De sunk cost fallacy (ook wel verzonken kosten genoemd) is de neiging van mensen om door te gaan met een bezigheid of actie, zelfs als het voordeliger zou zijn om op te geven. Dit doen ze omdat ze hun tijd, energie of andere middelen hebben geïnvesteerd en het gevoel hebben dat het voor niets zou zijn geweest als ze stoppen.
Voorbeeld: Sunk cost fallacyStel je kijkt een film en na 30 minuten realiseer je je dat het niet is wat je ervan verwacht had. In plaats van een andere film te zoeken, overtuig je jezelf ervan om door te gaan. Je denkt bij jezelf dat je al een half uur hebt geïnvesteerd en dat de hele film nog maar anderhalf uur duurt. Als je nu stopt, heb je je tijd verspild, dus je besluit het vol te houden.
Als gevolg van deze drogreden nemen we irrationele of suboptimale beslissingen. De sunk cost fallacy kan worden waargenomen in verschillende contexten, zoals het bedrijfsleven, relaties en dagelijkse beslissingen.
Gepubliceerd op
3 augustus 2023
door
Kassiani Nikolopoulou.
Bijgewerkt op
20 maart 2024.
Data mining is het proces van het extraheren van betekenisvolle informatie uit grote hoeveelheden gegevens. Met behulp van data mining-methoden kunnen organisaties verborgen patronen, relaties en trends in gegevens ontdekken. Deze kunnen ze gebruiken om zakelijke problemen op te lossen, voorspellingen te doen en hun winst of efficiëntie vergroten.
De term “data mining” is eigenlijk onjuist, omdat het doel niet is om de gegevens zelf te extraheren, maar eerder betekenisvolle informatie uit de gegevens te halen.
Gepubliceerd op
1 augustus 2023
door
Kassiani Nikolopoulou.
Bijgewerkt op
15 augustus 2023.
Reinforcement learning (RL) is een vorm van machine learning waarbij computers leren om de beste beslissingen te nemen door interactie met hun omgeving. In plaats van duidelijke instructies te krijgen, leert de computer door te proberen en te ervaren (door de omgeving te verkennen en beloningen of straffen te ontvangen voor zijn acties).
Dit is een van de drie basisbenaderingen voor machine learning, naast supervised en unsupervised learning. Reinforcement learning wordt veel toegepast in de echte wereld, bijvoorbeeld in robotica, spelletjes en het diagnosticeren van zeldzame ziekten.
Machine learning (ML) is een tak van kunstmatige intelligentie (AI) en computerwetenschap die zich richt op het ontwikkelen van methoden waarmee computers kunnen leren en hun prestaties kunnen verbeteren. Het doel is om menselijke leerprocessen na te bootsen, zodat specifieke taken nauwkeurig kunnen worden uitgevoerd. De belangrijkste doelen van ML zijn:
het classificeren van data op basis van ontwikkelde modellen (e.g., het detecteren van spam).
voorspellingen doen over een bepaalde toekomstige uitkomst op basis van deze modellen (e.g., het voorspellen van huizenprijzen in een stad).
Machine learning heeft een breed scala aan toepassingen, waaronder vertalingen, voorspellingen van consumentenvoorkeuren en medische diagnoses.
Gepubliceerd op
22 juni 2023
door
Kassiani Nikolopoulou.
Bijgewerkt op
30 augustus 2023.
Deep learning is een soort technologie waarmee computers kunnen simuleren hoe menselijke hersenen werken.
Specifiek is deep learning een methode die computers leert om zelfstandig te leren en beslissingen te nemen, zonder ze expliciet te programmeren. In plaats van een computer precies te vertellen waarnaar hij moet zoeken, laten we de computer veel voorbeelden zien en laten we hem zelf leren.
Voorbeeld: Deep learningStel je voor dat je een computer wilt leren om verschillende hondenrassen te identificeren. In plaats van de computer precies te vertellen waar hij bij elk ras naar moet zoeken, stelt deep learning de computer in staat om te leren hoe elk ras eruit ziet door veel voorbeelden (bijvoorbeeld foto’s) te verwerken.
Door een computer veel foto’s van Duitse herders te laten zien, kun je hem trainen om deze beelden te analyseren en zelf Duitse herders te leren herkennen. Met genoeg training op verschillende rassen kan de computer bepalen om welk hondenras het gaat wanneer je hem een nieuwe foto laat zien (die niet in de trainingsdata voorkwam).
Deep learning is de technologie achter veel populaire AI-toepassingen zoals chatbots (e.g., ChatGPT), virtuele assistenten en zelfrijdende auto’s.
Argumentum ad hominem (ook wel persoonlijke aanval genoemd) is een poging om iemands argument in diskrediet te brengen door diegene persoonlijk aan te vallen. In plaats van de inhoud van het standpunt te bespreken, wordt de kritiek gericht op het karakter van de tegenstander, terwijl dat irrelevant is voor de discussie.
Voorbeeld: Argumentum ad hominemPersoon 1: Ik denk dat het belangrijk is om de minimumloonwetgeving te handhaven zodat werknemers niet uitgebuit worden.
Persoon 2: Onzin. Dat zeg je alleen maar omdat je geen goede baan kunt krijgen!
