Evite este erro comum – os cientistas descobriram uma dica simples para tomar melhores decisões

Brain Mind Decision Making

Um novo estudo conclui que o excesso de informação pode prejudicar a tomada de decisões. Isto tem implicações para a saúde pública, sugerindo que a informação simplificada e focada melhora as escolhas. Os chatbots com tecnologia de IA podem personalizar conselhos para aumentar a eficiência da tomada de decisões.

Mesmo a sobrecarga mínima de informações pode impedir a tomada de decisões eficaz, de acordo com uma nova pesquisa do Stevens Institute of Technology.

Quando os indivíduos enfrentam escolhas difíceis, muitas vezes procuram instintivamente informações amplas. No entanto, pesquisas recentes publicadas na revista Pesquisa cognitiva: princípios e implicações Isto sugere que isto pode realmente ser um problema: este afluxo de factos e detalhes tende a enfraquecer, em vez de melhorar, a qualidade da tomada de decisões.

“É contra-intuitivo, porque todos gostamos de pensar que usamos as informações com sabedoria para tomar decisões inteligentes”, disse Samantha Kleinberg, professora associada da Farber, principal autora do artigo e cientista da computação no Stevens Institute of Technology. “Mas a verdade é que quando se trata de informação, mais não é necessariamente melhor.”

Modelos simples versus cenários do mundo real

Para estudar como as pessoas tomam decisões, os pesquisadores normalmente criam diagramas simples – ou modelos causais – que mostram como diferentes fatores interagem logicamente entre si para alcançar resultados específicos.

Quando se trata de descrever cenários hipotéticos abstratos, como a forma como os alienígenas competem em uma festa dançante, a maioria das pessoas consegue raciocinar efetivamente sobre esses modelos porque não têm preconceitos ou noções preconcebidas sobre as danças alienígenas. As pessoas tomam boas decisões porque se concentram nas informações que lhes são fornecidas.

O modelo causal de gerenciamento de perda de peso

Exemplo de modelo causal complexo para gerenciamento de perda de peso, contendo informações relevantes e informações irrelevantes. Quando informações relevantes não são destacadas no formulário, os participantes tomam decisões erradas quando são apresentados a uma série de perguntas. Crédito: Instituto Stevens de Tecnologia

mas O trabalho de Kleinberg Quando se trata de cenários cotidianos, como saber como tomar decisões saudáveis ​​sobre nutrição, por exemplo, a capacidade das pessoas de pensar de forma eficaz quase evapora, explica ele.

“Achamos que o conhecimento e as crenças anteriores das pessoas as distraem do modelo causal que têm à frente”, explicou Kleinberg. “Se estou pensando sobre o que devo comer, por exemplo, posso ter todos os tipos de ideias preconcebidas sobre as melhores coisas para comer – e isso torna difícil usar as informações que me são fornecidas de forma eficaz.”

Desafiando decisões diárias

Para verificar essa hipótese Com base no estudo de 2020Kleinberg e a coautora Jessica Marsh, psicóloga cognitiva da Universidade de Lehigh, conduziu uma série de experimentos para explorar como a tomada de decisão das pessoas difere quando são apresentadas a diferentes tipos de modelos causais em uma ampla gama de tópicos da vida real, desde comprar uma casa e controlar o peso corporal até escolher uma faculdade e aumentar a participação eleitoral. . Logo ficou claro que as pessoas sabiam como usar modelos causais, mas mesmo um modelo muito simples rapidamente se tornou inútil quando alguns detalhes extras, além das informações absolutamente necessárias para tomar uma boa decisão, foram adicionados à mistura.

“O que é realmente surpreendente é que mesmo uma pequena quantidade de informação redundante tem um impacto negativo significativo no nosso processo de tomada de decisão”, disse Kleinberg. “Se você obtiver muita informação, sua tomada de decisão logo se tornará tão ruim como se você não tivesse nenhuma informação.”

Se o modelo causal mostra que comer alimentos salgados aumenta a pressão arterial, mas também mostra informações estranhas como beber água faz com que você tenha menos sede, por exemplo, torna-se muito difícil para as pessoas fazerem escolhas eficazes sobre a melhor forma de manter a sua saúde. Contudo, quando a equipa de Kleinberg destacou informações causais importantes, a capacidade das pessoas para tomarem boas decisões regressou rapidamente.

“Isto é importante porque mostra que o problema não é apenas que as pessoas ficam sobrecarregadas com a enorme quantidade de informação, mas que têm dificuldade em saber a que partes do modelo devem prestar atenção”, disse Kleinberg.

Implicações para a saúde pública e muito mais

Este trabalho tem implicações importantes em áreas como a saúde pública porque significa que as mensagens educativas precisam de ser integradas nas suas partes mais importantes e entregues cuidadosamente para terem um impacto positivo. “Se você está dando às pessoas uma longa lista de coisas a considerar quando estão decidindo se devem usar uma máscara facial ou fazer um teste de coronavírus ou o que comer ou beber, você está na verdade tornando mais difícil para elas tomarem boas decisões ”, disse Kleinberg.

Mesmo quando Kleinberg e Marsh deram aos participantes a opção de receber mais ou menos informações, aqueles que solicitaram mais informações tomaram decisões piores do que aqueles que solicitaram menos informações. “Se dermos às pessoas a oportunidade de pensarem demasiado, mesmo quando pedem informações adicionais, as coisas correm mal”, disse Kleinberg. As pessoas precisam de modelos causais simples e cuidadosamente direcionados para tomar boas decisões.

Uma abordagem para ajudar na tomada de decisões poderia ser usar chatbots alimentados por IA para personalizar informações de saúde ou conselhos nutricionais para indivíduos, caso a caso – essencialmente alimentando um modelo causal complexo no modelo de IA, permitindo-lhe detectar e destacar apenas informações específicas relacionadas a um indivíduo específico.

Referência: “Menos é mais: necessidades de informação, desejos de informação e o que torna os modelos causais úteis”, por Samantha Kleinberg e Jessica K. Marsh, 30 de agosto de 2023, Pesquisa cognitiva: princípios e implicações.
doi: 10.1186/s41235-023-00509-7

O estudo foi financiado pelo James S. McDonnell e a Fundação Nacional de Ciência.

READ  Eureka City: Concentrações de COVID-19 nas águas residuais de Eureka 'Entre as mais altas do país' | O posto avançado perdido da costa

You May Also Like

About the Author: Opal Turner

"Totalmente ninja de mídia social. Introvertido. Criador. Fã de TV. Empreendedor premiado. Nerd da web. Leitor certificado."

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *