TEDGlobal 2010
Laurie Santos: A monkey economy as irrational as ours
Laurie Santos: Eine Wirtschaft der Affen - so irrational wie die unsere
Filmed:
Readability: 3.3
1,506,660 views
Laurie Santos ergründet die Wurzeln menschlicher Irrationalität, in dem sie untersucht, wie die mit uns verwandten Primaten Entscheidungen treffen. Eine ausgeklügelte Reihe von Experimenten in "Affenwirtschaft" zeigt, dass einige der dummen Entscheidungen, die wir treffen, auch von Affen begangen werden.
Laurie Santos - Cognitive psychologist
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do. Full bio
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do. Full bio
Double-click the English transcript below to play the video.
00:17
I want to start my talk today with two observations
0
2000
2000
Ich möchte meinen heutigen Vortrag mit zwei Beobachtungen
00:19
about the human species.
1
4000
2000
über die menschliche Spezies beginnen.
00:21
The first observation is something that you might think is quite obvious,
2
6000
3000
Die erste Beobachtung könnte man für ziemlich offensichtlich halten,
00:24
and that's that our species, Homo sapiens,
3
9000
2000
sie sagt, dass unsere Spezies, Homo Sapiens,
00:26
is actually really, really smart --
4
11000
2000
wirklich, wirklich intelligent ist --
00:28
like, ridiculously smart --
5
13000
2000
lächerlich intelligent sogar --
00:30
like you're all doing things
6
15000
2000
so wie all die Dinge, die wir tun,
00:32
that no other species on the planet does right now.
7
17000
3000
die keine andere Spezies auf diesem Planeten tut.
00:35
And this is, of course,
8
20000
2000
Und natürlich ist es nicht
00:37
not the first time you've probably recognized this.
9
22000
2000
das erste Mal, dass Ihnen das vielleicht klar wird.
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
24000
3000
Zusätzlich zu unserer Intelligenz sind wir auch eine extrem eitle Spezies.
00:42
So we like pointing out the fact that we're smart.
11
27000
3000
Wir betonen gerne die Tatsache, dass wir klug sind.
00:45
You know, so I could turn to pretty much any sage
12
30000
2000
Ich könnte mich ziemlich jedem klugen Geist zuwenden,
00:47
from Shakespeare to Stephen Colbert
13
32000
2000
von Shakespeare bis Stephen Colbert,
00:49
to point out things like the fact that
14
34000
2000
um auf Dinge hinzuweisen, wie die Tatsache,
00:51
we're noble in reason and infinite in faculties
15
36000
2000
dass wir edel durch Vernunft und unbegrenzt an Fähigkeiten sind,
00:53
and just kind of awesome-er than anything else on the planet
16
38000
2000
und überhaupt großartiger als alles andere auf diesem Planeten,
00:55
when it comes to all things cerebral.
17
40000
3000
wenn es um die Belange des Großhirns geht.
00:58
But of course, there's a second observation about the human species
18
43000
2000
Aber es gibt natürlich noch eine zweite Beobachtung über die Menschen,
01:00
that I want to focus on a little bit more,
19
45000
2000
auf die ich gern näher eingehen möchte,
01:02
and that's the fact that
20
47000
2000
und das ist die Tatsache, dass wir,
01:04
even though we're actually really smart, sometimes uniquely smart,
21
49000
3000
obwohl wir tatsächlich richtig klug, manchmal einzigartig klug sind,
01:07
we can also be incredibly, incredibly dumb
22
52000
3000
auch unglaublich, unglaublich dumm sein können,
01:10
when it comes to some aspects of our decision making.
23
55000
3000
was einige Aspekte unserer Entscheidungsprozesse angeht.
01:13
Now I'm seeing lots of smirks out there.
24
58000
2000
Jetzt sehe ich viele Grinser da draußen.
01:15
Don't worry, I'm not going to call anyone in particular out
25
60000
2000
Keine Angst, ich werde niemand besonderen als Beispiel
01:17
on any aspects of your own mistakes.
26
62000
2000
für irgendeinen Aspekt unserer Fehler nennen.
01:19
But of course, just in the last two years
27
64000
2000
Aber gerade in den letzten zwei Jahren sahen
01:21
we see these unprecedented examples of human ineptitude.
28
66000
3000
wir diese noch nie dagewesenen Beispiele menschlicher Unfähigkeit.
01:24
And we've watched as the tools we uniquely make
29
69000
3000
Und wir beobachteten, wie diese einzigartigen Werkzeuge,
01:27
to pull the resources out of our environment
30
72000
2000
die wir erschufen, um unserer Umwelt Rohstoffe
01:29
kind of just blow up in our face.
31
74000
2000
zu entziehen, uns um die Ohren flogen.
01:31
We've watched the financial markets that we uniquely create --
32
76000
2000
Wir sahen die einzigartigen, von uns geschaffenen Finanzmärkte --
01:33
these markets that were supposed to be foolproof --
33
78000
3000
diese Märkte, die hätten narrensicher sein sollen --
01:36
we've watched them kind of collapse before our eyes.
34
81000
2000
wir sahen sie vor unseren Augen zusammenbrechen.
01:38
But both of these two embarrassing examples, I think,
35
83000
2000
Aber diese beiden beschämenden Beispiele
01:40
don't highlight what I think is most embarrassing
36
85000
3000
verdeutlichen noch nicht, was ich an den Fehlern,
01:43
about the mistakes that humans make,
37
88000
2000
die Menschen machen, für am peinlichsten halte,
01:45
which is that we'd like to think that the mistakes we make
38
90000
3000
und das ist, dass wir gerne denken, dass die Fehler, die wir machen,
01:48
are really just the result of a couple bad apples
39
93000
2000
nur das Ergebnis vereinzelter Fehlentscheidungen waren,
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
95000
3000
oder ein paar wie für das Failblog geschaffene Entscheidungen.
01:53
But it turns out, what social scientists are actually learning
41
98000
3000
Nur stellt sich heraus, wie Sozialwissenschafter gerade entdecken,
01:56
is that most of us, when put in certain contexts,
42
101000
3000
dass die meisten von uns in bestimmten Situationen,
01:59
will actually make very specific mistakes.
43
104000
3000
tatsächlich ganz bestimmte Fehler begehen.
02:02
The errors we make are actually predictable.
44
107000
2000
Die Fehler, die wir machen, sind vorhersagbar.
02:04
We make them again and again.
45
109000
2000
Wir begehen sie wieder und wieder.
02:06
And they're actually immune to lots of evidence.
46
111000
2000
Und sie sind tatsächlich gegen viele Hinweise resistent.
02:08
When we get negative feedback,
47
113000
2000
Wenn wir negatives Feedback bekommen,
02:10
we still, the next time we're face with a certain context,
48
115000
3000
neigen wir trotzdem dazu die Fehler zu wiederholen, sobald
02:13
tend to make the same errors.
49
118000
2000
wir den Umständen erneut ausgesetzt sind.
02:15
And so this has been a real puzzle to me
50
120000
2000
Das war für mich, einer Art Studentin
02:17
as a sort of scholar of human nature.
51
122000
2000
der menschlichen Natur, ein echtes Rätsel.
02:19
What I'm most curious about is,
52
124000
2000
Was mich aber am meisten interessiert, ist,
02:21
how is a species that's as smart as we are
53
126000
3000
wie eine Spezies, die so klug ist, wie wir es sind,
02:24
capable of such bad
54
129000
2000
die ganze Zeit über zu derart schlimmen und
02:26
and such consistent errors all the time?
55
131000
2000
und gleichbleibenden Fehlern fähig ist.
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
133000
3000
Wir sind das Klügste da draußen, warum bekommen wir es nicht auf die Reihe?
02:31
In some sense, where do our mistakes really come from?
57
136000
3000
Woher kommen unsere Fehler wirklich?
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
139000
3000
Nachdem ich darüber etwas nachgedacht habe, sehe ich ein paar unterschiedliche Möglichkeiten.
02:37
One possibility is, in some sense, it's not really our fault.
59
142000
3000
Eine Möglichkeit ist, dass es in gewisser Hinsicht nicht unsere Schuld ist.
