更多信息不一定能帮助人们做出更好的决策

做出日常决策似乎很容易。人们了解有关健康和财务状况的基本信息，可用于指导决策。但是史蒂文斯理工学院的最新研究表明，太多的知识会导致人们做出更糟糕的决定，这表明我们对新信息如何与先前的知识和信念相互作用的理解存在严重差距。

史蒂文斯计算机科学副教授萨曼莎·克莱恩伯格(Samantha Kleinberg)领导的这项工作正在帮助重新构想我们如何使用从人工智能和机器学习算法中提取的大量数据，以及医疗保健专业人员和财务顾问如何向他们的新信息提供这些想法。患者和客户。

克莱恩伯格说：“准确的信息不足以使信息有用。”“假设人工智能和机器学习将发现大量信息，我们将其提供给人们，他们将做出明智的决定。但是，本文的基本要点是缺少一个步骤：我们需要帮助人们建立他们已经知道并了解如何使用新信息。”

例如：当医生向患者传达信息时，例如推荐降压药物或解释糖尿病的危险因素，人们可能会在考虑药物的成本或达成同一目标的其他方法。克莱恩伯格说：“因此，如果您不理解所有这些其他信念，那么就很难有效地对待它们。”他的工作发表在2月13日出版的《认知研究：原理与启示》上。

Kleinberg和同事向4,000位参与者提出了一系列与他们熟悉程度不同的主题有关的问题。一些参与者被要求对他们可能不熟悉的场景做出决策，即如何让一群能读心术的外星人完成一项任务。其他参与者被问到更熟悉的话题，即选择如何减少退休投资组合中的风险或决定在特定餐食和活动之间进行体重控制。

对于某些参与者，场景具有因果关系结构，这意味着参与者可以根据以文本或图表形式表示的因果关系做出正确的决定。然后，团队可以比较人们在使用新信息还是仅使用他们已经知道的信息方面做得更好还是更差。

克莱伯格和她的团队，包括史蒂文斯大学前研究生郑敏和来自利哈伊大学的认知科学家杰西斯·马什，都发现，当人们在新颖的场景中做出决定时，例如那些读心术的外星人，他们在这个问题上做得很好。克莱恩伯格说：“人们只是专注于问题所在。”“他们没有添加所有这些额外的东西。”

但是，当用相同的因果结构替换该问题时，例如有关财务和退休的信息，人们对选择的信心降低，做出了更糟糕的决定，这表明他们的先验知识妨碍了他们选择最佳结果。

当克莱因伯格提出与糖尿病有关的健康和运动问题时，她也是如此。当没有糖尿病的人读到这个问题时，他们以面值对待新信息，相信并成功使用。但是，糖尿病患者开始对他们所知道的事情进行第二次猜测，并且与前面的示例一样，情况变得更糟。

克莱恩伯格说：“在人们没有背景知识的情况下，他们对新信息更加自信，可以做出更好的决定。”“因此，在我们如何理解所提供的信息以及它与我们已经知道的事物相关以及相对于处于新的或不熟悉的环境中时，它如何影响我们的决策存在很大差异。”

克莱伯格警告说，本文的重点不是信息不好。她仅辩称，为了帮助人们做出更好的决策，我们需要更好地了解人们已经知道的知识，并根据该心理模型来定制信息。美国国家科学基金会(National Science Foundation)最近与马什(Marsh)合作，授予克莱因伯格(Kleinberg)一项名为“联合因果模型和心理模型以在糖尿病中进行共同决策的研究”，以解决这一问题。

克莱恩伯格说：“人们对疾病和治疗，财务和退休抱有一定的信念。”“因此，即使有明确的因果关系，更多的信息也可能不足以引导人们做出最佳决策。这是我们如何根据现有的信念调整信息以产生最佳结果的方法，这就是我们要弄清楚的出来。”