A computational account of how positive performance bias supports cognitive effort

본 연구는 개인이 특히 높은 인지적 요구 상황에서 자신의 수행을 과대평가하는 자기평가의 긍정적 편향이 노력의 주관적 비용을 완화하고 노력이 필요한 과제에 대한 참여를 유지하는 데 도움이 된다는 것을 보여주는 계산적 설명을 제공한다.

핵심

당신의 뇌를 자동차 엔진이라고 상상해 보세요. 때로는 가파르고 돌이 많은 언덕 (어려운 정신적 과제) 을 올라가야 할 때가 있습니다. 뇌는 이것이 많은 연료 (인지적 노력) 를 소모할 것임을 알고 있으므로, 자연스럽게 평평하고 쉬운 길에 머무르고 싶어 합니다. 보통은 연료가 떨어질까 봐 두려워하기 때문에 우리는 그런 어려운 언덕에 도전하지 않습니다.

하지만 이 논문은 우리 마음속에 그런 가파른 언덕을 계속 올라가게 해주는 특별한 종류의 '낙관적 필터'가 있다고 제안합니다.

실험: 자신의 점수 추측하기
연구자들은 사람들이 쉬운 과제와 어려운 과제 중 하나를 선택해야 하는 게임을 하도록 했습니다. 각 라운드 전에 참가자들은 자신이 얼마나 잘할 것이라고 생각했는지 추측해야 했습니다.

여기에 반전이 있습니다: 참가자들은 거의 항상 과신했습니다. 그들은 실제로 한 것보다 더 잘할 것이라고 생각했습니다. 그들이 성취할 것이라고 생각한 것과 실제로 성취한 것 사이의 이 간극을 '긍정적 수행 편향'이라고 합니다.

이 연구는 흥미로운 사실을 발견했습니다. 과제가 어려울수록 참가자들은 자신의 성공을 더 과대평가했습니다. 마치 언덕이 가파를수록 운전자가 "내가 해낼 수 있어! 나는 이 분야의 전문가야!"라고 스스로를 설득하는 것과 같습니다. 비록 실제 길은 꽤 위험하더라도요.

'학습' 엔진
왜 사람들이 어려운 과제를 계속 선택했는지 이해하기 위해, 연구자들은 뇌의 의사결정 과정을 시뮬레이션하는 컴퓨터 모델을 구축했습니다. 그들은 뇌가 다음과 같은 특정 방식으로 학습한다는 사실을 발견했습니다:

1. 실패할 때: 어려운 과제를 시도했다가 실패하면, 뇌는 다음 번에 노력의 '비용'에 대해 조금 더 민감해집니다. 마치 "아프다, 그건 너무 비쌌어; 더 신중해야 해"라고 말하는 것과 같습니다.
2. 성공할 때 (부스트와 함께): 어려운 과제를 시도해서 성공했지만, 동시에 실제 결과보다 더 잘할 것이라고 생각했던 경우 (그 긍정적 편향), 뇌는 실제로 노력의 비용에 대해 덜 민감해집니다. 낙관은 할인 쿠폰처럼 작용하여, 다음 번에 어려운 과제를 더 저렴하고 쉽게 해결할 수 있는 것처럼 느끼게 합니다.

자신감 대 편향
연구자들은 이것이 단순히 '자신감' (자신에 대한 확신) 에 관한 것인지도 확인했습니다. 그들은 단순한 자신감만으로는 그 행동을 설명할 수 없음을 발견했습니다. 구체적으로 불일치, 즉 사람들이 자신의 수행을 과대평가했다는 사실이 그들을 동기부여하게 만든 것입니다. 단순히 기분이 좋은 것에 관한 것이 아니라, 현실이 시사하는 것보다 더 나은 기분을 느끼는 것에 관한 것입니다.

