. شرط برنده می تواند یک شرط وحشتناک باشد در حالی که بهترین شرط بندی که تا به حال انجام شده است بازنده بوده است. با طبقه بندی شرط بندی به این روش ساده، تمام اطلاعات مفید از بین می روند.

این تمایل برای نسبت دادن یک نقطه داده به یک گروه “خوب” یا “بد” به دلیل نتیجه یک رویداد ، در هنگام بحث پیرامون “تلاش در شکست و تبدیل شدن به دو امتیاز از فصل NFL 2019” بالتیمور ریونز نشان داده شد.

“از نظر ریاضی، تصمیم گیری برای تبدیل دو نقطه تصمیم صحیح توسط ریون انجام شد.” با این حال، از آنجا که این تلاش ناموفق بود، برخی از کارشناسان تماس را به دسته یا گروه “تصمیم بد” طبقه بندی کردند.

اطلاعات اضافی داده شده توسط تجزیه و تحلیل چنین بازی برای کارشناسان به دلیل ترکیبی از پیامد نتیجه (یک تلاش ناموفق باید ناشی از یک تصمیم ضعیف باشد) و تعصب باینری (نیاز به قرار دادن نمایش در یک گروه مشخص) حذف شد. اگر بازی موفقیت آمیز باشد ، به احتمال زیاد ، نتیجه متفاوت خواهد بود.

شرط خوب چیست؟ فکر کردن مثل یک شرط بندی است

برای ورود به یک ذهنیت شرط بندی موفق، شرط بندی کننده باید یاد بگیرد که از چنین تعصباتی جلوگیری کند. منطقه خاکستری بین برد و باخت چیزی است که یک شرط خوب را از یک شرط بد تمایز می دهد.

آیا شرط بندی کننده ها درصدی کار می کنند. اگر درصد شرط بندی دقیق تر از مبلغ شرط بندی باشد، در دراز مدت برنده خواهد شد. اما آیا می توان نتیجه گرفت که درصد شرط بندی دقیق است؟

بدون حجم نمونه زیاد ، پاسخ قطعی به این سؤال تقریباً غیرممکن است.

به عنوان مثال یک درصد معروف را در نظر بگیرید. وب سایت آماری FiveThirtyEight به دونالد ترامپ 30٪ احتمال پیروزی در انتخابات ریاست جمهوری 2016 آمریکا را داد. البته ترامپ رئیس جمهور شد.

واکنش برخی از محله ها نسبت به این پیش بینی، برچسب زدن آن به عنوان “اشتباه” بود. با توجه به رویکرد باینری که مردم نسبت به چنین مواردی اتخاذ می کنند ، می بینید که انجام چنین کاری وسوسه انگیز است. همانطور که کار در مورد تعصب دودویی انجام شده توسط فیشر و کیل نشان داد، مردم قدرت ضعیف پیش بینی را حذف کردند (به ترامپ به جای 0٪ احتمال 30٪ شانس داده می شود) تا پیش بینی را در دسته “اشتباه” قرار دهند که از نظر آنها راحت تر است.

اما واضح است که این رویکرد چندان مناسب نیست. طبق پیش بینی، ترامپ باید از ده مورد سه بار پیروز شود. واقعیتی که سناریوی تبدیل شدن به سناریویی که ترامپ در آن برنده بازی شد، هیچ چیز جدیدی در مورد صحت پیش بینی را نشان نمی دهد.

با اجرای مکرر همان انتخابات (که البته غیرممکن است) باید حجم نمونه به یک سطح معنی دار افزایش یابد. فقط در این صورت است که می توانیم پیش بینی FiveThirtyEight از 30 درصد برنده شدن ترامپ را به واقعیت نزدیک بدانیم.

کنترل آشفتگی

این مسئله قابل درک است. این برخلاف غرایز ما است که بگوییم واقعاً نمی دانیم و ممکن است هرگز ندانیم که آیا پیش بینی فردی خوب بوده است یا خیر.

مطمئناً شرط هایی وجود داشته است که من در آنها “به صورت شهودی احساس کردم درصد به نفع من است” شرط بندی کرده ام ، اما خارج از مدلی که “نمونه بزرگی از رویدادهای مشابه” را اجرا می کند ، هیچ راهی وجود ندارد که به طور قطعی بگوید درست گفته ام.

به عنوان شرط بندی کننده، در آن منطقه خاکستری بین دسته های شرط بندی “خوب” و “بد” کار می کنیم. برای موفقیت باید از طبقه بندی آسان فاصله بگیرید و درصد شرط بندی شخصی را برای آنچه در نظر گرفته اید بپذیرید. نگران نباشید ، سعی در ایجاد یک شرط “خوب” با دانش مناسب و کافی است که ممکن است هرگز در مورد ترتیب طبقه بندی اطلاعاتی نداشته باشید.

__________________________________

ترجمه اختصاصی : وبسایت فوتبالی

منبع مقاله : پیناکل 

_________________________________