Wat is de stelling van Bayes en waarom is die relevant bij schaken?

De stelling van Bayes beschrijft hoe je een kans moet bijstellen in het licht van nieuwe informatie. Bij schaken doe je dit voortdurend: 'Ik dacht dat de stelling gelijk was, maar mijn tegenstander heeft 8 minuten nagedacht over een eenvoudige zet, dus ik pas mijn inschatting aan.' De stelling formaliseert dit natuurlijke denkproces.

Welke factoren beïnvloeden het blunderrisico het sterkst?

De drie sterkst gedocumenteerde factoren zijn: (1) resterende kloktijd, met een duidelijke drempel rond 2-3 minuten waarbij de spelkwaliteit sterk daalt zelfs bij topspeelsters; (2) tactische complexiteit van de stelling, gemeten door de variatie in motorenalvaties van de legale zetten; en (3) vermoeidheid over meerdere rondes, die vaak onderschat wordt maar statistisch zichtbaar is in de late rondes van grote toernooien.

Hoe gebruik ik bayesiaans denken in een praktische partij zonder formules?

Door actief te observeren: de klok van de tegenstander bijhouden, erkennen wanneer de stelling buiten zijn comfortzone valt, en alle informatie die de tegenstander per zet geeft gebruiken om je inschatting van zijn toestand bij te stellen. Als hij 15 minuten denkt over een zet die jij snel zag, is er ofwel iets dat jij mist, ofwel hij heeft het moeilijk. Die twee interpretaties afwegen is bayesiaans redeneren in actie.

Wat is de grens van bayesiaans redeneren bij schaken?

De belangrijkste grens is het ontbreken van gepersonaliseerde trainingsdata. De voorwaardelijke kansen in een bayesiaans netwerk zouden ideaal gekalibreerd moeten worden op data specifiek voor de tegenstander. Dit niveau van precisie is alleen beschikbaar op professioneel niveau met analyseteams. Voor de amateurschaker zijn de kansen generieke priors op basis van statistieken van spelers van hetzelfde niveau.

Hoe dachten Fischer en Tal anders over het risico van complicaties?

Fischer had een reputatie van complicaties te vermijden tenzij zijn analyse hem een duidelijk voordeel gaf: zijn impliciete schatting van P(blunder | complicatie) was voor de tegenstander laag als de stelling niet objectief gewonnen was. Tal zocht systematisch complicaties en deedde daarmee een impliciete inzet dat P(blunder | complicatie) hoog genoeg was om elk objectief nadeel te compenseren. Beide benaderingen zijn consistent met verschillende bayesiaanse schattingen van het blunderrisico.

Blunders voorspellen met bayesiaanse netwerken: de fout van de tegenstander inschatten | Blog van een Linkshandige

Een blunder is zelden volledig onvoorspelbaar. Voordat hij optreedt, bestaan er signalen: de klok die op hol slaat, een complexe stelling die de tegenstander niet gewend is te verwerken, een lange forcerende voortzetting die zijn niveau moeilijk maakt volledig te berekenen. Deze signalen vormen samen een probabilistisch beeld van het foutenrisico. Bayesiaanse netwerken formaliseren precies dit type redenering.

De stelling van Bayes en het bijstellen van overtuigingen

De bayesiaanse statistiek steunt op de stelling van Bayes, geformuleerd door dominee Thomas Bayes in de 18e eeuw. Deze stelling beschrijft hoe je een kans moet bijstellen in het licht van nieuwe informatie:

P (H ∣ E) = \frac{P ( E ∣ H ) \cdot P ( H )}{P ( E )}

Waarbij:

$P(H)$ de a-priori kans op hypothese H is (vóór observatie)
$P(E | H)$ de aannemelijkheid is: de kans E te observeren als H waar is
$P(H | E)$ de a-posteriori kans op H is na het observeren van E

De centrale intuïtie is dat onze overtuigingen rationeel bijgesteld moeten worden naarmate nieuwe bewijzen binnenkomen. Dit is geen revolutie, het is een formalisering van iets wat goede schakers van nature doen: "Aanvankelijk dacht ik dat deze stelling gelijk was. Nadat ik zag dat hij 8 minuten heeft nagedacht over een eenvoudige zet, heb ik mijn inschatting bijgesteld: hij zit wellicht al in mentale tijdnood."

Wat is een bayesiaans netwerk?

Een bayesiaans netwerk is een gerichte acyclische graaf waarbij elk knooppunt een willekeurige variabele voorstelt en elke pijl een probabilistische afhankelijkheid tussen variabelen. Elk knooppunt heeft een tabel van voorwaardelijke kansen die de verdeling van deze variabele beschrijft gegeven de toestand van zijn "ouders" in de graaf.

Het bayesiaanse netwerk maakt het mogelijk complexe situaties met meerdere onderling afhankelijke variabelen te modelleren, zonder dat je alle mogelijke interacties uitputtend hoeft te specificeren. De structuur van de graaf codeert de voorwaardelijke onafhankelijkheden, wat de berekening haalbaar maakt, zelfs voor complexe systemen.

