Mudança de preferência induzida pela escolha no quadro de modelos de amostragem sequencial

Por que nossas escolhas redesenham aquilo de que gostamos

Imagine escolher entre uma barra de chocolate e uma laranja que você gosta igualmente. Curiosamente, depois de escolher uma, você pode vir a gostar mais do lanche escolhido e menos do rejeitado. Essa peculiaridade cotidiana, conhecida como mudança de preferência induzida pela escolha, é documentada há décadas. Ainda assim, muitos modelos matemáticos líderes da tomada de decisão tiveram dificuldade para explicá‑la. Este artigo mostra como uma classe popular de modelos, chamados modelos de amostragem sequencial, pode produzir naturalmente esse deslocamento de preferência quando permitimos que os valores evoluam durante a própria decisão.

Como os psicólogos costumam pensar sobre decisões

Muita pesquisa sobre tomada de decisão analisa escolhas simples entre duas opções. Antes de escolher, as pessoas frequentemente avaliam o quanto gostam de cada opção. Achados clássicos mostram que escolhas são mais lentas e menos previsíveis quando as opções são igualmente atraentes, e mais rápidas e mais consistentes quando uma opção se destaca claramente ou quando ambas têm alto valor. As escolhas também são mais rápidas quando as opções diferem fortemente em atributos-chave, como sabor versus saúde no caso de alimentos. Esses padrões foram muito bem capturados pelos modelos de amostragem sequencial, que imaginam o cérebro coletando gradualmente fragmentos ruidosos de evidência até que uma opção tenha suporte suficiente para cruzar um limiar decisório.

Quando o gosto muda depois que decidimos

A mudança de preferência induzida pela escolha vai além desses padrões padrão. Em muitos experimentos, as pessoas avaliam itens, fazem escolhas entre pares e então avaliam os itens novamente. Tipicamente, a avaliação do item escolhido sobe, a do item rejeitado cai e a diferença entre elas aumenta. Essa “espalhamento das alternativas” é mais forte em decisões difíceis — quando as avaliações iniciais estavam próximas ou menos certas — e em escolhas nas quais cada opção é forte em atributos diferentes. Também tende a ser maior quando as pessoas decidem rapidamente e se sentem confiantes. Explicações simples baseadas apenas em ruído de medição não conseguem explicar completamente esses vínculos confiáveis com dificuldade, atributos e tempos de resposta.

Permitindo que os valores evoluam durante a deliberação

Modelos sequenciais padrão assumem que cada opção tem um valor subjacente fixo durante a decisão; o modelo apenas revela esse valor acumulando evidência. Sob essa suposição, não há espaço para os próprios valores mudarem. Os autores desafiam isso ao permitir que a qualidade da evidência mude ao longo do tempo. Em seu quadro, evidências iniciais refletem impressões anteriores aproximadas, enquanto decisões mais difíceis levam o tomador de decisão a considerar atributos ou informações adicionais que não foram totalmente ponderados no início. Por exemplo, quando só o sabor não é suficiente para decidir entre chocolate e laranja, a pessoa pode começar a considerar a saúde, inclinando a evidência em evolução a favor da laranja e alterando a diferença interna de valor entre os dois lanches.

Testando diferentes motores decisórios com dados reais

Para ver se essa ideia funciona na prática, os autores simularam escolhas usando dados reais de experimentos anteriores com escolhas de lanches. Os participantes haviam avaliado alimentos em valor geral, bem como em prazer e nutrição, então fizeram escolhas e avaliaram novamente. Os autores ajustaram três modelos de decisão relacionados para as escolhas e tempos de resposta de cada pessoa: um modelo de deriva–difusão básico que trata o valor como uma única quantidade; uma versão multiatributo que acumula evidência separadamente para prazer e nutrição; e um modelo estendido em que diferentes atributos começam a influenciar a decisão em momentos distintos. Usando os modelos ajustados, eles simularam muitas decisões e calcularam uma medida interna de mudança de preferência baseada em quanto a diferença de valor “final” do modelo diferiu daquela implícita pelas avaliações iniciais.

O que os modelos revelam sobre mudar de ideia

As três variantes do modelo reproduziram o fato de que o espalhamento de preferência é, em média, positivo e maior para decisões difíceis. O modelo básico alcançou isso principalmente através do ruído: quando a evidência deriva lentamente, flutuações aleatórias têm mais tempo para empurrar a diferença de valor final para longe da inicial. Contudo, apenas os modelos que acompanharam explicitamente atributos separados puderam imitar o achado empírico de que o espalhamento de preferência cresce quando as opções diferem fortemente na mistura de atributos. Esses modelos mais ricos também capturaram a ligação observada entre decisões mais rápidas e maiores mudanças de preferência, refletindo que uma evidência efetiva mais forte tanto acelera as escolhas quanto afasta mais os valores internos. Permitir que atributos entrem na decisão em momentos diferentes forneceu a correspondência qualitativa mais próxima aos dados.

O que isso significa para escolhas do dia a dia

Para um não especialista, a mensagem principal é que não simplesmente descobrimos preferências fixas quando escolhemos; nós as refinamos ativamente e às vezes as remodelamos durante o ato de escolher. Ao enriquecer um quadro decisório bem estabelecido com múltiplas correntes de evidência em evolução, este trabalho mostra que nossa atração pós‑escolha pelo que escolhemos pode emergir do mesmo processo básico que governa quão rápido e com que confiabilidade decidimos. Em outras palavras, a ponderação gradual, pela mente, de diferentes atributos não apenas determina qual opção vence, ela também ajuda a escrever a história que depois contamos a nós mesmos sobre o que gostamos.

Citação: Lee, D.G., Pezzulo, G. Choice-induced preference change under a sequential sampling model framework. Sci Rep 16, 14455 (2026). https://doi.org/10.1038/s41598-026-44610-5

Palavras-chave: tomada de decisão, mudança de preferência, modelo de difusão por deriva, escolha baseada em valor, modelagem cognitiva