02:40
Because we're a smart species,
60
145000
2000
Weil wir eine kluge Spezies sind,
02:42
we can actually create all kinds of environments
61
147000
2000
können wir alle Arten von Systemen erschaffen,
02:44
that are super, super complicated,
62
149000
2000
die wirklich extrem kompliziert sind.
02:46
sometimes too complicated for us to even actually understand,
63
151000
3000
manchmal sogar für uns selbst zu kompliziert zu verstehen,
02:49
even though we've actually created them.
64
154000
2000
obwohl wir sie ursprünglich erschaffen haben.
02:51
We create financial markets that are super complex.
65
156000
2000
Wir haben Finanzmärkte erschaffen, die hochkomplex sind.
02:53
We create mortgage terms that we can't actually deal with.
66
158000
3000
Wir erfanden Bedingungen für Hypotheken, mit denen wir nicht umgehen können.
02:56
And of course, if we are put in environments where we can't deal with it,
67
161000
3000
Und wenn wir Systemen ausgesetzt werden, mit denen wir nicht zurechtkommen,
02:59
in some sense makes sense that we actually
68
164000
2000
macht es in gewisser Hinsicht Sinn, dass wir
03:01
might mess certain things up.
69
166000
2000
manches tatsächlich vermasseln.
03:03
If this was the case, we'd have a really easy solution
70
168000
2000
Sollte das der Fall sein, hätten wir eine wirklich einfache
03:05
to the problem of human error.
71
170000
2000
Lösung für die Problematik des menschlichen Irrtums.
03:07
We'd actually just say, okay, let's figure out
72
172000
2000
Wir müssten nur sagen, okay, finden wir heraus
03:09
the kinds of technologies we can't deal with,
73
174000
2000
mit welcher Formen von Technologie wir nicht umgehen können,
03:11
the kinds of environments that are bad --
74
176000
2000
welche Arten von Systemen schlecht sind --
03:13
get rid of those, design things better,
75
178000
2000
werden wir sie los, gestalten wir es besser,
03:15
and we should be the noble species
76
180000
2000
und dann sollten wir die edle Spezies sein,
03:17
that we expect ourselves to be.
77
182000
2000
die wir uns zu sein erwarten.
03:19
But there's another possibility that I find a little bit more worrying,
78
184000
3000
Aber es gibt noch eine Möglichkeit, die ich beunruhigender finde,
03:22
which is, maybe it's not our environments that are messed up.
79
187000
3000
die wäre, vielleicht sind es nicht die Systeme, die verkorkst sind.
03:25
Maybe it's actually us that's designed badly.
80
190000
3000
Vielleicht sind ja wir es, die schlecht konstruiert sind.
03:28
This is a hint that I've gotten
81
193000
2000
Auf diesen Hinweis bin ich gestoßen,
03:30
from watching the ways that social scientists have learned about human errors.
82
195000
3000
durch die Beobachtung von, wie Sozialwissenschafter über menschliche Fehler lernen.
03:33
And what we see is that people tend to keep making errors
83
198000
3000
Und was wir sehen, ist, dass Menschen dazu neigen, Fehler
03:36
exactly the same way, over and over again.
84
201000
3000
auf die genau gleiche Art zu begehen, wieder und wieder.
03:39
It feels like we might almost just be built
85
204000
2000
Es ist, als ob wir fast so gebaut sind,
03:41
to make errors in certain ways.
86
206000
2000
Fehler auf eine bestimmte Weise zu begehen.
03:43
This is a possibility that I worry a little bit more about,
87
208000
3000
Diese Möglichkeit beunruhigt mich etwas mehr,
03:46
because, if it's us that's messed up,
88
211000
2000
weil, wenn wir es sind, die vermurkst sind,
03:48
it's not actually clear how we go about dealing with it.
89
213000
2000
dann ist es nicht klar, wie wir damit umgehen sollen.
03:50
We might just have to accept the fact that we're error prone
90
215000
3000
Vielleicht müssen wir einfach akzeptieren, dass wir fehleranfällig sind,
03:53
and try to design things around it.
91
218000
2000
und alles darum herum gestalten.
03:55
So this is the question my students and I wanted to get at.
92
220000
3000
Das ist die Frage, die meine StudentInnen und ich klären wollten.
03:58
How can we tell the difference between possibility one and possibility two?
93
223000
3000
Wie können wir Möglichkeit 1 von Möglichkeit 2 unterscheiden?
04:01
What we need is a population
94
226000
2000
Was wir brauchen, ist eine Gruppe,
04:03
that's basically smart, can make lots of decisions,
95
228000
2000
die ausreichend klug ist, um viele Entscheidungen zu treffen,
04:05
but doesn't have access to any of the systems we have,
96
230000
2000
aber zu keinem unserer Systeme Zugang hat,
04:07
any of the things that might mess us up --
97
232000
2000
nichts von dem, was uns durcheinander bringen könnte --
04:09
no human technology, human culture,
98
234000
2000
keine menschliche Technologie oder Kultur,
04:11
maybe even not human language.
99
236000
2000
vielleicht nicht einmal menschliche Sprache.
04:13
And so this is why we turned to these guys here.
100
238000
2000
Und deshalb haben wir uns diesen Typen hier zugewandt.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
240000
3000
Das ist einer der Typen, mit denen ich arbeite. Ein brauner Kapuzineraffe.
04:18
These guys are New World primates,
102
243000
2000
Es sind Neuweltaffen,
04:20
which means they broke off from the human branch
103
245000
2000
was bedeutet, dass sie sich vom menschlichen Zweig
04:22
about 35 million years ago.
104
247000
2000
vor etwa 35 Millionen Jahre abgespalten haben.
04:24
This means that your great, great, great great, great, great --
105
249000
2000
Das heißt, dass Ihre Groß, Groß, Groß, Groß, Groß, Groß --
04:26
with about five million "greats" in there --
106
251000
2000
mit etwa fünf Millionen "Groß" darin --
04:28
grandmother was probably the same great, great, great, great
107
253000
2000
Großmutter, vermutlich die selbe Groß, Groß, Groß, Groß-
04:30
grandmother with five million "greats" in there
108
255000
2000
Großmutter mit fünf Millionen "Groß" darin, war,
04:32
as Holly up here.
109
257000
2000
wie von Holly hier oben.
04:34
You know, so you can take comfort in the fact that this guy up here is a really really distant,
110
259000
3000
Sie können sich also mit der Tatsache trösten, dass dieser Affe ein sehr weit-entfernter
04:37
but albeit evolutionary, relative.
111
262000
2000
Verwandter ist, wenn auch nur in evolutionärer Hinsicht.
04:39
The good news about Holly though is that
112
264000
2000
Der Vorteil von Holly ist, dass sie tatsächlich
04:41
she doesn't actually have the same kinds of technologies we do.
113
266000
3000
nicht die gleichen Formen Technologie hat wie wir.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
269000
3000
Sie ist ein kluges, sehr aufgewecktes Wesen, auch ein Primat,
04:47
but she lacks all the stuff we think might be messing us up.
115
272000
2000
aber ihr fehlt alles, wovon wir denken, dass es uns das Leben schwer macht.
04:49
So she's the perfect test case.
116
274000
2000
Sie ist also die perfekte Versuchkandidatin.
04:51
What if we put Holly into the same context as humans?
117
276000
3000
Was wäre, wenn wir Holly in die gleiche Situation wie die der Menschen bringen?
04:54
Does she make the same mistakes as us?
118
279000
2000
Wird sie die gleichen Fehler machen wie wir?
04:56
Does she not learn from them? And so on.
119
281000
2000
Wird sie nicht aus ihnen lernen? Und so weiter.
04:58
And so this is the kind of thing we decided to do.
120
283000
2000
Also das ist es, wofür wir uns entschieden haben.
05:00
My students and I got very excited about this a few years ago.
121
285000
2000
Vor ein paar Jahren begannen meine StudentInnen und ich uns dafür zu begeistern.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
287000
2000
Wir sagten uns, ok, laßt uns Holly solche Probleme aufhalsen,
05:04
see if she messes these things up.
123
289000
2000
und schauen, ob sie die Sache vermasselt.
05:06
First problem is just, well, where should we start?
