Wissenschaftler entwickeln neuartigen Einsatz von Neurotechnologie zur Lösung klassischer sozialer Probleme

Wissenschaftler entwickeln neuartigen Einsatz von Neurotechnologie zur Lösung klassischer sozialer Probleme
Wissenschaftler entwickeln neuartigen Einsatz von Neurotechnologie zur Lösung klassischer sozialer Probleme
Anonim

Ökonomen und Neurowissenschaftler des California Institute of Technology (C altech) haben gezeigt, dass sie Informationen, die durch funktionelle Magnetresonanztomographie (fMRT)-Messungen der Ganzhirnaktivität gewonnen wurden, nutzen können, um praktikable, effiziente und faire Lösungen für eine zu finden eines der heikelsten Dilemmata in der Ökonomie, das Trittbrettfahrerproblem öffentlicher Güter, das lange als unlösbar g alt.

Dies ist eine der allerersten Anwendungen der Neurotechnologie auf reale wirtschaftliche Probleme, stellen die Forscher fest. „Wir haben gezeigt, dass wir durch die Anwendung neurowissenschaftlicher Werkzeuge auf das Problem öffentlicher Güter deutlich bessere Lösungen erh alten können als solche, die ohne Gehirndaten erh alten werden können“, sagt Antonio Rangel, außerordentlicher Professor für Wirtschaftswissenschaften am C altech und Direktor der Zeitung Ermittler.

Das Papier, das ihre Arbeit beschreibt, wurde heute in der Online-Ausgabe der Zeitschrift Science veröffentlicht.

Beispiele für öffentliche Güter reichen von Gesundheitsfürsorge, Bildung und Landesverteidigung bis hin zu Krafträumen oder beheizten Pools, für deren Kauf sich Ihr Wohnungsbauvorstand entscheidet. Aber wie entscheidet die Regierung oder Ihre Wohnungsverw altung, für welche öffentlichen Güter sie ihre begrenzten Ressourcen ausgeben? Und wie entscheiden diese Kräfte, wie die Kosten am besten geteilt werden?

"Um die Entscheidung optimal und fair treffen zu können", sagt Rangel, "muss eine Gruppe wissen, wie viel jeder bereit ist, für das Gemeinwohl zu zahlen. Diese Information wird benötigt, um zu wissen, ob das Gemeinwohl sein sollte gekauft und im Idealfall die Kosten fair aufgeteilt."

In solch einer idealen Anordnung sollte jemand, der jeden Tag schwimmt, bereit sein, mehr für einen Pool zu bezahlen als jemand, der kaum schwimmt. Ebenso sollte jemand, der Kinder in einer öffentlichen Schule hat, mehr von seinen Steuern in die Bildung stecken.

Öffentliche Güter optimal und fair bereitzustellen, sei aber schwierig, merkt Rangel an, weil die Gruppenleitung nicht über die nötigen Informationen verfüge. Und wenn die Leute gefragt werden, wie viel sie ein bestimmtes öffentliches Gut schätzen – wobei dieser Wert beispielsweise daran gemessen wird, wie viele ihrer eigenen Steuergelder sie bereit wären, dafür auszugeben –, dann tendieren sie zu Lowball.

Warum? „Menschen können sich an dem Guten erfreuen, auch wenn sie nicht dafür bezahlen“, erklärt Rangel. "Wenn Sie seinen Wert zu niedrig angeben, hat dies einen kleinen Einfluss auf die endgültige Entscheidung der Gruppe, ob Sie das Gut kaufen, aber es kann einen großen Einfluss darauf haben, wie viel Sie dafür bezahlen."

Mit anderen Worten, er sagt: "Es gibt einen Anreiz für dich, darüber zu lügen, wie viel dir das Gute wert ist."

Dieser Anreiz zu lügen ist der Kern des Trittbrettfahrerproblems, ein grundlegendes Dilemma in Ökonomie, Politikwissenschaft, Recht und Soziologie. Es ist ein Problem, von dem Fachleute in diesen Bereichen lange angenommen haben, dass es keine Lösung gibt, die sowohl effizient als auch fair ist.

Tatsächlich wird seit Jahrzehnten angenommen, dass es keine Möglichkeit gibt, den Menschen einen Anreiz zu geben, ehrlich über den Wert zu sprechen, den sie öffentlichen Gütern beimessen, während die Fairness der Vereinbarung gewahrt bleibt.

"Aber dieses Ergebnis geht davon aus, dass die Führung der Gruppe keine direkten Informationen über die Bewertungen der Menschen hat", sagt Rangel. „Das ist etwas, was die Neurotechnologie jetzt möglich gemacht hat.“

Und so machte sich Rangel zusammen mit dem C altech-Doktoranden Ian Krajbich und ihren Kollegen daran, die Neurotechnologie auf das Problem der öffentlichen Güter anzuwenden.

In ihrer Versuchsreihe versuchten die Wissenschaftler herauszufinden, ob die funktionelle Magnetresonanztomographie (fMRT) es ihnen ermöglichen könnte, aussagekräftige Maße für den Wert zu konstruieren, den eine Person dem einen oder anderen öffentlichen Gut beimisst. Nachdem sie festgestellt hatten, dass fMRT-Bilder – die mit Musterklassifizierungstechniken analysiert wurden – zumindest einige Informationen (wenn auch „verrauscht“und ungenau) darüber vermitteln können, was eine Person schätzt, testeten sie weiter, ob diese Informationen ihnen helfen könnten, das Problem zu lösen -Reiterproblem.