큰 그림
간단히 말해, 이 논문은 우리 자신의 능력에 대해 지나치게 낙관적인 경향이 단순한 해롭지 않은 버릇이 아님을 보여줍니다. 그것은 보호막처럼 작용합니다. 우리가 실제로 하는 것보다 더 잘하고 있다고 스스로를 설득함으로써, 우리는 마음속에서 정신적 노력의 '가격표'를 낮춥니다. 이 긍정적 편향은 피로감을 무시하게 하고, 우리가 그렇지 않으면 피했을지도 모를 어려운 정신적 작업에 계속 참여하도록 유지시킵니다.

기술 요약

기술적 요약: 긍정적 수행 편향이 인지적 노력 지지를 지원하는 계산적 설명

문제 제기
인지적 노력을 기울일 의지는 적응적 행동의 근본적 구성 요소이지만, 이는 본질적으로 노력의 주관적 비용에 의해 제약받습니다. 개인들은 종종 노력이 필요한 과제를 회피하지만, 문헌은 자신의 수행에 대한 긍정적 편향이 인지적 요구에 대한 참여를 유지하는 메커니즘으로 작용할 수 있음을 시사합니다. 그러나 이러한 편향이 노력 기반 의사결정에 영향을 미치는 구체적인 계산적 메커니즘은 여전히 불명확합니다.

방법론
이를 조사하기 위해 저자들은 노력이 필요한 의사결정 과제를 활용했는데, 참가자들은 저노력 옵션과 고노력 옵션 사이에서 선택하도록 요구받았습니다. 핵심적으로, 각 시도에 대해 참가자들은 과제 수행 전에 자신의 수행에 대한 예측을 보고했습니다. 이 설계는 주관적 수행 예측과 객관적 정확도 간의 차이를 정의하는 수행 예측 오차 (PPE) 를 정량화할 수 있게 했습니다.

이 연구는 이러한 선택을 분석하기 위해 새로운 계산적 모델링 접근법을 활용했습니다. 저자들은 PPE 가 노력 비용에 대한 민감도를 업데이트한다는 가설을 가진 학습 모델과 신뢰도 기반 통제 모델을 비교했습니다. 학습 모델은 특히 실패한 결과와 긍정적 PPE 를 동반한 보상 시도가 이후의 노력 민감도에 어떻게 영향을 미치는지 검증했습니다.

주요 결과
실증 데이터는 PPE 와 관련하여 두 가지 주요 발견을 밝혔습니다:

1. 주로 긍정적인 편향: 참가자들 사이에서 PPE 는 주로 긍정적이었으며, 이는 수행을 과대평가하는 일반적인 경향을 나타냅니다.
2. 노력에 의존적인 과대평가: 이러한 긍정적 편향의 크기는 요구되는 노력 수준에 따라 증가했는데, 이는 개인들이 더 높은 인지적 요구 하에서 수행을 더 크게 과대평가함을 시사합니다.

계산적 모델링 측면에서, 참가자들의 선택은 학습 모델에 의해 가장 잘 설명되었습니다. 구체적으로:

• 실패한 결과는 이후의 노력 민감도를 증가시켰습니다 (실패 후 개인들이 노력 비용에 더 민감하게 만듦).
• 긍정적 PPE 를 동반한 보상 시도는 이후의 노력 민감도를 감소시켰습니다 (개인들이 노력 비용에 덜 민감하게 만듦).

신뢰도 기반 통제 모델은 관찰된 선택을 더 잘 설명하지 못했으며, 이는 그 효과가 단순히 신뢰도보다는 긍정적 수행 편향의 특정 메커니즘에 의해 더 잘 포착됨을 나타냅니다.

의의와 주장
본 논문은 편향된 자기 평가가 인지적 노력의 주관적 비용을 완화하는 기능을 수행하는 방식을 계산적으로 설명한다고 주장합니다. 긍정적 수행 편향이 보상 시도를 따른 후 노력 민감도를 구체적으로 조절함을 입증함으로써, 이 연구는 긍정적 편향에 대한 기존 문헌을 인지적 노력의 필요성 영역으로 확장합니다. 발견들은 자신의 수행을 과대평가하는 것이 단순한 인지적 오류가 아니라, 노력 기울임의 지각된 비용을 감소시킴으로써 어려운 과제에 대한 참여를 유지하는 기능적 역할을 할 수 있음을 시사합니다.