Onderzoek  ›  Casebibliotheek  ›  Case 06: Ellsberg Paradox
Case 06 / 31  •  Thema: Coördineren

Ellsberg Paradox

Een precies getal kan onzekerheid overzichtelijk maken én tegelijk verbergen welk deel van het kansmodel zelf onzeker is.

Ellsberg onderscheidt risico met bekende kansen van ambiguïteit over het kansmodel zelf. Eén overtuigende AI-kansschatting kan onzekerheid over meerdere plausibele modellen verhullen.

✓
OnderzoeksstatusOnderzoek in voorbereiding
☆
AI-relevantieAI kan een bestaand effect versterken
⚙
KernideeAmbiguity / model uncertainty
⌾
OnderbouwingBronnen en beperkingen samengevat; onafhankelijke review staat nog open.
◇
CasetypeBesluitvormingsparadox
“
In één zin

Een precies getal kan onzekerheid overzichtelijk maken én tegelijk verbergen welk deel van het kansmodel zelf onzeker is.

Het verhaalOver hoe de case ontstaat en ons denken kan misleiden.

In Ellsbergs beroemde urnkeuzeproblemen kiezen mensen vaak liever uit een situatie met bekende kansen dan uit een situatie waarin de verdeling van kleuren onbekend is, zelfs wanneer één gewone subjectieve kansverdeling de combinatie van keuzes moeilijk kan verklaren.

Wat weten we?Bewijs, onderzoek, kritische inzichten en wat we nog niet weten.

Gemiddeld hebben mensen vaak een voorkeur voor bekende boven onbekende kansen, maar dit geldt niet voor iedereen. Soms verkiezen zij juist onbekende kansen. Gedrag varieert met de bron, de kans en de context. De case ondersteunt dus geen algemene regel ‘mensen vermijden onzekerheid’.

Wat is het mechanisme?Welke verklaring het best past bij wat we zien.

Onzekerheid over het kansmodel is zelf relevant voor de beslissing. Wanneer die onzekerheid in één kansgetal wordt samengevat, kan belangrijke informatie over wat we wel en niet weten verdwijnen.

Wat verandert AI?Hoe AI het mechanisme kan versterken of zichtbaar maken.

Te onderzoeken AI-toepassing: advies kan één precieze kans tonen, een kans met uitleg over de sterkte van het bewijs, of meerdere plausibele modellen. Onderzocht wordt hoe die presentatie het oordeel beïnvloedt.

Wat willen we testen?Welke vraag we concreet verder willen onderzoeken.

Voorgestelde toets, nog niet uitgevoerd: bied hetzelfde onzekere bewijs aan zonder AI, als één precieze AI-kans, als kans met uitleg over bewijs- en modelonzekerheid, of als meerdere plausibele scenario’s. Voeg daarna bevestigende of weerleggende informatie toe. Meet vertrouwen, keuze en bijstelling van het oordeel.

Wat nemen we mee?Wat deze case voorlopig betekent — en waar de grenzen liggen.

Het onderzoeksdoel is vertrouwen dat beter bij het bewijs past. Maak waar nodig onderscheid tussen bekende kansen, onduidelijke kansen en onzekerheid over het model zelf.

Een oordeel bijstellen na nieuwe informatie en kalibratie zijn verschillende uitkomsten. Kalibratie vergelijkt uitgesproken kansen met waargenomen uitkomsten over geschikte herhaalde taken.

BronnenPrimaire en belangrijkste wetenschappelijke bronnen.

Ellsberg (1961), Risk, Ambiguity, and the Savage Axioms

Ellsberg (1961), full article

Ellsberg (1961, pp. 650–653 en 657–660) bespreekt urnkeuzes en het onderscheid tussen kansinschatting en zekerheid daarover. Zijn oorspronkelijke responsbeschrijving was niet-experimenteel. De bespreking omvat geen volledige beoordeling van modern vervolgonderzoek of van de voorgestelde AI-toets.

Geef feedback