Porque decidimos antes de ter toda a informação?

Antes de escolhermos um produto, votarmos numa eleição ou tomarmos uma decisão importante, podemos procurar mais informação ou decidir com aquilo que já sabemos. Mas como determina o cérebro o momento certo para parar de recolher informação e assumir um compromisso? Esta questão está no centro de muitas decisões do quotidiano e foi o ponto de partida de um estudo que procurou compreender por que motivo as pessoas frequentemente decidem antes de reunirem toda a informação disponível.

A investigação foi conduzida por Christina Dimitriadou e Nicholas Furl, da Royal Holloway University of London. O estudo envolveu 40 adultos saudáveis que participaram numa tarefa computacional de tomada de decisão. Os participantes observavam uma sequência de bolinhas azuis e verdes retiradas de um de dois recipientes com proporções diferentes de cada cor. À medida que novas bolinhas eram apresentadas, tinham de tentar descobrir qual dos recipientes estava a ser utilizado. Após cada bolinha, podiam optar por observar mais uma ou parar e tomar uma decisão. Como cada observação adicional tinha um custo, a tarefa exigia decidir quando já existiam pistas suficientes para avançar com uma resposta. Enquanto realizavam a tarefa, a atividade cerebral era registada através de eletroencefalografia (EEG). Os resultados foram ainda comparados com as previsões de modelos matemáticos que simulavam uma estratégia de decisão ideal.

Os investigadores verificaram que os participantes tendiam a tomar decisões mais cedo do que seria esperado segundo os modelos ótimos. Em particular, recolhiam menos informação do que a necessária para maximizar a probabilidade de acertar, sobretudo nas situações mais incertas, em que as pistas disponíveis eram menos conclusivas. Apesar disso, os modelos computacionais mostraram que este comportamento podia ser explicado pela forma como as pessoas parecem atribuir um custo subjetivo ao esforço de continuar a procurar informação.

Os registos cerebrais revelaram também sinais distintos associados ao momento da decisão. Quando os participantes deixavam de procurar mais informação e se comprometiam com uma escolha, observava-se um aumento acentuado de uma resposta cerebral conhecida como P300, frequentemente associado ao processamento de informação relevante e à tomada de decisões. Além disso, verificou-se um aumento da atividade das oscilações beta, um tipo de ritmo cerebral relacionado com a preparação para agir e com o compromisso com uma escolha. Estes sinais tornavam-se mais fortes à medida que os participantes se aproximavam do momento de decidir.

Os autores concluem que a tomada de decisão resulta de um equilíbrio entre o benefício de obter mais informação e o custo percebido de continuar a procurá-la. Os resultados sugerem que o cérebro dispõe de mecanismos específicos que sinalizam quando a informação acumulada parece suficiente para assumir uma escolha, mesmo que essa decisão não seja a ideal do ponto de vista matemático. Compreender estes mecanismos poderá ajudar a explicar porque algumas pessoas tomam decisões precipitadas e contribuir para o estudo de perturbações em que a avaliação da informação e da incerteza se encontra alterada.

Publicado na revista científica Neuropsychologia, o estudo From sampling to stopping: The P300 ERP component and beta power contribute to reward-related decision commitments resulta do projeto 34/20 - What mechanisms and computations does the brain use to solve complex decision problems? apoiado pela Fundação Bial.

ABSTRACT

Optimal stopping problems provide a framework for studying decision-making under uncertainty, balancing the trade-off between information sampling and decision commitment. We investigated deviations from normative strategies in human decision-making and examined the neural mechanisms underlying decision commitment versus sampling using electroencephalography (EEG). Forty participants viewed sequences of beads drawn from fictitious urns and attempted to infer the majority bead colour in each urn, while their EEG activity was recorded. After viewing each bead, participants could choose to sample more by drawing another bead (draw choice) or to stop sampling and infer the contents of the urn (urn choice). A Bayesian ideal observer model and parametrised models were used to predict participant behaviour. Participants undersampled relative to the ideal observer, particularly in the more uncertain condition where the proportion of bead colours was close to chance (60/40 or 0.6), with the model better capturing behaviour in the easier 80/20 (0.8) condition. Stimulus-locked P300 amplitudes showed larger responses for urn choices and a gradient of increasing amplitude as draws approached commitment. Larger frontal ERP responses were also observed under higher uncertainty (0.6 condition). Beta oscillatory activity was stronger for urn choices in the high uncertainty condition, with fast beta (20–30 Hz) activity driving final commitment to a decision. Beta power was further predicted by model-derived action values. By integrating behavioural, computational, and neurophysiological data, this study advances our understanding of active information sampling versus decision commitment in reward-related probabilistic environments.