Analiza ipotezelor competitive în activitatea de informații

Analiza ipotezelor concurente (AIC) presupune că oferă o metodologie imparțială pentru evaluarea mai multor ipoteze concurente pentru datele observate. Acesta a fost dezvoltat de Richards (Dick) J. Heuer, Jr., un veteran de 45 de ani al Agenției Centrale de Informații, în anii 1970 pentru a fi utilizată de Agenție. AIC este folosită de analiști în diferite domenii care fac judecăți care implică un risc ridicat de eroare în raționament. Ea ajută un analist să depășească, sau cel puțin să minimalizeze, unele dintre limitările cognitive care fac analiza inteligenței prețioase atât de dificil de realizat.

AIC a reprezentat un pas înainte în metodologia analizei de informații, dar a fost descrisă pentru prima dată în termeni relativ informali. Producerea celor mai bune informații disponibile din datele incerte rămâne obiectivul cercetătorilor, constructorilor de instrumente și analiștilor din industrie, mediul academic și guvern. Domeniile lor includ mineritul de date, psihologia cognitivă și vizualizarea, probabilități și statistici, etc. Raționamentul abductiv este un concept anterior cu asemănări cu AIC.

Proces

Heuer schițează procesul AIC în profunzime considerabilă în cartea sa, Psihologia analizei inteligenței. Se compune din următoarele etape:

1. Ipoteza – Prima etapă a procesului este de a identifica toate ipotezele potențiale, de preferință folosind un grup de analiști cu perspective diferite pentru a analiza posibilitățile prin brainstorming. Procesul descurajează analistul să aleagă o ipoteză “probabilă” și să folosească dovezi pentru a-și demonstra acuratețea. Pozitiile cognitive sunt minimizate atunci cand sunt luate in considerare toate ipotezele posibile.
2. Dovezi – Analistul apoi enumeră dovezile și argumentele (inclusiv ipoteze și deduceri logice) pentru și împotriva fiecărei ipoteze.
3. Diagnostic – Folosind o matrice, analistul aplică dovezi împotriva fiecărei ipoteze în încercarea de a respinge cât mai multe teorii cu putință. Unele dovezi vor avea o “diagnosticare” mai mare decât alte dovezi – adică unele vor fi mai utile în evaluarea probabilității relative a ipotezelor alternative. Acest pas este cel mai important, potrivit lui Heuer. În loc să se uite la o ipoteză și la toate dovezile (“lucrarea în jos” a matricei), analistul este încurajat să ia în considerare o singură probă la un moment dat și să o examineze împotriva tuturor ipotezelor posibile (“lucrarea prin” matrice)
4. Rafinare – Analistul analizează constatările, identifică orice lacune și colectează orice dovezi suplimentare necesare pentru a respinge cât mai multe dintre ipotezele rămase.
5. Inconsistența – Analistul caută apoi să tragă concluzii tentative despre probabilitatea relativă a fiecărei ipoteze. Mai puțină consistență implică o probabilitate mai mică. Cele mai puțin consecvente ipoteze sunt eliminate. În timp ce matricea generează un total matematic definitiv pentru fiecare ipoteză, analistul trebuie să-și folosească judecata pentru a ajunge la concluzia finală. Rezultatul analizei AIC nu trebuie să depășească judecățile proprii ale analiștilor.
6. Sensibilitate – Analistul testează concluziile utilizând analiza de sensibilitate, care cântărește modul în care concluzia ar fi afectată dacă dovezile sau argumentele cheie ar fi greșite, înșelătoare sau supuse unor interpretări diferite. Validitatea dovezilor cheie și coerența argumentelor importante sunt verificate dublu pentru a asigura soliditateasuportului concluziei.
7. Concluzii și evaluare – În cele din urmă, analistul oferă decidentului concluziile sale, precum și un rezumat al alternativelor care au fost luate în considerare și de ce au fost respinse. De asemenea, analistul identifică reperele procesului care pot servi ca indicatori în analizele viitoare.

Puncte forte

Există multe avantaje în a elabora o matrice AIC. Este auditabil. Se crede că ajută la depășirea prejudecăților cognitive, deși nu există dovezi empirice puternice care să susțină această credință. Deoarece AIC cere analistului să construiască o matrice, se poate reveni asupra probelor și ipotezelor. Acest lucru permite managerului de decizie sau altor analiști să vadă succesiunea de reguli și date care au dus la concluzie.

Puncte slabe

Procesul de elaborare a unui AIC consumă mult timp. Matricea AIC poate fi problematică în analizarea unui proiect complex. Poate fi dificil pentru un analist să gestioneze o bază de date vastă cu mai multe dovezi.