Het blunderrisico modelleren als bayesiaans netwerk

Laten we een vereenvoudigd bayesiaans netwerk bouwen om de kans te modelleren dat een tegenstander in de volgende zetten blundef. De relevante variabelen kunnen als volgt worden georganiseerd:

Observeerbare variabelen (ouderknooppunten):

Resterende kloktijd tegenstander (T)
Tactische complexiteit van de stelling (C): beoordeeld door de spreiding van de evaluaties van legale zetten
Elo-niveau van de tegenstander (E): observeerbaar vóór de partij
Speelstijl (S): voorkeur voor open/gesloten stellingen, geschat op basis van vroegere partijen
Psychologische druk (P): wedstrijdstand, inzet, positie in het toernooi

Latente variabele:

Huidige cognitieve toestand van de tegenstander (K): vermoeidheid, concentratie, stress (niet direct observeerbaar)

Doelvariabele:

Kans op blunder in de komende 5 zetten (B)

Het netwerk codeert de volgende afhankelijkheden: T, P en C beïnvloeden K (weinig tijd, hoge druk en een complexe stelling verslechteren de cognitieve toestand). K en E bepalen samen B (een sterke speler in slechte cognitieve toestand zal blunderen met een vergelijkbare kans als een minder sterke speler in goede toestand).

P (B ∣ T, C, E, S, P) = k \sum P (B ∣ K = k, E) \cdot P (K = k ∣ T, C, P)

De werkelijke blunderfactoren: wat onderzoek zegt

Empirische studies over partijdatabases hebben de risicofactoren voor blunders gekwantificeerd. Deze resultaten maken het mogelijk de voorwaardelijke kansen van het netwerk te kalibreren.

Resterende tijd is de best gedocumenteerde factor. Kenneth Regan en zijn medewerkers analyseerden miljoenen partijen en toonden aan dat de spelkwaliteit (gemeten door de afwijking van de optimale zetten van de motor) significant daalt als de resterende tijd minder dan 2-3 minuten bedraagt, zelfs voor topspelers. In Nederland is dit fenomeen goed te observeren tijdens de lange klassieke partijen van Tata Steel in Wijk aan Zee.

De complexiteit van de stelling is de tweede grote factor. Stellingen met veel actieve stukken, wederzijdse bedreigingen en diep geforceerde berekeningen genereren veel meer fouten dan gesloten, structurele stellingen. Deze complexiteit kan worden gekwantificeerd door de variantie van de motorenevaluatie op de beschikbare legale zetten.

Het Elo-niveau moduleert de weerstand tegen blunders. Een speler met 2700 zal in dezelfde tijds- en complexiteitsomstandigheden minder vaak blunderen dan een speler met 1500. Maar de verslechtering door tijd en complexiteit is proportioneel vergelijkbaar.

Vermoeidheid over meerdere rondes wordt vaak onderschat. Analyses van grote toernooien tonen dat de blunderfrequentie toeneemt in de laatste rondes, met name voor spelers die de voorgaande dagen lange partijen hebben gespeeld.

Compliceren om bayesiaans risico te creëren

Het bayesiaanse perspectief op blunders heeft een directe strategische consequentie. Als je kunt inschatten dat jouw complicaties een hoge kans op tegenstander-fouten creëren, zelfs in een objectief licht minderwaardige stelling, kan compliceren de beste strategie zijn.

Dit is een beslissing onder onzekerheid: de winstkans in de gecompliceerde lijn (objectief nadelig maar met hoog risico op tegenstander-fouten) vergelijken met de eenvoudigere lijn (gelijk of licht voordelig maar met laag foutenrisico).

In bayesiaanse termen: als $P(\text{blunder} | \text{complicatie}) > \text{drempel}$ hoog genoeg is om het objectieve nadeel van de complicatie te compenseren, is compliceren correct. Deze "drempel" hangt af van de context: in een toernooi waar je een overwinning nodig hebt, is de weging anders dan in een partij waarbij remise volstaat.

Bobby Fischer had een reputatie van complicaties te vermijden tenzij zijn analyse hem een duidelijk voordeel gaf. Tal zocht daarentegen systematisch complicaties en deedde impliciet een inzet op een hoge kans op tegenstander-fouten in de chaotische stellingen die hij creëerde. Beide benaderingen zijn consistent met verschillende bayesiaanse schattingen van het tegenstander-foutenrisico.

Anish Giri, die bekendstaat om zijn degelijkheid, past de omgekeerde logica toe: hij vermijdt complicaties in gelijke stellingen tenzij zijn analyse uitwijst dat zijn kans op succes duidelijk hoger is dan die van de tegenstander. Jan Timman, aan de andere kant van het spectrum, stond in zijn hoogtijdagen bekend om zijn bereidheid complexiteit te creëren zelfs vanuit matig voordelige posities.

De tegenstander als continue informatiebron

In een partij geeft de tegenstander bij elke zet informatie. Gebruikte tijd, onthuld speelstijl, reacties op complicaties. Het formele bayesiaanse perspectief zegt: gebruik al deze informatie om voortdurend je inschatting van zijn cognitieve toestand en middelen bij te stellen.