124
291000
3000
Das erste Problem ist nur, wo sollen wir beginnen?
05:09
Because, you know, it's great for us, but bad for humans.
125
294000
2000
Weil für uns ist es großartig, aber schlecht für die Menschen.
05:11
We make a lot of mistakes in a lot of different contexts.
126
296000
2000
Wir machen in den unterschiedlichsten Situationen viele Fehler.
05:13
You know, where are we actually going to start with this?
127
298000
2000
Also wo sollen wir wirklich damit anfangen?
05:15
And because we started this work around the time of the financial collapse,
128
300000
3000
Und weil wir diese Arbeit zur Zeit des finanziellen Zusammenbruchs begannen,
05:18
around the time when foreclosures were hitting the news,
129
303000
2000
zu der Zeit, als die Zwangsvollstreckungen in die Nachrichten kamen,
05:20
we said, hhmm, maybe we should
130
305000
2000
sagten wir, hmmm, vielleicht sollten
05:22
actually start in the financial domain.
131
307000
2000
wir tatsächlich im Finanzbereich beginnen.
05:24
Maybe we should look at monkey's economic decisions
132
309000
3000
Vielleicht sollten wir untersuchen, wie Affen ökonomische Entscheidungen treffen
05:27
and try to see if they do the same kinds of dumb things that we do.
133
312000
3000
und herausfinden, ob sie die gleichen Dummheiten begehen wie wir.
05:30
Of course, that's when we hit a sort second problem --
134
315000
2000
Natürlich treffen wir hier auf eine Art zweites Problem --
05:32
a little bit more methodological --
135
317000
2000
ein etwas methodologischeres --
05:34
which is that, maybe you guys don't know,
136
319000
2000
vielleicht kennen Sie es nicht, aber es ist,
05:36
but monkeys don't actually use money. I know, you haven't met them.
137
321000
3000
dass Affen kein Geld verwenden. Ich weiß, Sie haben sie nicht getroffen.
05:39
But this is why, you know, they're not in the queue behind you
138
324000
2000
Aber aus diesem Grund stehen sie im Lebensmittelladen oder
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
326000
3000
beim Bankomat nicht in der Schlange hinter Ihnen. Das machen sie nicht.
05:44
So now we faced, you know, a little bit of a problem here.
140
329000
3000
Also haben wir hier, wie Sie sehen, ein kleines Problem.
05:47
How are we actually going to ask monkeys about money
141
332000
2000
Wie können wir Affen über Geld befragen,
05:49
if they don't actually use it?
142
334000
2000
wenn sie es gar nicht verwenden?
05:51
So we said, well, maybe we should just, actually just suck it up
143
336000
2000
Also sagten wir uns, vielleicht sollten wir es einfach hinbiegen,
05:53
and teach monkeys how to use money.
144
338000
2000
und Affen beibringen Geld zu verwenden.
05:55
So that's just what we did.
145
340000
2000
Und das taten wir dann auch.
05:57
What you're looking at over here is actually the first unit that I know of
146
342000
3000
Was Sie hier sehen ist, soweit ich weiß, die erste Einheit einer
06:00
of non-human currency.
147
345000
2000
nicht-menschlichen Währung.
06:02
We weren't very creative at the time we started these studies,
148
347000
2000
Wir waren nicht sehr kreativ als wir mit diesen Studien begannen,
06:04
so we just called it a token.
149
349000
2000
also nannten wir es ein Jeton.
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
351000
3000
Aber dies ist eine Einheit der Währung, die wir Affen gelehrt haben
06:09
to actually use with humans,
151
354000
2000
im Kontakt mit Menschen zu verwenden,
06:11
to actually buy different pieces of food.
152
356000
3000
um unterschiedliche Arten Futter zu kaufen.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
359000
2000
Es sieht nicht nach viel aus -- und es ist tatsächlich nicht viel.
06:16
Like most of our money, it's just a piece of metal.
154
361000
2000
Wie meistens bei unserem Geld ist es nur ein Stück Metall.
06:18
As those of you who've taken currencies home from your trip know,
155
363000
3000
Wie diejenigen unter Ihnen wissen, die von ihren Reisen Währungen mitgebracht haben,
06:21
once you get home, it's actually pretty useless.
156
366000
2000
ist es ziemlich nutzlos, wenn man nach Hause kommt.
06:23
It was useless to the monkeys at first
157
368000
2000
Zuerst war es auch für die Affen nutzlos,
06:25
before they realized what they could do with it.
158
370000
2000
bis sie verstanden hatten, was sie damit tun konnten.
06:27
When we first gave it to them in their enclosures,
159
372000
2000
Als wir es ihnen zum ersten Mal in ihren Gehegen gaben,
06:29
they actually kind of picked them up, looked at them.
160
374000
2000
hoben sie es auf und schauten es an.
06:31
They were these kind of weird things.
161
376000
2000
Es war etwas von der seltsamen Art.
06:33
But very quickly, the monkeys realized
162
378000
2000
Aber die Affen begriffen sehr schnell,
06:35
that they could actually hand these tokens over
163
380000
2000
dass sie diese Jetons bei verschiedene Personen,
06:37
to different humans in the lab for some food.
164
382000
3000
hier im Labor gegen Futter tauschen konnten.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
385000
2000
Hier sehen sie, wie das einer unserer Affen, Mayday, tut.
06:42
This is A and B are kind of the points where she's sort of a little bit
166
387000
3000
Das sind A und B, wo sie ein bißchen neugierig
06:45
curious about these things -- doesn't know.
167
390000
2000
auf diese Sachen ist -- sie weiß noch nicht recht.
06:47
There's this waiting hand from a human experimenter,
168
392000
2000
Das ist die wartende Hand des menschlichen Experimentators,
06:49
and Mayday quickly figures out, apparently the human wants this.
169
394000
3000
und Mayday findet schnell heraus, dass er es offenbar haben möchte.
06:52
Hands it over, and then gets some food.
170
397000
2000
Überreicht es, und bekommt etwas Futter.
06:54
It turns out not just Mayday, all of our monkeys get good
171
399000
2000
Es stellt sich heraus, dass alle unsere Affen, nicht nur Mayday,
06:56
at trading tokens with human salesman.
172
401000
2000
gut darin werden Jetons mit menschlichen Händlern auszutauschen.
06:58
So here's just a quick video of what this looks like.
173
403000
2000
Hier ist ein kurzes Video, das zeigt, wie so etwas aussieht.
07:00
Here's Mayday. She's going to be trading a token for some food
174
405000
3000
Hier ist Mayday. Sie wird einen Jeton gegen Futter tauschen
07:03
and waiting happily and getting her food.
175
408000
3000
und wartet glücklich, und bekommt ihr Futter.
07:06
Here's Felix, I think. He's our alpha male; he's a kind of big guy.
176
411000
2000
Hier ist, glaube ich, Felix, unser Alphamännchen, eine Art starker Mann.
07:08
But he too waits patiently, gets his food and goes on.
177
413000
3000
Aber auch er wartet geduldig, bekommt sein Futter und geht weiter.
07:11
So the monkeys get really good at this.
178
416000
2000
Die Affen werden also wirklich gut darin.
07:13
They're surprisingly good at this with very little training.
179
418000
3000
Sie sind mit sehr wenig Training überraschend gut darin.
07:16
We just allowed them to pick this up on their own.
180
421000
2000
Wir haben ihnen nur ermöglicht, es von selbst zu lernen.
07:18
The question is: is this anything like human money?
181
423000
2000
Die Frage ist: ist das so etwas wie menschliches Geld?
07:20
Is this a market at all,
182
425000
2000
Ist das überhaupt ein Markt,
07:22
or did we just do a weird psychologist's trick
183
427000
2000
oder haben wir nur einen seltsamen psychologischen Trick angewandt,
07:24
by getting monkeys to do something,
184
429000
2000
als wir Affen dazu gebracht haben, etwas zu tun,
07:26
looking smart, but not really being smart.
185
431000
2000
das sie klug erscheinen läßt, ohne wirklich klug zu sein.
07:28
And so we said, well, what would the monkeys spontaneously do
186
433000
3000
Also sagten wir, gut, was würden die Affen spontan tun,
07:31
if this was really their currency, if they were really using it like money?