În special în domeniul inteligenței, atât guvernamentale cât și în afaceri, analiștii trebuie să fie întotdeauna conștienți de faptul că adversarul (oponenții) este inteligent și poate genera informații destinate să inducă în eroare. Din moment ce înșelăciunea este adesea rezultatul unei capcane cognitive, Elsaesser și Stech folosesc recunoașterea planului ierarhic bazat pe stare (a se vedea raționamentul abductiv) pentru a genera explicații cauzale ale observațiilor. Ipotezele rezultate sunt convertite într-o rețea dinamică bayesiană și se utilizează valoarea analizei informațiilor pentru a izola ipotezele implicite în evaluarea căilor sau concluziile anumitor ipoteze. Cum se observă dovezi sub forma observațiilor stărilor sau ipotezelor, acestea pot deveni obiectul unei validări separate. În cazul în care o ipoteză sau o stare necesară sunt negate, ipotezele în funcție de aceasta sunt respinse. Aceasta este o formă de analiză a cauzelor rădăcinilor.

Dovezile au, de asemenea, o problemă, dacă nu sunt fiabile. Dovezile folosite în matrice sunt statice și, prin urmare, pot fi un instantaneu în timp.

Potrivit criticii constructiviste sociale, AIC nu reușește, de asemenea, să sublinieze în mod suficient (sau să abordeze ca metodă) natura problematică a formării inițiale a ipotezelor utilizate pentru a crea grila. Există dovezi considerabile, de exemplu, că, pe lângă orice prejudecăți birocratice, psihologice sau politice care pot afecta generarea de ipoteze, există, de asemenea, factori de cultură și identitate la locul de muncă. Acești factori construiți social pot restricționa sau pre-selecta ce ipoteze ajung să fie luate în considerare și apoi să întărească părtinirea confirmării între cele selectate.

Filosoful și teoreticianul de argumentație Tim van Gelder a făcut următoarele critici:

• AIC solicită ca analistul să facă prea multe judecăți discrete, dintre care multe contribuie puțin, sau deloc, în a identifica cea mai bună ipoteză
• AIC abordează greșit natura relației dintre elementele de probă și ipoteze, presupunând că elementele de probă sunt, ele însele, consecvente sau inconsistente cu ipotezele.
• AIC tratează ipoteza stabilită ca fiind “plată”, adică o listă simplă, și astfel nu este capabilă să coreleze dovezile cu ipotezele la nivelele adecvate de abstractizare
• AIC nu poate reprezenta o argumentare subordonată, adică argumentația care rezulta dintr-o probă.
• Activitățile AIC la scară realistă lasă analiștii dezorientați sau confuzi.

Van Gelder a propus cartografierea ipotezelor ca alternativă la AIC.

Analiza structurată a ipotezelor concurente

Analiza structurată a ipotezelor concurente (ASIC) oferă analiștilor o îmbunătățire față de limitele AIC originale. ASIC maximizează ipotezele posibile, permițând analistului să divizeze o ipoteză în două ipoteze complexe.

De exemplu, două ipoteze testate ar putea fi faptul că Irakul are arme de distrugere în masă sau Irakul nu are așa ceva. Dacă dovezile au arătat că este mai probabil să existe arme de distrugere în masă în Irak, atunci ar putea fi formulate două noi ipoteze: arme de distrugere în masă sunt în Bagdad sau arme de distrugere în masă se află în Mosul. Sau poate, analistul ar putea avea nevoie să știe ce tip de arme de distrugere în masă are Irakul; noile ipoteze ar putea fi faptul că Irakul are arme de distrugere în masă biologice, Irakul are arme de distrugere în masă chimice și Irakul are arme de distrugere în masă nucleare. Prin elaborarea structurii AIC, analistul poate da o estimare nuanțată .

Alte abordări ale formalismului

O metodă, folosită de Valtorta și colegi, folosește metode probabilistice, adaugă analiza bayesiană la AIC . O generalizare a acestui concept la o comunitate distribuită de analiști a condus la dezvoltarea CACHE (Collaborative ACH Environment), care a introdus conceptul de comunitate Bayes (sau bayesiană). Lucrarea lui Akram și Wang aplică paradigme din teoria graficelor.

Alte lucrări se concentrează mai puțin pe metodele probabilistice și mai mult pe extensiile cognitive și de vizualizare la AIC, așa cum au discutat Madsen și Hicks. DECIDE, discutată în cadrul automatizării, este orientată spre vizualizare.

Lucrările lui Pope și Jøsang folosesc logica subiectivă, o metodologie matematică formală care se ocupă în mod explicit de incertitudine. Această metodologie formează baza tehnologiei Sheba care este folosită în software-ul de evaluare a inteligenței de la Veriluma.

Câteva instrumente online și descărcabile ajută la automatizarea procesului AIC. Aceste programe permit un traseu vizual de dovezi și permit analistului să cântărească dovezile. Există cel puțin o implementare AIC cu sursă deschisă.