Entscheidungsfindung gilt traditionell als ein Prozess, bei dem Menschen und Tiere optimale Handlungen basierend auf vergangenen Erfahrungen auswählen. Dieses Paradigma der optimalen Nutzenmaximierung prägt viele klassische kognitive Modelle. Neue Forschungen zeigen jedoch, dass diese Annahme der Optimalität die Realität nur unzureichend abbildet. Stattdessen sind Entscheidungsstrategien häufig suboptimal, aber systematisch und durch kleine, interpretierbare künstliche neuronale Netzwerke (KNN) erklärbar (Mattar & Lengyel, 2022).
Diese neuronalen Netzwerke sind klein genug, um verstanden zu werden, jedoch leistungsstark genug, komplexe Entscheidungsprozesse abzubilden. Sie übertreffen klassische Modelle, indem sie individuelle Entscheidungen von Menschen, nicht-menschlichen Primaten und Laborratten genauer vorhersagen können. Ein wesentlicher Vorteil der kleinen KNN liegt in ihrer Interpretierbarkeit, da sie mathematische Werkzeuge bieten, um Entscheidungsmechanismen transparent zu machen. Somit spiegelt das Modell nicht nur optimale, sondern auch suboptimale Verhaltensweisen wider und stellt die „realistische“ Natur der Entscheidungsfindung dar. Diese Erkenntnisse eröffnen neue Perspektiven für die Erforschung kognitiver Vielfalt und könnten die Herangehensweise an psychische Gesundheit revolutionieren, da sie das Verständnis individueller Unterschiede in Entscheidungsstrategien fördern. Dies ist insbesondere für Interventionen in der Psychologie und Psychiatrie relevant, da suboptimale Entscheidungsprozesse oft mit psychischen Störungen assoziiert sind .
Darüber hinaus liefert die Forschung zum kognitiven Planen weitere wichtige Erkenntnisse. In der Entscheidungsfindung müssen Organismen oft zukünftige Zustände antizipieren, um adaptive Handlungen auszuwählen. Die neuronalen Mechanismen, mit denen das Gehirn zukünftige Ereignisse plant, sind jedoch bislang nur teilweise verstanden. Man hat dabei eine Taxonomie von Planungsalgorithmen entwickelt, die biologische Daten aus verschiedenen Spezies und Paradigmen zusammenfasst, wobei sich zeigt, dass das Gehirn zukünftige Zustände fokussiert, begrenzt in der Tiefe und seriell repräsentiert – also nicht umfassend und optimal plant, sondern auf effiziente Weise, die an kleine neuronale Netzwerke erinnert.
Die Forschung zur Gedächtnispriorisierung ergänzt dieses Bild. Mattar & Daw (2018) entwickelten eine normative Theorie, die erklärt, welche Erinnerungen während Entscheidungsprozessen priorisiert abgerufen werden. Anhand von hippocampalem „Replay“ – einem Phänomen, bei dem räumliche Erinnerungen im Gehirn sequenziell reaktiviert werden – konnte gezeigt werden, dass das Gehirn Erinnerungen nach ihrem Nutzen für zukünftige Entscheidungen ordnet. Diese Priorisierung balanciert das Abwägen unmittelbarer Entscheidungen und die langfristige Anpassung an neue Informationen aus. Diese Theorie bietet eine einfache Erklärung für viele Beobachtungen bezüglich der Funktionsweise von Place Cells im Hippocampus und integriert unterschiedliche Funktionen des Replays, wie Planung, Lernen und Gedächtniskonsolidierung. Zudem hat sie Relevanz für psychische Erkrankungen, bei denen diese Prozesse gestört sind, wie zum Beispiel bei zwanghaftem Grübeln oder Craving.
Insgesamt zeigen diese neueren Ansätze, wie künstliche Intelligenz und neurobiologische Forschung zusammenwirken, um die Komplexität realer Entscheidungsfindungen besser zu erfassen. Statt eines idealisierten, optimalen Modells zeichnen sie ein Bild von adaptivem, aber oft suboptimalem Verhalten, das dennoch systematisch und erklärbar ist. Dies hat weitreichende Konsequenzen für das Verständnis kognitiver Prozesse und die Entwicklung von Interventionen bei psychischen Erkrankungen.
Literatur
Mattar, M. G., & Lengyel, M. (2022). Planning in the brain. Neuron, 110(6), 914–934.
Mattar, M. G., & Daw, N. D. (2018). Prioritized memory access explains planning and hippocampal replay. Nature Neuroscience, 21(11), 1609–1617.