Sie taten dies, indem sie ein klassisches Wirtschaftsexperiment aufstellten, bei dem Versuchspersonen basierend auf den Werten, die ihnen für ein abstraktes öffentliches Gut zugewiesen wurden, belohnt (bezahlt) wurden.

Im Rahmen dieses Experiments wurden Freiwillige in Gruppen eingeteilt. „Die gesamte Gruppe musste entscheiden, ob sie ihr Geld für den Kauf einer Ware bei uns ausgeben oder nicht“, erklärt Rangel. „Das Gute würde die Gruppe einen festen Geldbetrag kosten, aber jeder hätte einen anderen Nutzen davon.“

Die Probanden wurden gebeten anzugeben, wie sehr sie das Gute schätzten. Die Wendung? Ihre Gehirne wurden per fMRI abgebildet, als sie ihre Entscheidung trafen. Wenn es eine Übereinstimmung zwischen ihrer Entscheidung und dem vom fMRI ermittelten Wert gab, zahlten sie eine niedrigere Steuer als bei einer Nichtübereinstimmung. Es war daher im besten Interesse aller Versuchspersonen, offenzulegen, wie sie ein Gut wirklich einschätzten; Dadurch würden sie im Durchschnitt weniger Steuern zahlen, als wenn sie lügen würden.

"Die Regeln des Experiments sind so, dass, wenn Sie die Wahrheit sagen", bemerkt Krajbich, der Erstautor des Science-Papiers, "Ihre erwartete Steuer niemals Ihren Nutzen aus dem Guten übersteigt."

In der Tat, je kooperativer die Probanden sind, wenn sie sich diesem völlig freiwilligen Scanvorgang unterziehen, "desto genauer ist das Signal", sagt Krajbich. "Und das bedeutet, dass die Wahrscheinlichkeit geringer ist, dass sie eine unangemessene Steuer zahlen."

Das ändert das ganze Trittbrettfahrer-Szenario, bemerkt Rangel. "Angesichts dessen, was wir mit dem fMRI tun können", sagt er, "ist die beste Strategie für alle, einem öffentlichen Gut einen Wert zuzuordnen, die Wahrheit zu sagen, unabhängig davon, was Ihrer Meinung nach alle anderen in der Gruppe tun."

Und die Wahrheit zu sagen, taten sie - in 98 Prozent der Fälle, sobald die Spielregeln festgelegt waren und die Teilnehmer erkannten, was passieren würde, wenn sie lügen würden. In diesem Experiment gibt es keinen Trittbrettfahrer und somit auch kein Trittbrettfahrerproblem.

"Wenn ich etwas über deine Werte weiß, kann ich dir einen Anreiz geben, ehrlich zu sein, indem ich dich bestrafe, wenn ich denke, dass du lügst", sagt Rangel.

Während die Messwerte den Forschern einen Einblick in den Wert geben, den die Versuchspersonen einem bestimmten öffentlichen Gut beimessen, können sie so erkennen, wann diese Versuchspersonen unehrlich über den Betrag sind, den sie bereit wären, für dieses Gut zu zahlen, Krajbich betont, dass dies eigentlich kein Lügendetektortest sei.

"Es geht nicht darum, Lügen aufzudecken", sagt er. „Es geht darum, Werte zu erkennen – und sie dann mit dem zu vergleichen, was die Versuchspersonen für ihre Werte h alten.“

"Es ist eine sozial erwünschte Vereinbarung", fügt Rangel hinzu. "Niemand wird dadurch verletzt, und wir geben den Menschen einen Anreiz, damit zu kooperieren und die Wahrheit zu enthüllen."

"Hier findet Gedankenlesen statt, das gut genutzt werden kann", sagt er. "Am Ende bekommst du ein gutes Produkt, das für dich einen hohen Wert hat."

Aus wissenschaftlicher Sicht, sagt Rangel, beschreiten diese Experimente Neuland. "Dies ist ein überzeugender Machbarkeitsnachweis dieser Technologie; es zeigt, dass dies machbar ist und erhebliche soziale Vorteile bringen könnte."

Und das ist erst der Anfang. „Die Anwendung neuronaler Technologien auf diese Art von Problemen kann einen Quantensprung bei der Verbesserung der Lösungen bewirken, die wir ihnen bieten können“, sagt er.

Tatsächlich, sagt Rangel, ist es möglich, sich eine Zukunft vorzustellen, in der anstelle einer Abstimmung über einen Vorschlag zur Finanzierung einer neuen Autobahn diese Technologie verwendet wird, um eine zufällige Stichprobe der Menschen zu scannen, die davon profitieren würden Autobahn, um zu sehen, ob sich die Investition wirklich lohnt. "Es wäre eine interessante Alternative, um zu entscheiden, wofür das Geld der Regierung ausgegeben werden soll", bemerkt er.

Zusätzlich zu Rangel und Krajbich gehören Colin Camerer vom C altech, Robert-Kirby-Professor für Verh altensökonomie, zu den weiteren Autoren des Science-Artikels „Using neural matters of economic value to solve the public-goods free-rider problem“, Colin Camerer vom C altech, und John Ledyard, Professor für Wirtschafts- und Sozialwissenschaften von Allen und Lenabelle Davis. Ihre Arbeit wurde durch Stipendien der National Science Foundation, der Gordon and Betty Moore Foundation und des Human Frontier Science Program finanziert.

Beliebtes Thema