Küçük Dünyaların Sınırları
Leonard J. Savage'ın 1954'te yayımlanan *The Foundations of Statistics* adlı eseri, modern karar teorisinin temel taşıdır. Bu eserde ortaya koyduğu "Beklenen Fayda Maksimizasyonu" ilkesi, iktisattan siyaset bilimine, mühendislikten yapay zekâya kadar sayısız alanda "rasyonel" karar vermenin standart modeli haline gelmiştir. Ancak Savage'ın kendisi, bu teorinin uygulanabilirliği konusunda son derece mütevazı ve net bir sınır çizmiştir: teori yalnızca "Küçük Dünyalar" (Small Worlds) için geçerlidir. Bu makale, Savage'ın Küçük Dünyalar kavramını açıklayacak, gerçek dünyanın çoğunlukla bu tanıma uymadığını gösterecek ve bu ayrımın karar verme pratiğimiz için ne anlama geldiğini tartışacaktır.
Küçük Bir Dünya Nedir ?
Savage'a göre, beklenen fayda maksimizasyonunun mümkün olduğu bir Küçük Dünya, iki temel koşulu sağlamalıdır:
1. Gelecek Durumlara İlişkin Mükemmel Öngörü (Perfect Foresight of Future States): Karar verici, dünyanın alabileceği tüm mümkün ve birbirini dışlayan gelecek durumların (*states*) tam ve eksiksiz bir listesine (*S kümesi*) sahiptir. Her bir durum, "ilgili hiçbir unsurun tanımlanmadığı bırakılmadığı bir dünya tanımıdır." Rulet oyununda bu, tekerleğin üzerindeki 0'dan 36'ya kadar tüm sayıların listesidir. Satrançta, belirli bir hamle sırasında tahtanın teorik olarak alabileceği tüm konfigürasyonlardır (pratikte hesaplanması imkansız olsa da, prensipte mümkündür).
2. Sonuçlara İlişkin Mükemmel Öngörü (Perfect Foresight of Consequences): Karar verici, her bir eyleminin ve her bir durumun kombinasyonundan doğacak tüm mümkün sonuçların (*consequences*) tam ve eksiksiz bir listesine (*C kümesi*) sahiptir. Rulette, "kırmızıya 10€ bahis oynamak" eylemi, eğer durum "kırmızı çıkar" ise "+10€" ile, eğer durum "siyah veya 0 çıkar" ise "-10€" ile sonuçlanır. Tüm olasılık ve getiriler önceden bilinir.
Küçük Dünya, bu (S, C) çifti ile tanımlanır. Buradaki "küçük" vurgusu, durum ve sonuçların sınırlı bir detay seviyesinde tanımlandığına işaret eder. Dünyanın geri kalanı (dışarıda fırtına çıkması, kumarhanenin yanması, rulet tekerleğinin kırılması) bilinçli olarak bu modelin dışında bırakılır.
Risk, Belirsizlik ve Çözülemezlik
Küçük Dünyalar içinde bile iki alt kategori mevcuttur:
Risk. Eğer her bir *S* durumunun gerçekleşme olasılığı objektif olarak biliniyorsa (örneğin, rulette her bir sayı için 1/37 olasılık), karar verici beklenen faydayı kesin olarak hesaplayabilir. Bu, Frank Knight'ın tanımıyla klasik "risk" durumudur.
Belirsizlik / Muğlaklık (Ambiguity). Eğer durumların tam listesi biliniyor ancak bu durumların olasılıkları bilinmiyorsa, bu bir "muğlaklık" durumudur. Örneğin, yeni tanıştığınız birinin tavla oyununda zar atışı sonuçlarının listesi bellidir (1,2,3,4,5,6) ama rakibinizin hileli zar kullanıp kullanmadığını bilmediğiniz için olasılıklardan emin olamazsınız. Savage'ın teorisi bu durumu da kapsar ve kişisel (subjektif) olasılık inançları oluşturmayı gerektirir.