187
436000
3000
wenn es wirklich ihre Währung wäre, wenn sie es wirklich wie Geld benutzten?
07:34
Well, you might actually imagine them
188
439000
2000
Nun, man könnte sich wirklich vorstellen, wie sie
07:36
to do all the kinds of smart things
189
441000
2000
alle möglichen klugen Dinge tun,
07:38
that humans do when they start exchanging money with each other.
190
443000
3000
die Menschen tun, wenn sie beginnen untereinander Geld zu verwenden.
07:41
You might have them start paying attention to price,
191
446000
3000
Sie könnten beginnen auf den Preis zu achten,
07:44
paying attention to how much they buy --
192
449000
2000
oder darauf achten, wieviel sie kaufen --
07:46
sort of keeping track of their monkey token, as it were.
193
451000
3000
sozusagen ihre Affen Jetons irgendwie im Auge zu behalten.
07:49
Do the monkeys do anything like this?
194
454000
2000
Machen Affen etwas derartiges?
07:51
And so our monkey marketplace was born.
195
456000
3000
Und so war unser Marktplatz der Affen geboren.
07:54
The way this works is that
196
459000
2000
Das funktioniert in der Weise, dass
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
461000
3000
unsere Affen normalerweise gemeinsam in einem großen Zoogehege leben.
07:59
When they get a hankering for some treats,
198
464000
2000
Wenn sie Lust auf einen Handel bekommen,
08:01
we actually allowed them a way out
199
466000
2000
ermöglichten wir ihnen hinaus in ein kleineres
08:03
into a little smaller enclosure where they could enter the market.
200
468000
2000
Gehege zu gelangen, wo sie den Markt betreten konnten.
08:05
Upon entering the market --
201
470000
2000
Beim Betreten des Marktes --
08:07
it was actually a much more fun market for the monkeys than most human markets
202
472000
2000
der Markt war für die Affen viel unterhaltsamerer als die meisten menschlichen Märkte,
08:09
because, as the monkeys entered the door of the market,
203
474000
3000
weil, wenn die Affen den Markt durch die Tür betraten,
08:12
a human would give them a big wallet full of tokens
204
477000
2000
gab ihnen ein Mensch eine große Börse voll Jetons,
08:14
so they could actually trade the tokens
205
479000
2000
damit sie die Token mit einer der zwei Personen
08:16
with one of these two guys here --
206
481000
2000
hier tauschen konnten --
08:18
two different possible human salesmen
207
483000
2000
zwei unterschiedliche, potentielle Verkäufer,
08:20
that they could actually buy stuff from.
208
485000
2000
von denen sie tatsächlich Sachen kaufen konnten.
08:22
The salesmen were students from my lab.
209
487000
2000
Die Verkäufer waren StudentInnen aus meinem Labor.
08:24
They dressed differently; they were different people.
210
489000
2000
Sie waren unterschiedlich bekleidet; sie waren unterschiedliche Menschen.
08:26
And over time, they did basically the same thing
211
491000
3000
Eine Zeitlang machten sie im wesentlichen immer
08:29
so the monkeys could learn, you know,
212
494000
2000
das Gleiche, damit die Affen es lernen konnten.
08:31
who sold what at what price -- you know, who was reliable, who wasn't, and so on.
213
496000
3000
Wer was um wieviel verkaufte -- wer vertrauenswürdig war, wer nicht, und so weiter.
08:34
And you can see that each of the experimenters
214
499000
2000
Und Sie können sehen, dass jeder Experimentator
08:36
is actually holding up a little, yellow food dish.
215
501000
3000
ein kleine gelbe Futterschüssel hat.
08:39
and that's what the monkey can for a single token.
216
504000
2000
Und das bekommen die Affen für einen Jeton.
08:41
So everything costs one token,
217
506000
2000
Alles kostet also einen Jeton,
08:43
but as you can see, sometimes tokens buy more than others,
218
508000
2000
aber wie Sie sehen, bekommt man manchmal für einen Jeton mehr als sonst,
08:45
sometimes more grapes than others.
219
510000
2000
manchmal mehr Weintrauben als sonst.
08:47
So I'll show you a quick video of what this marketplace actually looks like.
220
512000
3000
Ich zeige ihnen schnell ein Video davon, wie der Marktplatz aussieht.
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
515000
3000
Hier aus der Sicht der Affen. Affen sind kürzer, also ist es etwas kurz.
08:53
But here's Honey.
222
518000
2000
Aber hier ist Honey.
08:55
She's waiting for the market to open a little impatiently.
223
520000
2000
Sie wartet etwas ungeduldig darauf, dass der Markt öffnet.
08:57
All of a sudden the market opens. Here's her choice: one grapes or two grapes.
224
522000
3000
Plötzlich macht der Markt auf. Und hier ist ihre Auswahl: eine oder zwei Trauben.
09:00
You can see Honey, very good market economist,
225
525000
2000
Sie sehen, Honey ist eine sehr gute Marktwirtschaftlerin,
09:02
goes with the guy who gives more.
226
527000
3000
sie hält sich an den, der mehr gibt.
09:05
She could teach our financial advisers a few things or two.
227
530000
2000
Sie könnte unseren Finanzberatern ein oder zwei Dinge beibringen.
09:07
So not just Honey,
228
532000
2000
Nicht nur Honey,
09:09
most of the monkeys went with guys who had more.
229
534000
3000
die meisten Affen entschieden sich für den, der mehr hatte.
09:12
Most of the monkeys went with guys who had better food.
230
537000
2000
Die meisten Affen entschieden sich für den, mit dem besseren Futter.
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
539000
3000
Als wir mit dem Verkauf begonnen hatten, sahen wir, dass die Affen darauf aufmerksam wurden.
09:17
They really cared about their monkey token dollar.
232
542000
3000
Sie haben sich wirklich für ihren Affen Dollar interessiert.
09:20
The more surprising thing was that when we collaborated with economists
233
545000
3000
Noch überraschend war, als wir mit Ökonomen zusammenarbeiteten
09:23
to actually look at the monkeys' data using economic tools,
234
548000
3000
um die Affen-Daten mit Hilfe von ökonomischen Verfahren auszuwerten,
09:26
they basically matched, not just qualitatively,
235
551000
3000
dass sie grundsätzlich mit dem übereinstimmten,
09:29
but quantitatively with what we saw
236
554000
2000
was wir Menschen in den richtigen Märkten tun sahen,
09:31
humans doing in a real market.
237
556000
2000
nicht nur qualitativ, sondern auch quantitativ.
09:33
So much so that, if you saw the monkeys' numbers,
238
558000
2000
Und zwar so sehr, dass, wenn man die Ergebnisse der Affen betrachtete,
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
560000
3000
man nicht sagen konnte, ob sie von Affen oder Menschen im gleichen Markt stammten.
09:38
And what we'd really thought we'd done
240
563000
2000
Und so dachten wir,
09:40
is like we'd actually introduced something
241
565000
2000
dass wir tatsächlich etwas eingeführt hatten,
09:42
that, at least for the monkeys and us,
242
567000
2000
das, zumindestens für die Affen und uns,
09:44
works like a real financial currency.
243
569000
2000
wie eine echte Geldwährung funktioniert.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
571000
3000
Die Frage ist: Werden die Affen die gleichen Fehler wie wir begehen?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
574000
3000
Nun, wir sahen bereits ein paar einzelne Hinweise darauf, dass sie das würden.
09:52
One thing we never saw in the monkey marketplace
246
577000
2000
Was wir auf dem Markt der Affen nie beobachteten,
09:54
was any evidence of saving --
247
579000
2000
war irgendein Anzeichen von Sparen --
09:56
you know, just like our own species.
248
581000
2000
so wie unsere Spezies es macht.
09:58
The monkeys entered the market, spent their entire budget
249
583000
2000
Die Affen betraten den Markt, gaben aus was sie hatten,
10:00
and then went back to everyone else.
250
585000
2000
und kehrten dann zu ihresgleichen zurück.