Argumentum ad hominem of gewoonweg ad hominem is een drogreden die vaak wordt gebruik als afleidingsmanoeuvre om de aandacht te verleggen naar iets dat niets met de discussie te maken heeft, zoals iemands karakter of motieven. Deze drogreden komt vaak voor in zowel formele als informele contexten, van politieke debatten tot online discussies.
Het Hawthorne-effect verwijst naar de neiging van mensen om zich anders te gedragen als ze zich ervan bewust worden dat ze worden geobserveerd.
Als gevolg daarvan is het mogelijk dat wat wordt geobserveerd niet het “normale” gedrag vertegenwoordigt, waardoor de interne validiteit en externe validiteit van je onderzoek in gevaar komen.
Voorbeeld: Hawthorne-effectStel je doet onderzoek naar het aantal rokers onder bankmedewerkers in het kader van een programma dat gaat over het stoppen met roken. Je verzamelt data door de werknemers tijdens hun werkpauzes te observeren.
Als de werknemers weten dat je ze observeert, passen zij mogelijk hun rookgedrag aan, waardoor de resultaten van je onderzoek worden beïnvloed. Je kunt bijvoorbeeld een hogere of lagere frequentie registreren dan werkelijk representatief is voor de onderzochte populatie.
Net als andere soorten onderzoeksbias komt het Hawthorne-effect vaak voor bij observationele en experimentele onderzoeksdesigns op het gebied van geneeskunde, organisatiepsychologie en onderwijs. Het Hawthorne-effect wordt ook wel het waarnemerseffect (observer effect) genoemd en is nauw verbonden met observer bias.
Het Pygmalion-effect verwijst naar situaties waarin hoge verwachtingen leiden tot betere prestaties en lage verwachtingen tot slechtere prestaties. Hoewel het Pygmalion-effect oorspronkelijk werd geobserveerd in het onderwijs, is het ook van toepassing op het gebied van management, bedrijfskunde en (sport)psychologie.
Voorbeeld: Pygmalion-effectStel dat je onderzoek wilt doen naar de invloed van twee methoden om verhalen te vertellen op de woordenschat van kinderen. Om dit te testen krijgen de kinderen ofwel 20 minuten verhalen te horen van hun leerkracht, ofwel 20 minuten verhalen te horen via de computer.
Je bent ervan overtuigd dat een menselijk aspect nodig is om de woordenschatontwikkeling van kinderen te bevorderen. Je moedigt de kinderen in die groep aan om enthousiast te zijn en op te letten, terwijl je dit gedrag niet laat zien aan de computergroep.
De kinderen in de eerste groep letten nu beter op en voelen zich beter over zichzelf dan de kinderen in de andere groep, wat mogelijk leidt tot een Pygmalion-effect.
Het Pygmalion-effect is ook bekend onder de naam Rosenthal-effect, naar de onderzoeker die het verschijnsel voor het eerst waarnam.
Gepubliceerd op
13 maart 2023
door
Kassiani Nikolopoulou.
Bijgewerkt op
27 november 2023.
Het halo-effect treedt op als we onze algemene, positieve indruk van een persoon, product of merk baseren op één kenmerk. Het halo-effect is een vorm van onderzoeksbias waarbij we de neiging hebben om latere oordelen over een persoon of organisatie te baseren op de eerste positieve indruk.
Voorbeeld: Halo-effectHet halo-effect is een veelvoorkomende bias bij functioneringsgesprekken. Leidinggevenden zijn vaak geneigd werknemers te beoordelen op basis van één opvallend kenmerk.
Als een werknemer enthousiast is, kan dit het oordeel van de leidinggevende beïnvloeden, zelfs als de werknemer op sommige gebieden kennis of vaardigheden mist. Dit enthousiasme kan ertoe leiden dat de leidinggevende de werknemer een hogere beoordeling toekent.
Het halo-effect zorgt ervoor dat één positieve eigenschap alle andere aspecten van de prestaties van de werknemer overschaduwt.
Het halo-effect kan ons vermogen om kritisch te denken belemmeren. Het effect is vooral problematisch bij besluitvormingsprocessen, zoals sollicitatiegesprekken en aankoopbeslissingen.
Gepubliceerd op
25 februari 2023
door
Kassiani Nikolopoulou.
Bijgewerkt op
21 april 2023.
Confirmation bias (bevestigingsbias) is de neiging om informatie te zoeken en te selecteren die onze bestaande overtuigingen ondersteunt. Tegelijkertijd zijn we geneigd informatie die deze overtuigingen tegenspreekt te negeren.
Bevestigingsbias of bevestigingsvooroordeel is vaak onbedoeld, maar leidt wel tot vertekende resultaten en onjuiste (of oneerlijke) conclusies. Dit vooroordeel kan het besluitvormingsproces beïnvloeden, bijvoorbeeld bij (psychologisch of medisch) onderzoek of in een juridische context.
Deze vorm van onderzoeksbias treedt met name op bij het verwerken van informatie over emotioneel beladen onderwerpen, fundamentele waarden of diepgewortelde overtuigingen.
Voorbeeld: Confirmation biasTijdens een Tweede Kamerverkiezing zijn mensen geneigd informatie te zoeken die de politieke partij die ze steunen in een positief daglicht stelt, terwijl ze alle negatieve informatie over deze partij verwerpen.
