Information, entropy and the paradox of choice: A model for understanding human choice behavior

Resumen Técnico: Información, Entropía y la Paradoja de la Elección

Planteamiento del Problema
El artículo aborda la "paradoja de la elección" o "sobrecarga de elección", un fenómeno en el que una abundancia de alternativas conduce a una disminución de la satisfacción en la toma de decisiones en lugar de un aumento de la utilidad. Si bien la evidencia conductual demuestra consistentemente una relación en forma de U invertida entre el tamaño del conjunto de elección y la satisfacción (donde la satisfacción alcanza su punto máximo en un número intermedio de opciones y dismince a medida que las opciones aumentan), los marcos cuantitativos que vinculan el procesamiento de información con esta experiencia subjetiva siguen estando poco desarrollados. Los modelos existentes suelen basarse en compensaciones cualitativas entre beneficios y costos, pero carecen de una base riguroosa de la teoría de la información para explicar la dependencia no monotónica genérica de la satisfacción respecto al tamaño del conjunto.

Metodología
Los autores proponen un marco teórico basado en la teoría de la información, utilizando específicamente la entropía de Shannon y la entropía relativa (divergencia de Kullback-Leibler).

1. Modelo Teórico:

   • Representación de Preferencias: Las preferencias individuales dentro de un conjunto de elección de tamaño $N$ se modelan como una distribución de probabilidad $P = \{p_1, p_2, ..., p_N\}$, derivada de calificaciones subjetivas mediante una función softmax.
   • Estado Base: Se define un estado de "indiferencia" donde todas las opciones son equiprobables ($p_i = 1/N$), lo que corresponde a la máxima entropía de Shannon ($H_{max} = \log_2 N$) y una satisfacción mínima.
   • Información Efectiva ($I$): Los autores definen la satisfacción de la elección como información efectiva, cuantificada como la entropía relativa entre la distribución de elección observada ($P'$) y la distribución de indiferencia base ($P$). Matemáticamente, $I = H_{max} - H_{obs}$, donde $H_{obs}$ es la entropía observada de las preferencias del individuo.
   • Tamaño de Conjunto Óptimo ($m$): El modelo introduce un parámetro de restricción cognitiva $m$, que representa el número máximo de alternativas que un individuo puede evaluar efectivamente.
     • Para $N \leq m$: El individuo puede discriminar entre las opciones, lo que conduce a una distribución no uniforme donde $H_{obs} < H_{max}$. A medida que $N$ aumenta, $H_{max}$ crece más rápido que $H_{obs}$, causando que $I$ (satisfacción) aumente.
     • Para $N > m$: Las limitaciones cognitivas impiden la evaluación completa. El modelo asume que las opciones no procesadas ($s = N - m$) se asignan con probabilidades iguales (opciones omitidas), lo que provoca que la distribución tienda a la uniformidad. En consecuencia, $H_{obs}$ se aproxima a $H_{max}$ y la información efectiva $I$ disminuye.
   • Simulación: El modelo se implementó usando C++11 para simular distribuciones de probabilidad y calcular la información efectiva a través de diversos tamaños de conjunto y parámetros ($m$, y los parámetros $a, b$ que gobiernan la masa de probabilidad de las elecciones omitidas).

2. Experimento Conductual:

   • Participantes: 240 estudiantes fueron divididos en seis grupos ($N=4, 8, 12, 16, 20, 24$).
   • Tarea: Los participantes calificaron tazas de cerámica (con variaciones en diseño/color) en una escala Likert de 7 puntos.
   • Mediciones:
     • Encuesta 1: Las calificaciones se transformaron en probabilidades de elección para computar los inputs del modelo.
     • Encuesta 2: Cuatro ítems de escala Likert midieron la abundancia percibida, la agobio, la confusión y la satisfacción de elección (específicamente: "Si fuera a comprar una taza, habría elegido mi primera prioridad").
     • Análisis: Se realizaron comparaciones estadísticas (ANOVA, pruebas t) sobre las respuestas de las encuestas. El modelo de predicciones de información efectiva se ajustó a una función cuadrática para comparar con los datos experimentales de satisfacción.

Contribuciones Clave

• Métrica Cuantitativa para la Satisfacción: El artículo introduce la información efectiva (la reducción de la incertidumbre respecto a una base de indiferencia) como una métrica robusta y cuantitativa para la satisfacción de la elección.
• Explicación Mecanicista: Proporciona una derivación fundamentada de la relación en forma de U invertida. El modelo demuestra que la satisfacción es no monotónica porque es un equilibrio entre el beneficio informacional de tener más opciones (aumento de $H_{max}$) y el costo cognitivo de procesarlas (aumento de $H_{obs}$ hacia $H_{max}$ debido a las elecciones omitidas).
• Validación Empírica: El estudio valida el marco teórico frente a datos conductuales, mostrando que la información efectiva derivada de las calificaciones de los participantes coincide estrechamente con el patrón observado de la curva en forma de U invertida de la satisfacción subjetiva.

Resultados

• Hallazgos Experimentales:
  • La abundancia percibida, el agobio y la confusión aumentaron de forma monótona con el tamaño del conjunto de elección.
  • La satisfacción de elección exhibió una dependencia significativa en forma de U invertida respecto al tamaño del conjunto ($F(5, 234) = 7.13, p < 0.001$). La satisfacción fue significativamente mayor en $N=12$ en comparación con $N=4$ y $N=24$.
• Desempeño del Modelo:
  • El modelo reprodujo con éxito la curva en forma de U invertida.
  • Un ajuste cuadrático a las predicciones de información efectiva del modelo arrojó un coeficiente de determinación $R^2 = 0.947$.
  • El modelo predijo un pico de satisfacción en $N^* \approx 13.39$, lo cual se alinea estrechamente con el pico experimental en $N=12$.
  • El análisis confirmó que la estructura de las probabilidades de elección (específicamente la tendencia hacia la uniformidad en conjuntos grandes debido a límites cognitivos) es el determinante clave de la curva de satisfacción.

Significancia y Reivindicaciones
El artículo afirma ofrecer un "relato teórico fundamentado" de la paradoja de la elección al vincular la satisfacción subjetiva directamente con la estructura informacional de las preferencias.

• Valor Teórico: Va más allá de los modelos de compensación cualitativa para proporcionar un marco matemático donde la satisfacción se define por la capacidad de diferenciar las opciones de un estado de indiferencia.
• Generalizabilidad: El marco se presenta como un mecanismo general aplicable a diversos dominios (desde bienes de consumo hasta decisiones de vida), sugiriendo que la forma de U invertida es una tendencia a nivel poblacional que surge de la heterogeneidad de las restricciones cognitivas.
• Implicación Práctica: Los autores sugieren que los entornos de decisión deben optimizarse no maximizando la variedad, sino estructurando la información para facilitar la comparación efectiva dentro de la capacidad de procesamiento de un individuo.
• Modestia: Los autores reconocen explícitamente las limitaciones, señalando que el modelo trata el tamaño de conjunto óptimo ($m$) como un parámetro fijo en lugar de uno que emerge dinámicamente, asume una representación simplificada de las alternativas (ignorando atributos multidimensionales) y no distingue actualmente entre entornos físicos y en línea. Presentan el modelo como un punto de partida parsimonioso para comprender la toma de decisiones en entornos con abundancia de alternativas.