10:02
The other thing we also spontaneously saw,
251
587000
2000
Etwas anderes, dass wir spontan auftreten sahen,
10:04
embarrassingly enough,
252
589000
2000
peinlicherweise,
10:06
is spontaneous evidence of larceny.
253
591000
2000
ist das spontane Auftreten von Diebstahl.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
593000
3000
Die Affen stahlen Token bei jeder Gelegenheit --
10:11
from each other, often from us --
255
596000
2000
von den anderen, oft von uns --
10:13
you know, things we didn't necessarily think we were introducing,
256
598000
2000
etwas, das wir nicht absichtlich hervorrufen wollten,
10:15
but things we spontaneously saw.
257
600000
2000
aber etwas, das was wir spontan auftreten sahen.
10:17
So we said, this looks bad.
258
602000
2000
Also sagten wir, das sieht schlecht aus.
10:19
Can we actually see if the monkeys
259
604000
2000
Können wir wirklich sehen, ob die Affen
10:21
are doing exactly the same dumb things as humans do?
260
606000
3000
die gleichen dummen Dinge tun wie Menschen?
10:24
One possibility is just kind of let
261
609000
2000
Eine Möglichkeit war, das Finanzsystem
10:26
the monkey financial system play out,
262
611000
2000
der Affen einfach laufen zu lassen,
10:28
you know, see if they start calling us for bailouts in a few years.
263
613000
2000
und abzuwarten, ob sie sich in ein paar Jahren wegen einer Rettungsaktion an uns wenden würden.
10:30
We were a little impatient so we wanted
264
615000
2000
Wir waren etwas ungeduldig, wir wollten
10:32
to sort of speed things up a bit.
265
617000
2000
die Sache etwas beschleunigen.
10:34
So we said, let's actually give the monkeys
266
619000
2000
Also sagten wir, lasst uns den Affen die
10:36
the same kinds of problems
267
621000
2000
gleiche Art Probleme geben,
10:38
that humans tend to get wrong
268
623000
2000
bei denen Menschen oft Fehler machen
10:40
in certain kinds of economic challenges,
269
625000
2000
in Hinblick auf bestimmte, ökonomische Herausforderungen,
10:42
or certain kinds of economic experiments.
270
627000
2000
oder bestimmten ökonomischen Experimenten.
10:44
And so, since the best way to see how people go wrong
271
629000
3000
Deshalb, weil man am besten sieht, wie Menschen Fehler machen,
10:47
is to actually do it yourself,
272
632000
2000
indem man es selbst tut,
10:49
I'm going to give you guys a quick experiment
273
634000
2000
Ich werde mit Ihnen jetzt ein schnelles Experiment machen
10:51
to sort of watch your own financial intuitions in action.
274
636000
2000
um sozusagen Ihr finanzielles Gespür in Aktion zu sehen.
10:53
So imagine that right now
275
638000
2000
Stellen Sie sich jetzt vor,
10:55
I handed each and every one of you
276
640000
2000
dass ich jedem von Ihnen 1000 U.S Dollar
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
642000
3000
in die Hand drücke - so 10 knackige Hundert Dollar Noten.
11:00
Take these, put it in your wallet
278
645000
2000
Nehmen Sie sie und stecken Sie sie in ihre Brieftasche
11:02
and spend a second thinking about what you're going to do with it.
279
647000
2000
und überlegen Sie sich, was Sie damit tun werden.
11:04
Because it's yours now; you can buy whatever you want.
280
649000
2000
Weil es nun Ihres ist; Sie können kaufen, was Sie wollen.
11:06
Donate it, take it, and so on.
281
651000
2000
Es spenden, es nehmen, und so weiter.
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
653000
3000
Klingt gut, aber Sie bekommen noch eine Möglichkeit, etwas mehr Geld zu verdienen.
11:11
And here's your choice: you can either be risky,
283
656000
3000
Und hier ist Ihre Wahl: Sie können entweder risikofreudig sein,
11:14
in which case I'm going to flip one of these monkey tokens.
284
659000
2000
in diesem Fall werde ich einen der Affen Jeton werfen.
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
661000
2000
Bei Kopf, bekommen Sie 1000 Dollar dazu.
11:18
If it comes up tails, you get nothing.
286
663000
2000
Bei Zahl, bekommen Sie nichts.
11:20
So it's a chance to get more, but it's pretty risky.
287
665000
3000
Also gibt es die Chance mehr zu bekommen, aber es ist ganz schön riskant.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
668000
3000
Ihre andere Option ist sicherer. Sie erhalten auf jeden Fall etwas Geld.
11:26
I'm just going to give you 500 bucks.
289
671000
2000
Ich werde Ihnen nur 500 Dollar geben.
11:28
You can stick it in your wallet and use it immediately.
290
673000
3000
Sie können sie einstecken und sofort verwenden.
11:31
So see what your intuition is here.
291
676000
2000
Beobachten Sie, was Ihnen Ihre Intuition hier sagt.
11:33
Most people actually go with the play-it-safe option.
292
678000
3000
Die meisten Menschen gehen auf Nummer Sicher.
11:36
Most people say, why should I be risky when I can get 1,500 dollars for sure?
293
681000
3000
Die meisten sagen, warum soll ich etwas riskieren, wenn mir 1500 Dollar sicher sind?
11:39
This seems like a good bet. I'm going to go with that.
294
684000
2000
Es scheint eine gutes Geschäft zu sein. Das nehme ich.
11:41
You might say, eh, that's not really irrational.
295
686000
2000
Sie könnten sagen, ah, das ist nicht wirklich unvernünftig.
11:43
People are a little risk-averse. So what?
296
688000
2000
Menschen sind etwas risikoscheu. Na und?
11:45
Well, the "so what?" comes when start thinking
297
690000
2000
Nun, das "na und?" kommt, wenn man beginnt
11:47
about the same problem
298
692000
2000
über das gleiche Problem, nur
11:49
set up just a little bit differently.
299
694000
2000
etwas anders aufgebaut, nachzudenken.
11:51
So now imagine that I give each and every one of you
300
696000
2000
Also stellen Sie sich jetzt vor, dass ich jedem von Ihnen
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
698000
3000
2.000 Dollar gebe -- 20 knackige 100 Dollar Noten.
11:56
Now you can buy double to stuff you were going to get before.
302
701000
2000
Nun können Sie das Doppelte von dem zuvor kaufen.
11:58
Think about how you'd feel sticking it in your wallet.
303
703000
2000
Denken Sie daran, wie Sie es in Ihre Brieftasche stecken.
12:00
And now imagine that I have you make another choice
304
705000
2000
Nun stellen Sie sich vor, dass ich Sie vor eine weitere Entscheidung stelle.
12:02
But this time, it's a little bit worse.
305
707000
2000
Nur dieses Mal ist es etwas schlimmer.
12:04
Now, you're going to be deciding how you're going to lose money,
306
709000
3000
Nun werden Sie wählen, wie Sie Ihr Geld verlieren,
12:07
but you're going to get the same choice.
307
712000
2000
aber Sie werden vor der gleichen Entscheidung stehen.
12:09
You can either take a risky loss --
308
714000
2000
Sie können entweder einen riskanten Verlust wählen --
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
716000
3000
so, ich werfe eine Münze. Bei Kopf werden Sie wirklich viel verlieren.
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
719000
3000
Bei Zahl verlieren Sie nichts. Es geht Ihnen gut. Sie können alles behalten --
12:17
or you could play it safe, which means you have to reach back into your wallet
311
722000
3000
oder Sie können auf Nummer Sicher gehen. Das heißt, Sie greifen in Ihre Brieftasche
12:20
and give me five of those $100 bills, for certain.
312
725000
3000
und geben mir fünf dieser 100 $ Noten.
12:23
And I'm seeing a lot of furrowed brows out there.
313
728000
3000
Und ich sehe viele die Stirn runzeln.
12:26
So maybe you're having the same intuitions
314
731000
2000
Vielleicht haben Sie die gleichen Intuitionen
12:28
as the subjects that were actually tested in this,
315
733000
2000
wie die Kanditaten, die wirklich diese Test machten,
12:30
which is when presented with these options,
316
735000
2000
das heißt, wenn man diese Wahlmöglichkeiten bekommt,
12:32
people don't choose to play it safe.
