Valutlöst preferensskifte inom en ram baserad på sekventiell samplingsmodell

Varför våra val omformar vad vi gillar

Föreställ dig att du väljer mellan en chokladkaka och en apelsin som du gillar lika mycket. Märkligt nog kan du, efter att ha valt, komma att gilla det valda godiset mer och det förkastade mindre. Denna vardagliga egenskap, känd som valinducerad preferensförändring, har dokumenterats i årtionden. Många ledande matematiska modeller för beslutsfattande har dock haft svårt att förklara den. Den här artikeln visar hur en populär klass av modeller, kallade sekventiella samplingsmodeller, naturligt kan ge upphov till denna preferensförskjutning när vi tillåter värden att utvecklas under själva beslutet.

Hur psykologer vanligtvis tänker om beslut

Mycket forskning om beslutsfattande studerar enkla val mellan två alternativ. Före val brukar människor ofta betygsätta hur mycket de gillar varje alternativ. Klassiska fynd visar att val är långsammare och mindre förutsägbara när alternativen är lika attraktiva, och snabbare och mer konsekventa när ett alternativ tydligt sticker ut eller när båda alternativen värdesätts högt. Val är också snabbare när alternativen skiljer sig kraftigt i viktiga attribut, såsom smak kontra hälsa för livsmedel. Dessa mönster fångas mycket väl av sekventiella samplingsmodeller, som föreställer sig att hjärnan gradvis samlar brusiga evidensdelar tills ett alternativ har tillräckligt stöd för att korsa en beslutsgräns.

När gillandet ändras efter att vi bestämt oss

Valinducerad preferensförändring går utöver dessa standardmönster. I många experiment betygsätter deltagarna objekt, gör val mellan par och betygsätter sedan objekten igen. Typiskt stiger betyget för det valda objektet, betyget för det förkastade faller och gapet mellan dem vidgas. Denna ”spridning av alternativ” är starkast vid svåra beslut—när de inledande betygen var nära varandra eller mindre säkra—och för val där varje alternativ är starkt på olika attribut. Den tenderar också att vara större när människor bestämmer sig snabbt och känner sig självsäkra. Enkla förklaringar som enbart bygger på mätbrus kan inte fullt ut redogöra för dessa pålitliga kopplingar till svårighet, attribut och svarstider.

Att låta värden utvecklas under överläggning

Standardsekventiella samplingsmodeller antar att varje alternativ har ett fast underliggande värde under ett beslut; modellen avslöjar bara detta värde genom att ackumulera evidens. Under denna antagande finns inget utrymme för att värdena själva ska skifta. Författarna utmanar detta genom att tillåta att evidenskvaliteten förändras över tid. I deras ramverk speglar tidig evidens grova förhandsintryck, medan svårare beslut får beslutsfattaren att överväga ytterligare attribut eller information som inte vägdes fullt vid starten. Till exempel, när enbart smak inte kan avgöra mellan choklad och apelsin, kan en person börja ta hänsyn till hälsa, vilket lutar den utvecklande evidensen till förmån för apelsinen och förändrar den interna värdeskillnaden mellan de två snacksen.

Test av olika beslutssystem på verkliga data

För att se om idén fungerar i praktiken simulerade författarna val med hjälp av verkliga data från tidigare experiments med snacksval. Deltagarna hade betygsatt livsmedel både på ett övergripande värde samt på nöje och näring, sedan gjort val och betygsatt dem igen. Författarna anpassade tre närbesläktade beslutsmodeller till varje persons val och svarstider: en grundläggande drift–diffusionsmodell som behandlar värde som en enda kvantitet; en multi-attributversion som ackumulerar evidens separat för nöje och näring; och en utökad modell där olika attribut börjar påverka beslutet vid olika tidpunkter. Med de anpassade modellerna simulerade de många beslut och beräknade ett internt mått på preferensförändring baserat på hur mycket modellens ”slutliga” värdeskillnad skilde sig från den som de initiala betygen antydde.

Vad modellerna avslöjar om förändrade sinnen

Samtliga tre modellvarianter återgav att preferensspridning i genomsnitt är positiv och större för svåra beslut. Den grundläggande modellen uppnådde detta huvudsakligen genom brus: när evidens drar sig långsamt har slumpmässiga fluktuationer mer tid att föra den slutliga värdeskillnaden bort från den initiala. Endast modellerna som explicit följde separata attribut kunde däremot efterlikna det empiriska fyndet att preferensspridningen ökar när alternativen skiljer sig kraftigt i sin blandning av attribut. Dessa rikare modeller fångade också den observerade kopplingen mellan snabbare beslut och större preferensskift, vilket speglar att starkare effektiv evidens både snabbar upp val och pressar interna värden längre isär. Att låta attributen träda in i beslutet vid olika tidpunkter gav den närmaste kvalitativa matchningen med data.

Vad detta betyder för vardagliga val

För en lekman är huvudbudskapet att vi inte bara upptäcker fasta preferenser när vi väljer; vi förfinar och ibland omformar dem aktivt under själva valet. Genom att berika en väletablerad beslutsram med flera utvecklande evidensströmmar visar detta arbete att vår eftervalspådragning till det vi valt kan uppstå ur samma grundläggande process som styr hur snabbt och pålitligt vi bestämmer oss. Med andra ord: sinnets gradvisa vägning av olika attribut avgör inte bara vilket alternativ som vinner, utan hjälper också till att skriva berättelsen vi senare berättar för oss själva om vad vi gillar.

Citering: 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

Nyckelord: beslutsfattande, preferensförändring, drift-diffusionsmodell, värdebaserat val, kognitiv modellering