Als de tegenstander 15 minuten heeft nagedacht over een zet die jij snel zag, zijn twee interpretaties mogelijk: ofwel is de stelling complexer dan je dacht (bijstelling van je eigen analyse), ofwel heeft de tegenstander het moeilijk (bijstelling van je inschatting van zijn toestand). Het goede bayesiaanse antwoord is beide interpretaties te wegen op basis van hun aannemelijkheid.

Als de tegenstander een reeks nauwkeurige zetten snel heeft gespeeld in een complexe stelling, is zijn cognitieve toestand duidelijk goed: hij ziet het helder. Je geschatte kans dat hij in de komende zetten blundert, moet dalen. Als hij daarentegen langzaam suboptimale maar nog niet catastrofale zetten speelt, is dit een signaal dat zijn begrip van de stelling onvolledig is: het blunderrisico in de komende zetten stijgt.

De grenzen van het bayesiaanse redeneren bij schaken

Het bayesiaanse model heeft belangrijke beperkingen in deze context. De voornaamste is het ontbreken van gepersonaliseerde trainingsdata. De voorwaardelijke kansen in het bayesiaanse netwerk zouden ideaal gekalibreerd moeten worden op data specifiek voor de tegenstander: zijn vroegere partijen, zijn blunderstatistieken per tijdsomstandigheid, zijn probleemstellingen. Dit niveau van precisie is alleen beschikbaar op professioneel niveau met analyseteams.

Voor de amateurschaker blijft het redeneren nuttig maar minder precies. De kansen zijn generieke priors op basis van statistieken van spelers van hetzelfde niveau, niet op basis van individuele data.

Een andere beperking is het bevestigingsbias: door te zoeken naar signalen van blunderrisico bij de tegenstander, riskeer je te vinden wat je zoekt, zelfs als het er niet werkelijk is. De bayesiaanse discipline vereist ook de bewijzen tégen de hypothese te overwegen.

Praktische toepassingen voor de pratische speler

Zelfs zonder formeel een bayesiaans netwerk te bouwen, kunnen bayesiaanse principes de besluitvorming tijdens een partij verbeteren.

Actief de klok van de tegenstander observeren. Gebruikte tijd is het meest betrouwbare signaal van een verslechterde cognitieve toestand. Je complicatiebeslissingen kalibreren op basis van deze indicator is een directe toepassing van bayesiaans redeneren.

Moeilijke stellingen creëren op de sleutelmomenten. Als de klok van de tegenstander weinig tijd aangeeft, wordt zelfs een objectief gelijke stelling interessant om licht te "compliceren", want de kans op een tegenstander-fout is hoog.

Stellingen buiten de comfortzone van de tegenstander herkennen. Als je weet dat de tegenstander gewoonlijk in gesloten stellingen speelt, hem meenemen naar een open, tactische stelling vergroot het foutenrisico ook al is zijn voorbereiding goed.

Weerstand bieden aan symmetrie. Het feit dat jij in goede vorm bent, betekent niet dat de tegenstander dat ook is. De bayesiaanse bijstelling van zijn toestand staat los van de jouwe.

Na het lezen: noteer tijdens een online partij drie indicatoren (klok tegenstander, complexiteit, buiten comfortzone) en controleer aan het einde of de blunder van de tegenstander samenvalt met dit beeld, zonder "iets te bevestigen" wat er niet is.

Kernpunten

Bayesiaans redeneren maakt het mogelijk een kansinschatting bij te stellen naarmate nieuwe informatie beschikbaar komt
Een bayesiaans netwerk modelleert causale afhankelijkheden tussen meerdere variabelen om een samengestelde kans te schatten
De kans op een blunder van de tegenstander hangt af van meerdere gecorreleerde factoren: resterende tijd, complexiteit, stijl, psychologische druk
Deze benadering biedt een kader voor strategische beslissingen gebaseerd op het foutenrisico van de tegenstander

Bronnen en referenties

Regan, K. W., & Haworth, G. Intrinsic Chess Ratings. Proceedings of the 25th AAAI Conference on Artificial Intelligence, 2011. (De statistische analyse van schaakspelkwaliteit en het verband met het Elo-niveau.)
Pearl, J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann, 1988. (Het grondleggende boek over bayesiaanse netwerken.)
Guid, M., & Bratko, I. Computer Analysis of World Chess Champions. ICGA Journal, 30(1), 3-18, 2007. (De analyse van de spelkwaliteit van wereldkampioenen door de computer.)
Charness, N. Components of Skill in Bridge. Canadian Journal of Psychology, 33(1), 1-16, 1979. (De psychologie van expertise en het beheer van cognitieve middelen in strategische spellen.)
Kahneman, D. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011. (De psychologie van besluitvorming onder onzekerheid en intuïtief bayesiaans redeneren.)

Bayesiaanse netwerken bij schaken: de blunder van de tegenstander voorspellen