317
737000
2000
wählen die Leute nicht die sichere Variante.
12:34
They actually tend to go a little risky.
318
739000
2000
Tatsächlich tendieren sie etwas in Richtung Risiko.
12:36
The reason this is irrational is that we've given people in both situations
319
741000
3000
Der Grund warum das unlogisch ist, ist, dass wir den Leuten in beiden
12:39
the same choice.
320
744000
2000
Fällen die gleiche Wahl gaben.
12:41
It's a 50/50 shot of a thousand or 2,000,
321
746000
3000
Es steht 50 zu 50, bei Tausend oder 2,000
12:44
or just 1,500 dollars with certainty.
322
749000
2000
oder nur sichere 1,500 Dollar.
12:46
But people's intuitions about how much risk to take
323
751000
3000
Aber das Gespür der Leute dafür, wieviel Risiko sie eingehen wollen,
12:49
varies depending on where they started with.
324
754000
2000
hängt davon ab, womit sie begonnen haben.
12:51
So what's going on?
325
756000
2000
Also was geschieht hier?
12:53
Well, it turns out that this seems to be the result
326
758000
2000
Es zeigt sich, dass dies das Ergebnis von mindestens
12:55
of at least two biases that we have at the psychological level.
327
760000
3000
zwei Verzerrungen ist, die wir auf psychologischer Ebene haben.
12:58
One is that we have a really hard time thinking in absolute terms.
328
763000
3000
Zum einen fällt es uns wirklich schwer in absoluten Begriffen zu denken.
13:01
You really have to do work to figure out,
329
766000
2000
Man muss sich wirklich anstrengen um herauszufinden,
13:03
well, one option's a thousand, 2,000;
330
768000
2000
nun, eine Möglichkeit ist 1.000, 2.000;
13:05
one is 1,500.
331
770000
2000
eine ist 1.500.
13:07
Instead, we find it very easy to think in very relative terms
332
772000
3000
Stattdessen fällt es uns sehr leicht in Verhältnissen zu denken,
13:10
as options change from one time to another.
333
775000
3000
wenn die Möglichkeiten von Einem zum Anderen wechseln.
13:13
So we think of things as, "Oh, I'm going to get more," or "Oh, I'm going to get less."
334
778000
3000
Wir denken auf diese Art, "Oh, ich bekomme mehr", oder "Oh, ich bekomme weniger."
13:16
This is all well and good, except that
335
781000
2000
Das ist alles schön und gut, nur dass
13:18
changes in different directions
336
783000
2000
Änderungen in unterschiedliche Richtungen
13:20
actually effect whether or not we think
337
785000
2000
wirklich bestimmen, ob wir denken, dass eine
13:22
options are good or not.
338
787000
2000
Möglichkeit gut ist, oder nicht.
13:24
And this leads to the second bias,
339
789000
2000
Und das führt zur zweiten Verzerrung,
13:26
which economists have called loss aversion.
340
791000
2000
die von den Ökonomen Verlustaversion genannt wurde.
13:28
The idea is that we really hate it when things go into the red.
341
793000
3000
Die Idee ist, dass wir es wirklich hassen in die roten Zahlen zu kommen.
13:31
We really hate it when we have to lose out on some money.
342
796000
2000
Wir hassen es wirklich, wenn wir Geld verlieren.
13:33
And this means that sometimes we'll actually
343
798000
2000
Und das bedeutet, dass wir manchmal unsere
13:35
switch our preferences to avoid this.
344
800000
2000
Vorlieben ändern um das zu vermeiden.
13:37
What you saw in that last scenario is that
345
802000
2000
Was Sie im letzten Szenario gesehen haben, ist,
13:39
subjects get risky
346
804000
2000
dass Versuchspersonen risikobereit werden,
13:41
because they want the small shot that there won't be any loss.
347
806000
3000
weil sie den kleineren Gewinn wollen um Verlust zu vermeiden.
13:44
That means when we're in a risk mindset --
348
809000
2000
Das heißt, wenn wir auf Risiko eingestellt sind --
13:46
excuse me, when we're in a loss mindset,
349
811000
2000
Verzeihung, wenn wir Verlust vemeiden wollen,
13:48
we actually become more risky,
350
813000
2000
werden wir in Wirklichkeit risikobereiter,
13:50
which can actually be really worrying.
351
815000
2000
was wirklich besorgniserregend sein kann.
13:52
These kinds of things play out in lots of bad ways in humans.
352
817000
3000
Diese Dinge zeigen sich in den Menschen in vielen negativen Ausprägungen.
13:55
They're why stock investors hold onto losing stocks longer --
353
820000
3000
Deshalb behalten Aktienbesitzer verlustreiche Aktien länger --
13:58
because they're evaluating them in relative terms.
354
823000
2000
weil sie sie relativ bewerten.
14:00
They're why people in the housing market refused to sell their house --
355
825000
2000
Deshalb weigern sich Leute auf dem Immobilienmarkt ihre Häuser zu verkaufen --
14:02
because they don't want to sell at a loss.
356
827000
2000
weil sie sie nicht mit Verlust verkaufen wollen.
14:04
The question we were interested in
357
829000
2000
Die Frage, die uns interessiert hat, war,
14:06
is whether the monkeys show the same biases.
358
831000
2000
ob die Affen die gleichen Neigungen zeigen.
14:08
If we set up those same scenarios in our little monkey market,
359
833000
3000
Wenn wir in unserem kleinen Affenmarkt die gleichen Szenarien herstellten,
14:11
would they do the same thing as people?
360
836000
2000
würden sie die gleichen Dinge wie die Menschen tun?
14:13
And so this is what we did, we gave the monkeys choices
361
838000
2000
Und das haben wir getan, wir gaben den Affen die Wahl
14:15
between guys who were safe -- they did the same thing every time --
362
840000
3000
zwischen Personen, die verläßlich waren - sie machen jedes Mal das Gleiche --
14:18
or guys who were risky --
363
843000
2000
und Personen, mit denen es riskant war --
14:20
they did things differently half the time.
364
845000
2000
die halbe Zeit machten sie alles anders --
14:22
And then we gave them options that were bonuses --
365
847000
2000
Dann gaben wir ihnen die Möglichkeit Boni zu bekommen --
14:24
like you guys did in the first scenario --
366
849000
2000
wie Sie es im ersten Beispiel machten --
14:26
so they actually have a chance more,
367
851000
2000
sodaß sie in Wirklichkeit eine zusätzliche Chance hatten,
14:28
or pieces where they were experiencing losses --
368
853000
3000
oder etwas, bei dem sie Verlust machten --
14:31
they actually thought they were going to get more than they really got.
369
856000
2000
tatsächlich dachten sie, sie würden mehr bekommen, als es real der Fall war.
14:33
And so this is what this looks like.
370
858000
2000
Und so sieht es dann aus.
14:35
We introduced the monkeys to two new monkey salesmen.
371
860000
2000
Wir stellten den Affen zwei neue Verkäufer vor.
14:37
The guy on the left and right both start with one piece of grape,
372
862000
2000
Die Person links und die rechts, begannen beide mit einer Traube,
14:39
so it looks pretty good.
373
864000
2000
so dass es ziemlich gut wirkt.
14:41
But they're going to give the monkeys bonuses.
374
866000
2000
Aber sie werden den Affen Boni geben.
14:43
The guy on the left is a safe bonus.
375
868000
2000
Die Person zur Linken ist ein sicherer Fall.
14:45
All the time, he adds one, to give the monkeys two.
376
870000
3000
Er gibt immer eine mehr, so bekommen die Affen zwei Trauben.
14:48
The guy on the right is actually a risky bonus.
377
873000
2000
Die Person zur Rechten ist wirklich riskant.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
875000
3000
Manchmal bekommen die Affen keinen Bonus -- also ein Bonus von Null.
14:53
Sometimes the monkeys get two extra.
379
878000
3000
Manchmal bekommen die Afffen zusätzlich zwei.
14:56
For a big bonus, now they get three.
380
881000
2000
Ein großer Bonus ist, wenn sie drei bekommen.
14:58
But this is the same choice you guys just faced.
