Продвижение прикладной поведенческой науки: рамочная модель GAP

Почему наши решения важнее, чем мы думаем

От оформления пенсионных взносов до нажатия «принять» в интернете — наши повседневные решения незаметно формируются тонкими дизайнерскими решениями и мощными новыми технологиями. В этой статье представлена рамочная модель GAP, дорожная карта для правительств, компаний и некоммерческих организаций, которые хотят использовать знания о человеческом поведении ответственно и эффективно. Показано, как классические представления о привычках и когнитивных искажения могут сочетаться с искусственным интеллектом и реальными ограничениями, чтобы выйти за рамки простых «ниджей» к более умным, справедливым и прозрачным способам влияния на поведение.

Новый взгляд на поведение

Первая часть рамочной модели GAP, General Tools, фокусируется на том, что поведенческая наука уже знает о том, как люди думают и действуют. Авторы сводят многие известные открытия в простую линзу под названием SHELL: нас направляют социальное влияние, привычки, эмоции, ограниченная умственная пропускная способность и ограниченная самореализация (самоконтроль). Эта линза помогает организациям выйти за пределы обычных предположений о том, что людям просто нужно больше информации или большие стимулы. Вместо этого она побуждает задавать вопросы: копируют ли люди других? Действуют ли на автопилоте? Перегружены ли они сложными вариантами? Уставшие или в стрессе? Рассмотрение проблем через призму SHELL служит диагностическим шагом перед тем, как кто-либо приступит к разработке решения.

Поиск скрытых препятствий внутри систем

Когда основные движущие факторы поведения заподозрены, модель выделяет поведенческие аудиты как способ выявить, что на самом деле идет не так в организации. Sludge-аудиты ищут ненужные препятствия — формы, этапы и задержки, которые тратят время и энергию. Bias-аудиты ищут несправедливые закономерности в решениях, таких как найм или кредитование, а noise-аудиты выявляют случайную непоследовательность между людьми, которые должны оценивать похожие случаи одинаково. Вместе эти аудиты показывают, когда системы запутаны, несправедливы или ненадежны. Только после этой диагностической работы входит знакомая идея «архитектуры выбора»: небольшие изменения в представлении опций — такие как по умолчанию, напоминания или упрощенные макеты — призваны облегчить принятие правильных решений, не ограничивая свободу.

Вовлечение умных машин

Вторая опора GAP, Algorithms, объясняет, как новые инструменты работы с данными — особенно искусственный интеллект — могут усилить поведенческую науку при ответственном использовании. ИИ может открыть новые формы сбора данных: от анализа миллионов сообщений для определения настроений и мнений до проведения масштабных исследований, сравнивающих десятки вмешательств одновременно. Он также может выявлять закономерности в огромных наборах данных, которые люди пропустили бы, например, сколько на самом деле времени требуется для формирования привычки или какие факторы сильнее всего предсказывают колебания в отношении вакцинации. Кроме того, системы ИИ могут доставлять персонализированные подсказки или рекомендации в нужный момент и в масштабах. Вместе с тем авторы предупреждают, что те же инструменты можно злоупотреблять для манипуляции людьми или вторжения в приватность, поэтому необходимы этические предохранители и надзор.

Как поведенческая наука работает в реальных организациях

Третья опора, Practical Considerations, признает, что даже лучшие идеи терпят неудачу без подходящих людей, правил и методов. Используя мнемонику TEAM, авторы обсуждают, как создавать команды поведенческой экспертизы, решать, централизовать их или распределять по департаментам, и сочетать навыки из психологии, экономики, науки о данных, права и других областей. Они подчеркивают необходимость ясных ролей, этических руководств и соблюдения законов о защите данных, таких как европейские правила. Важны и затраты: некоторые ниджи дешевы и очень экономичны, тогда как продвинутые системы ИИ требуют больших инвестиций и тщательного анализа соотношения затрат и выгод. Наконец, модель делает акцент на важности строгого тестирования — через эксперименты, полевые испытания и другие исследовательские методы — чтобы организации узнали не просто «что работает», но для кого, в каких условиях и по какой цене.

Сведение старых и новых подходов

Вместо того чтобы заменять популярные модели, такие как COM-B, MINDSPACE или EAST, рамочная модель GAP задумана как надстройка над ними, соединяющая точки. SHELL и аудиты уточняют диагностику, существующие модели изменения поведения помогают проектировать вмешательства, алгоритмы расширяют видимость и масштаб, а TEAM удерживает все в рамках реальных структур, этики и бюджетов. Авторы откровенны относительно ограничений своего предложения: GAP не перечисляет каждую возможную технику, и существует риск, что любая рамочная модель может сузить дискуссию или упустить более глубокие системные изменения, которые могут потребоваться. Они призывают к большему числу сравнительных исследований различных стратегий и к обновлению GAP по мере развития технологий и регулирования.

Что это значит для повседневной жизни

Проще говоря, рамочная модель GAP — это руководство по использованию науки о человеческом поведении более умно и вдумчиво. Она призывает практиков тщательно диагностировать проблемы прежде, чем переходить к решениям, сочетать человеческое суждение со способностью алгоритмов находить закономерности и строить команды и правила, которые делают влияние прозрачным и справедливым. По мере того как государственные учреждения и компании все активнее формируют наш выбор — в офлайне и онлайн — GAP предлагает способ использовать эти инструменты для улучшения здоровья, финансового положения и социальных результатов, при этом уважая автономию и разнообразие людей.

Цитирование: Costa, S., Mills, S., Duyck, W. et al. Advancing applied behavioral science: the GAP framework. Humanit Soc Sci Commun 13, 261 (2026). https://doi.org/10.1057/s41599-026-06542-3

Ключевые слова: прикладная поведенческая наука, ниджинг и архитектура выбора, искусственный интеллект в политике, поведенческие аудиты, организационное принятие решений