Introducción
¿Por qué las personas toman las decisiones que toman? Esta pregunta fundamental ha intrigado durante mucho tiempo a investigadores en psicología, economía y neurociencia. Los enfoques tradicionales a menudo se basan en observar elecciones en experimentos controlados e inferir los procesos de decisión subyacentes mediante modelos matemáticos. Sin embargo, estos métodos solo pueden capturar lo que las personas hacen, no por qué lo hacen. Ahora, un equipo de investigadores del Center Synergy of Systems (SynoSys) de la Universidad Técnica de Dresde, el Instituto Max Planck para el Desarrollo Humano y la Universidad de Basilea ha desarrollado un enfoque novedoso que combina las elecciones observadas con las propias descripciones de los participantes sobre sus procesos de decisión. Al aprovechar los grandes modelos de lenguaje (LLMs), pueden analizar sistemáticamente explicaciones de texto libre para descubrir las razones detrás de las decisiones humanas con un detalle sin precedentes. Sus hallazgos se publican en Proceedings of the National Academy of Sciences.
Convertir explicaciones en datos
El autor principal, Dr. Kamil Fuławka, investigador de SynoSys, explica: "Nuestra comprensión del comportamiento humano, incluida la toma de decisiones, puede profundizarse pidiendo a las personas que elaboren sus procesos de pensamiento. Sin embargo, el análisis sistemático de estos datos de texto libre requiere marcos analíticos escalables y rigurosos, una tarea que ahora puede ser apoyada por los LLMs". En su experimento, los participantes realizaron una tarea de juego y se les pidió que explicaran cada decisión con sus propias palabras. Para analizar estas explicaciones, los investigadores se basaron en teorías y modelos existentes de toma de decisiones para desarrollar un gran conjunto de posibles razones de decisión, como centrarse en el mejor resultado posible o evitar una gran pérdida. Los grandes modelos de lenguaje identificaron entonces cuáles de estas razones aparecían en las explicaciones de texto libre de los participantes, mientras que el modelado matemático de las elecciones de las personas proporcionó validación.
Cómo funcionó el estudio
El estudio implicó un experimento de juego controlado donde los participantes tomaron una serie de decisiones entre opciones arriesgadas. Después de cada elección, escribieron una breve explicación de su razonamiento. Los investigadores compilaron una lista completa de posibles razones de decisión basadas en teorías establecidas de toma de decisiones, incluyendo:
- Maximizar el valor esperado
- Minimizar pérdidas potenciales
- Buscar el mayor pago posible
- Evitar el peor resultado
- Seguir una heurística simple como "elegir la opción con mayor probabilidad de ganar"
Utilizando un gran modelo de lenguaje, clasificaron automáticamente cada respuesta de texto libre para determinar qué razones estaban presentes. Para garantizar la precisión, las clasificaciones del LLM se validaron de forma cruzada con evaluadores humanos y se compararon con modelos matemáticos que predecían las elecciones basándose en las razones identificadas. Este enfoque multimétodo permitió al equipo tanto descubrir las razones que las personas citan como verificar que esas razones realmente impulsan sus decisiones.
Las razones de decisión cambian según el contexto
La combinación de informes verbales, LLMs y modelado matemático riguroso demostró claramente que las propias percepciones de las personas son una fuente valiosa de datos. También mostró que las razones en las que las personas se basan no son fijas, sino que cambian sistemáticamente con la estructura del problema de decisión. Por ejemplo, cuando las pérdidas potenciales eran grandes, los participantes eran más propensos a mencionar la evitación de pérdidas; cuando las ganancias potenciales eran altas, se centraban en maximizar las ganancias. Esta dependencia del contexto desafía los modelos tradicionales que asumen preferencias estables o estrategias de decisión fijas.
"Muchas decisiones importantes, desde inversiones financieras hasta elecciones médicas, implican sopesar riesgos y beneficios", dice el Dr. Fuławka. "Nuestro método revela que las personas adaptan su razonamiento a la situación específica, lo que tiene implicaciones para predecir el comportamiento y diseñar intervenciones".
Implicaciones para la ciencia del comportamiento
Esta investigación abre nuevas vías para estudiar el comportamiento humano. Al integrar datos de texto libre con LLMs, los científicos ahora pueden acceder a la rica información cualitativa que los participantes proporcionan de forma natural, sin las restricciones de preguntas de encuesta predefinidas. El enfoque es escalable, permitiendo analizar miles de respuestas de manera rápida y consistente. Además, proporciona un puente entre métodos cualitativos y cuantitativos, ofreciendo una imagen más completa de la toma de decisiones.
El estudio también destaca el potencial de los LLMs como herramientas para la investigación del comportamiento. Si bien los LLMs a menudo son criticados por carecer de comprensión real, aquí sirven como potentes motores de coincidencia de patrones que pueden detectar de manera confiable razones de decisión en el texto. Los investigadores enfatizan que las clasificaciones del LLM fueron validadas contra juicios humanos y modelos matemáticos, asegurando la confiabilidad.
Direcciones futuras
El equipo planea aplicar su método a otros dominios, como la elección del consumidor, la toma de decisiones políticas y el comportamiento de salud. También pretenden refinar el conjunto de razones de decisión y explorar cómo las diferencias individuales (por ejemplo, edad, capacidad cognitiva) influyen en las razones que las personas utilizan. En última instancia, este trabajo podría conducir a modelos más precisos de elección humana que incorporen tanto datos de comportamiento como razonamiento autoinformado.
A medida que los LLMs continúan mejorando, su capacidad para analizar el lenguaje humano complejo solo crecerá. Este estudio demuestra una aplicación práctica que respeta la riqueza de la introspección humana mientras mantiene el rigor científico. Las razones ocultas detrás de nuestras elecciones pueden que ya no estén tan ocultas.
Este artículo se basa en un informe de Phys.org. Lea el artículo original.
Originally published on phys.org
