Learning to choose between advisors, algorithmic and human, over repeated interactions.

Investigación preregistrada sobre cómo las personas aprenden a elegir entre asesores algorítmicos y humanos a través de interacciones repetidas. Cinco estudios con 1.351 participantes en línea examinaron la toma de decisiones cuando los asesores discrepaban. El estudio inicial identificó un sesgo hacia opciones que funcionan mejor la mayoría de las veces, aunque sean subóptimas en valor esperado. Los estudios subsecuentes emparejaron consejos humanos con algoritmos optimizados para valor esperado o para ser mejor la mayoría de las veces, mientras participantes elegían entre loterías repetidamente. Los resultados muestran que los participantes aprendieron a preferir el asesor —humano o algoritmo— cuyo consejo amplificaba el sesgo, frecuentemente revirtiendo preferencias iniciales según la fuente. Este patrón depende de la facilidad para diagnosticar cuál asesor es mejor la mayoría de las veces.

Puntos clave

• ["Las personas desarrollan preferencias por asesores que alinean con su sesgo de elegir opciones mejores la mayoría de las veces, sin importar si son humanos o algoritmos."]
• ["La aversión o apreciación algorítmica no es fija, sino que evoluciona dinámicamente según el desempeño y la congruencia del consejo con heurísticas de decisión existentes."]
• ["La diagnosticabilidad del desempeño relativo de los asesores es un factor crítico que moderan la velocidad y magnitud del cambio en preferencias entre fuentes de asesoramiento."]
• ["El aprendizaje sobre consejeros produce cambios en adopción de decisiones que pueden superar las preferencias iniciales hacia fuentes específicas."]

Para quién: Útil para investigadores en psicología de decisiones, inteligencia artificial y comportamiento del consumidor, así como para diseñadores de sistemas de asesoramiento que buscan optimizar la confianza en ayudas de decisión.