381
883000
2000
Aber es ist die gleiche Wahl, vor der Sie gerade standen.
15:00
Do the monkeys actually want to play it safe
382
885000
3000
Wollen die Affen nun auf Nummer Sicher gehen,
15:03
and then go with the guy who's going to do the same thing on every trial,
383
888000
2000
und sich an die Person halten, die bei jedem Versuch das Gleiche macht,
15:05
or do they want to be risky
384
890000
2000
oder wollen sie ein Risiko eingehen,
15:07
and try to get a risky, but big, bonus,
385
892000
2000
und versuchen einen unsicheren, aber großen Bonus zu erlangen,
15:09
but risk the possibility of getting no bonus.
386
894000
2000
aber auch riskieren keinen Bonus zu bekommen.
15:11
People here played it safe.
387
896000
2000
Die Leute hier gingen auf Nummer Sicher.
15:13
Turns out, the monkeys play it safe too.
388
898000
2000
Es stellt sich heraus, dass auch die Affen auf Nummer Sicher gehen.
15:15
Qualitatively and quantitatively,
389
900000
2000
Qualitativ und quantitativ,
15:17
they choose exactly the same way as people,
390
902000
2000
entschieden sie sich genauso wie Menschen,
15:19
when tested in the same thing.
391
904000
2000
wenn sie die gleichen Tests durchliefen.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
906000
2000
Sie könnten sagen, nun, vielleicht mögen Affen einfach kein Risiko.
15:23
Maybe we should see how they do with losses.
393
908000
2000
Vielleicht sollten wir untersuchen, wie sie es bei Verlusten machen.
15:25
And so we ran a second version of this.
394
910000
2000
Und so führten wir eine zweite Version dieses Tests durch.
15:27
Now, the monkeys meet two guys
395
912000
2000
Nun treffen die Affen auf zwei Personen,
15:29
who aren't giving them bonuses;
396
914000
2000
die ihnen keine Boni geben;
15:31
they're actually giving them less than they expect.
397
916000
2000
in Wirklichkeit geben sie ihnen weniger als sie erwarteten.
15:33
So they look like they're starting out with a big amount.
398
918000
2000
Sie wirkten so, als würden sie mit einem großen Betrag beginnen.
15:35
These are three grapes; the monkey's really psyched for this.
399
920000
2000
Das sind drei Trauben; die Affen waren wirklich wild danach.
15:37
But now they learn these guys are going to give them less than they expect.
400
922000
3000
Aber nun lernen sie, dass diese Personen ihnen weniger als erwartet geben.
15:40
They guy on the left is a safe loss.
401
925000
2000
Die Person zur Linken ist ein sicherer Verlust.
15:42
Every single time, he's going to take one of these away
402
927000
3000
Jedes Mal nimmt er eine davon weg
15:45
and give the monkeys just two.
403
930000
2000
und gibt dem Affen nur zwei.
15:47
the guy on the right is the risky loss.
404
932000
2000
die Person zur Rechten ist ein unsicherer Verlust.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
934000
3000
Manchmal gibt er nicht weniger, und die Affen sind richtig aufgeregt,
15:52
but sometimes he actually gives a big loss,
406
937000
2000
aber manchmal gibt er viel weniger,
15:54
taking away two to give the monkeys only one.
407
939000
2000
dann nimmt er zwei weg und gibt dem Affen nur eine.
15:56
And so what do the monkeys do?
408
941000
2000
Und was tun die Affen nun?
15:58
Again, same choice; they can play it safe
409
943000
2000
Wieder die gleiche Wahl, sie können auf Nummer Sicher gehen
16:00
for always getting two grapes every single time,
410
945000
3000
und jedes Mal zwei Trauben bekommen,
16:03
or they can take a risky bet and choose between one and three.
411
948000
3000
oder sie können ein Risiko eingehen und zwischen einer und drei wählen.
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
951000
3000
Bemerkenswert war für uns, dass wenn man den Affen diese Wahl gibt,
16:09
they do the same irrational thing that people do.
413
954000
2000
sie die gleichen unvernünftigen Dinge wie die Menschen tun.
16:11
They actually become more risky
414
956000
2000
Sie riskieren tatsächlich mehr,
16:13
depending on how the experimenters started.
415
958000
3000
abhängig davon, wie die Experimentatoren begannen.
16:16
This is crazy because it suggests that the monkeys too
416
961000
2000
Das ist verrückt, weil es darauf hindeutet, dass auch Affen
16:18
are evaluating things in relative terms
417
963000
2000
relative Bewertungen treffen
16:20
and actually treating losses differently than they treat gains.
418
965000
3000
und mit Verlusten tatsächlich anders umgehen als mit Gewinnen.
16:23
So what does all of this mean?
419
968000
2000
Was bedeutet das nun alles?
16:25
Well, what we've shown is that, first of all,
420
970000
2000
Was wir gezeigt haben ist, dass, zuallererst,
16:27
we can actually give the monkeys a financial currency,
421
972000
2000
wir Affen tatsächlich eine Geldwährung geben können,
16:29
and they do very similar things with it.
422
974000
2000
und dass sie damit ganz ähnliche Dinge tun.
16:31
They do some of the smart things we do,
423
976000
2000
Sie machen einige der klugen Dinge so wie wir,
16:33
some of the kind of not so nice things we do,
424
978000
2000
einige der nicht so netten Dinge, so wie wir,
16:35
like steal it and so on.
425
980000
2000
wie es stehlen, und so weiter.
16:37
But they also do some of the irrational things we do.
426
982000
2000
Aber sie machen auch einige der irrationalen Dinge, die wir tun.
16:39
They systematically get things wrong
427
984000
2000
Sie begehen systematisch Fehler,
16:41
and in the same ways that we do.
428
986000
2000
in der gleichen Art wie wir.
16:43
This is the first take-home message of the Talk,
429
988000
2000
Das ist die erste Botschaft dieses Vortrags zum Mit-Nach-Hause nehmen,
16:45
which is that if you saw the beginning of this and you thought,
430
990000
2000
die besagt, dass, wenn Sie den Anfang von dem hier gesehen haben und dachten,
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
992000
2000
oh, ich werde nach Hause gehen und wirklich einen Kapuzineraffen als Finanzberater anstellen.
16:49
They're way cuter than the one at ... you know --
432
994000
2000
Sie sind viel niedlicher als der ... Sie wissen schon --
16:51
Don't do that; they're probably going to be just as dumb
433
996000
2000
Machen Sie das nicht; sie sind wahrscheinlich genauso dumm,
16:53
as the human one you already have.
434
998000
3000
wie der Mensch, den sie bereits haben.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1001000
2000
Wissen Sie, es ist irgendwie schlecht -- Sorry, sorry, sorry.
16:58
A little bad for monkey investors.
436
1003000
2000
Es ist irgendwie schlecht für die Affen-Investoren.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1005000
3000
Aber natürlich, worüber Sie lachen, ist für Menschen genauso schlecht.
17:03
Because we've answered the question we started out with.
438
1008000
3000
Weil wir die Frage beantwortet haben, mit der wir angefangen haben.
17:06
We wanted to know where these kinds of errors came from.
439
1011000
2000
Wir wollten wissen, woher diese Art Fehler kommt.
17:08
And we started with the hope that maybe we can
440
1013000
2000
Und wir begannen mit der Hoffnung, dass wir vielleicht
17:10
sort of tweak our financial institutions,
441
1015000
2000
unsere Finanzsysteme optimieren könnten,
17:12
tweak our technologies to make ourselves better.
442
1017000
3000
oder unsere Technologien, um uns selbst zu verbessern.
17:15
But what we've learn is that these biases might be a deeper part of us than that.
443
1020000
3000
Aber was wir gelernt haben, ist, dass diese Eigenheiten tiefer in uns selbst wurzeln.
17:18
In fact, they might be due to the very nature
444
1023000
2000
In Wirklichkeit könnten sie gerade aus unserer
17:20
of our evolutionary history.
445
1025000
2000
Entwicklungsgeschichte herrühren.
17:22
You know, maybe it's not just humans
446
1027000
2000
Vielleicht sind es nicht nur die Menschen
17:24
at the right side of this chain that's duncey.