Ancak asıl mesele, gerçek hayat kararlarımızın çoğunun Küçük Dünyalar olmamasıdır. Savage'ın kendisinin de "saçma" bulduğu gibi, teorisini bir piknik planlamak gibi sıradan bir duruma bile uygulamak mümkün değildir. Piknik için durumların tam bir listesini nasıl yaparsınız? (Yağmur yağabilir, rüzgar çıkabilir, kar yağabilir, meteor düşebilir, parkta su baskını olabilir, bir arkadaşınız hastalanabilir...). Bu liste asla "tam" ve "birbirini dışlayan" olamaz.
İşte bu noktada iki kavram daha devreye girer:
Çözülemezlik (Intractability): Durum ve sonuçların kümesi teorik olarak bilinebilir olsa da, hesaplaması pratikte imkansız olan problemlerdir. Satranç buna mükemmel bir örnektir. Tüm kurallar ve olası hamleler bellidir, bu bir Küçük Dünya'dır. Ancak olası durum sayısı o kadar fazladır ki (10^120'den fazla), optimal hamleyi hesaplamak en güçlü bilgisayarlarla bile mümkün değildir. Burada beklenen fayda maksimizasyonu *prensipte* mümkün olsa da *pratikte* uygulanamaz.
Radikal Belirsizlik (Radical Uncertainty): Gerçekten "Büyük Dünya" problemleridir. Burada ne tüm gelecek durumlar (S), ne de tüm olası sonuçlar (C) bilinebilir veya tanımlanabilir. İnovasyon yapmak, bir pandemiyle mücadele etmek, kariyer seçmek, evlenmek veya iklim değişikliğinin uzun vadeli etkilerini modellemek radikal belirsizliğe örnektir. Gelecekte ortaya çıkacak yeni teknolojileri, sosyal değişimleri veya keşfedilmemiş olguları şimdiden bir listeye dahil edemezsiniz.
Sonuç: Rasyonalite ve Alçakgönüllülük
Savage'ın bize yaptığı en önemli katkı, beklenen fayda teorisini geliştirmekten ziyade, onun sınırlarını son derece net bir şekilde çizmesidir. Bu ayrım, "rasyonellik" kavramını yeniden düşünmemizi gerektirir.
Küçük Dünyalarda Rasyonalite: Beklenen faydayı maksimize eden kararlar kesinlikle rasyoneldir.
Büyük Dünyalarda (Radikal Belirsizlik Altında) "Rasyonalite": Geleneksel anlamıyla beklenen fayda maksimizasyonu bir seçenek değildir. Buradaki rasyonalite, sezgi, taklit, deneme-yanılma, dayanıklılık (resilience) oluşturma, basit kurallara uyma (heuristics) ve uyarlanabilir öğrenme gibi farklı yetenekleri gerektirir.
Leonard Savage, insan aklının karmaşık dünyada nasıl işlediğini anlamaya çalışan bir dahiydi. Beklenen fayda teorisi, onun insan zihni için inşa ettiği harika bir laboratuvardır. Ancak Savage, bu laboratuvarın kontrollü koşullarının dışına çıkıldığında teorinin geçersiz kalacağını bizzat kendisi söylemiştir. Gerçek dünya, çoğunlukla bu laboratuvardan çok daha karmaşık, belirsiz ve öngörülemezdir. Bu nedenle, karar vericiler, yatırımcılar ve politika yapıcılar, Küçük Dünyaların rahatlatıcı kesinliğinin cazibesine kapılmak yerine, Büyük Dünya'nın radikal belirsizliğinde nasıl akıllıca hareket edeceklerini öğrenmelidir. Rasyonalite, sadece kuralları bilinen bir oyunu oynamak değil, kuralların bile belli olmadığı bir oyunda ayakta kalabilmektir.
Kaynakça :
Savage, L. J. (1954). *The Foundations of Statistics*.
Knight, F. H. (1921). *Risk, Uncertainty and Profit*; ve Keynes, J. M. (1937). "The General Theory of Employment".
31.08.2025