447
1029000
2000
auf der letzten Stufe der Entwicklung, die dumme Fehler machen.
17:26
Maybe it's sort of duncey all the way back.
448
1031000
2000
Vielleicht reichen die dummen Fehler bis weit zurück.
17:28
And this, if we believe the capuchin monkey results,
449
1033000
3000
Und das, wenn wir die Ergebnisse der Kapuzineraffen glauben,
17:31
means that these duncey strategies
450
1036000
2000
bedeutet, dass diese dummen Strategien
17:33
might be 35 million years old.
451
1038000
2000
35 Millionen Jahre alt sein könnten.
17:35
That's a long time for a strategy
452
1040000
2000
Das ist eine lange Zeit für eine Strategie,
17:37
to potentially get changed around -- really, really old.
453
1042000
3000
um sich potentiell zu verändern -- wirklich sehr alt.
17:40
What do we know about other old strategies like this?
454
1045000
2000
Was wissen wir über andere alte Strategien wie diese?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1047000
3000
Unter anderem wissen wir, dass sie meistens wirklich schwer zu überwinden sind.
17:45
You know, think of our evolutionary predilection
456
1050000
2000
Denken Sie an unsere ererbte Vorliebe
17:47
for eating sweet things, fatty things like cheesecake.
457
1052000
3000
süße Dinge zu essen, oder fette wie Käsekuchen.
17:50
You can't just shut that off.
458
1055000
2000
Sie können das nicht einfach abstellen.
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1057000
3000
Sie können nicht einfach die Desserts ansehen und sagen, "Nein, nein, das schaut widerlich aus."
17:55
We're just built differently.
460
1060000
2000
Wir sind einfach anders gebaut.
17:57
We're going to perceive it as a good thing to go after.
461
1062000
2000
Wir halten es einfach für eine gute Sache, die wir wollen.
17:59
My guess is that the same thing is going to be true
462
1064000
2000
Meine Vermutung ist, dass das Gleiche gilt,
18:01
when humans are perceiving
463
1066000
2000
wenn Menschen unterschiedliche
18:03
different financial decisions.
464
1068000
2000
finanzielle Wahlmöglichkeiten erkennen.
18:05
When you're watching your stocks plummet into the red,
465
1070000
2000
Wenn Sie zusehen, wie ihre Aktien abstürzen,
18:07
when you're watching your house price go down,
466
1072000
2000
wenn Sie zusehen, wie der Preis ihres Hauses verfällt,
18:09
you're not going to be able to see that
467
1074000
2000
werden Sie nicht in der Lage sein, dies
18:11
in anything but old evolutionary terms.
468
1076000
2000
anders als nach alten evolutionären Gesichtspunkten zu sehen.
18:13
This means that the biases
469
1078000
2000
Das bedeutet, dass die Einstellungen,
18:15
that lead investors to do badly,
470
1080000
2000
die Investoren veranlassen schlecht zu handeln,
18:17
that lead to the foreclosure crisis
471
1082000
2000
die zur Hypothekenkrise geführt haben,
18:19
are going to be really hard to overcome.
472
1084000
2000
sehr schwer zu überwinden sein werden.
18:21
So that's the bad news. The question is: is there any good news?
473
1086000
2000
Soweit schlechten Neuigkeiten. Die Frage ist: gibt es auch Gute?
18:23
I'm supposed to be up here telling you the good news.
474
1088000
2000
Ich soll hier oben stehen, um Ihnen die guten Nachrichten zu übermitteln.
18:25
Well, the good news, I think,
475
1090000
2000
Nun, die guten Nachricht, denke ich,
18:27
is what I started with at the beginning of the Talk,
476
1092000
2000
ist, womit ich am Anfang dieses Vortrags begonnen habe,
18:29
which is that humans are not only smart;
477
1094000
2000
und das ist, dass Menschen nicht nur klug sind;
18:31
we're really inspirationally smart
478
1096000
2000
Wir sind geradezu überragend klug gegenüber
18:33
to the rest of the animals in the biological kingdom.
479
1098000
3000
den anderen Tieren im biologischen Königreich.
18:36
We're so good at overcoming our biological limitations --
480
1101000
3000
Wir sind so gut darin unsere biologischen Einschränkungen zu überwinden --
18:39
you know, I flew over here in an airplane.
481
1104000
2000
ich flog in einem Flugzeug hierher.
18:41
I didn't have to try to flap my wings.
482
1106000
2000
Ich musste nicht versuchen mit meinen Flügeln zu schlagen.
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1108000
3000
Ich trage Kontaktlinsen um Sie alle sehen zu können.
18:46
I don't have to rely on my own near-sightedness.
484
1111000
3000
Ich muss nicht mit meiner Kurzsichtigkeit zurechtkommen.
18:49
We actually have all of these cases
485
1114000
2000
Tatsächlich haben wir all diese Fälle,
18:51
where we overcome our biological limitations
486
1116000
3000
wo wir unsere biologischen Einschränkungen
18:54
through technology and other means, seemingly pretty easily.
487
1119000
3000
mittels Technologie und anderem überwinden, anscheinend ganz einfach.
18:57
But we have to recognize that we have those limitations.
488
1122000
3000
Aber wir müssen eingestehen, dass wir diese Grenzen haben.
19:00
And here's the rub.
489
1125000
2000
Und das ist der Haken.
19:02
It was Camus who once said that, "Man is the only species
490
1127000
2000
Camus sagte einmal, dass "Der Mensch die einzige Art ist,
19:04
who refuses to be what he really is."
491
1129000
3000
die sich weigert, zu sein, was sie wirklich ist."
19:07
But the irony is that
492
1132000
2000
Aber ironischerweise ist es so, dass,
19:09
it might only be in recognizing our limitations
493
1134000
2000
erst wenn wir unsere Grenzen anerkennen,
19:11
that we can really actually overcome them.
494
1136000
2000
wir sie wirklich überwinden können.
19:13
The hope is that you all will think about your limitations,
495
1138000
3000
Hoffentlich werden Sie alle über Ihre Grenzen nachdenken,
19:16
not necessarily as unovercomable,
496
1141000
3000
nicht unbedingt in der Form, dass sie unüberwindbar wären,
19:19
but to recognize them, accept them
497
1144000
2000
sondern um sie zu erkennen, sie zu akzeptieren,
19:21
and then use the world of design to actually figure them out.
498
1146000
3000
und dann unsere Fähigkeiten zu verwenden, um sie zu verstehen.
19:24
That might be the only way that we will really be able
499
1149000
3000
Das könnte der einzige Weg sein, der es uns ermöglicht,
19:27
to achieve our own human potential
500
1152000
2000
unser menschliches Potential auszuschöpfen,
19:29
and really be the noble species we hope to all be.
501
1154000
3000
und wirklich die edle Spezies sein, die wir alle zu sein erhoffen.
19:32
Thank you.
502
1157000
2000
Vielen Dank.
19:34
(Applause)
503
1159000
5000
(Applaus)
ABOUT THE SPEAKER
Laurie Santos - Cognitive psychologistLaurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do.
Why you should listen
Laurie Santos runs the Comparative Cognition Laboratory (CapLab) at Yale, where she and collaborators across departments (from psychology to primatology to neurobiology) explore the evolutionary origins of the human mind by studying lemurs, capuchin monkeys and other primates. The twist: Santos looks not only for positive humanlike traits, like tool-using and altruism, but irrational ones, like biased decisionmaking.
In elegant, carefully constructed experiments, Santos and CapLab have studied how primates understand and categorize objects in the physical world -- for instance, that monkeys understand an object is still whole even when part of it is obscured. Going deeper, their experiments also search for clues that primates possess a theory of mind -- an ability to think about what other people think.
Most recently, the lab has been looking at behaviors that were once the province mainly of novelists: jealousy, frustration, judgment of others' intentions, poor economic choices. In one experiment, Santos and her team taught monkeys to use a form of money, tradeable for food. When certain foods became cheaper, monkeys would, like humans, overbuy. As we humans search for clues to our own irrational behaviors, Santos' research suggests that the source of our genius for bad decisions might be our monkey brains.
Laurie Santos | Speaker | TED.com