信息过滤与不确定决策：基于认知加工视角

郑杰慧，汪 蕾，陆 强，邱 梅



信息过滤与不确定决策：基于认知加工视角

郑杰慧，汪 蕾，陆 强，邱 梅

（浙江大学管理学院，浙江杭州 310058）

个体决策总是伴随着信息筛选和聚焦的过程。以往针对信息数量影响风险决策的研究多是基于建模和优化，较少有学者从认知过程去探索信息对决策的影响。本研究设计了一个掩牌博弈游戏，利用事件相关电位技术（ERPs），比较了不确定情景下，个体在信息过滤前后的决策行为及脑电差异。行为数据显示，与信息过滤前相比，决策信息过滤后，个体的风险决策参与率更低；脑电结果表明，信息过滤后的决策，引发了个体更大的P2以及ERN振幅。上述结果表明，个体在不同的情境下，其信息处理和决策过程存在显著的差异。在信息数量比较多，并且时间短的情况下，决策者更倾向于调用启发式决策模式；而信息过滤后，信息量减少，信息属性更加明确，而且时间相对来说比较充裕，大脑会启动补偿式决策模式，去调用更多的认知资源来分析信息，此时，个体感知到的风险变大，行为会更加谨慎。

信息过滤；风险决策；P2；ERN；ERPs

0引言

决策和我们的日常生活息息相关，小到网络购物、股票投资，大到择偶择业，生活中无时无刻不存在着决策，而决策问题一直受到管理学、经济学、心理学、社会学、神经科学等学科的亲睐。根据个体面临的选择条件不同，决策可分为确定性决策和不确定性决策。不确定性决策又根据其获得结果的概率是否清楚，可被定义为风险决策和模糊决策[1]。

传统研究认为，在不确定决策中，信息提高决策有效性的根本原因在于它可以消除不确定性[2]。人们会综合已有信息和新增信息，通过分析评估信息的动态变化来做出决策[3]。例如，我们会根据近期股价的动态变化来决定买卖；同样，我们会根据上一阶段的销售额以及现阶段的库存来制定该商品当前的进货量。

虽然互联网的信息共享功能使我们可以便捷地得到所需要的信息。但在面对海量信息时，信息数量过大也会给我们的选择造成困扰，尤其是在比较短的时间内。因为在时间压力下做决策，会使得我们的处理能力降低，进而降低决策的效率[4-5]。在网上购物时，我们一方面希望有更多的同类商品呈现，以便从中找到心仪的物品；另一方面，我们也容易为大量商品信息所困扰而变得举棋不定。因此在现实决策中，我们常常需要通过信息过滤，来排除冗余信息的干扰，从而做出可靠的决策。为此很多学者开始研究如何建立模型来过滤冗余信息以提供个性化的信息推荐[6-7]。

但由于信息被过滤，信息数量不断减少，又可能出现因被选项相似而导致的选择焦虑[8]。例如在网络购物时，经过一段时间的商品筛选，消费者很容易将自己的目标商品锁定在几个类似的产品之间，而这些备选商品往往高度近似，使得消费者难以抉择。因此在过滤掉过多的信息之后，选择效率反而会降低。

综上所述，信息是影响我们决策的重要因素，而信息量又是必须考量的首要因素[9]。个体在不同信息数量情景下的决策行为究竟如何？其背后隐藏着怎样的认知机制？该如何调用个体认知去提高决策效率？这些都是本文将着重讨论的问题。

1理论综述和假设

个体在决策时，会分析选项信息的不同属性，权衡各属性特质来得出最优策略。有关其过程，一部分研究者持补偿性策略观点，认为决策者会综合考虑每个属性的不同特质，在分析时，以一个属性的优点要能够补偿另一个属性的缺点作为判断基准。但也有学者不考虑属性之间的补偿关系，而是按其间的重要性来选择属性，称为非补偿性策[10]。

在信息爆炸背景下，信息属性过多会导致决策困难。而处于时间压力状态下做决策时，决策者则会倾向于加速信息搜索和处理的进程，同时会更改自己的信息加工和决策策略[11]。因为个体在单位时间内处理信息的能力是有限的，若信息量超过一定的限度，则其处理能力会降低。同时John的研究也表明，在面对大量选项的时候，决策者会进行快速的搜索和评估并做出选择。相反，在面临两个非常相似的选项时会使用补偿性策略谨慎选择[8]，从而保持决策的精确程度[12]。

然而，决策不单单只是理性的推理过程，它也会受到认知偏差及参考点的影响[13]。近年来，有关决策认知过程的研究也不断涌现，大量研究发现，特定的脑电成份能表征认知过程。本研究正是在这样的背景下，将认知神经科学工具引入管理决策问题研究中，利用事件相关电位技术（ERPs）的高时间分辨率，来探究在不同信息数量情景下，个体决策行为及认知过程差异，并尝试从信息过滤的视角，来揭示不确定决策过程中信息数量变化对决策者认知过程的影响机制。

已有研究表明，P2的振幅与个体注意资源的分配有关。Huang 和 Luo研究发现P2的振幅反映了无意识的注意资源分配[14]。Mercado进一步揭示P2波幅会随着决策者投入注意资源的增多而增大[15]。反之，决策中调用的注意资源越少，引发的P2波幅越小[16]；同时，也有研究证实P2成分反映了决策者对不确定性的感知。不确定性任务产生的P2波幅显著大于确定性任务产生的P2波幅，而两个具有不同风险的不确定性决策之间的P2波幅却没有显著差异[17]。但后续研究发现，P2的波幅会随着决策风险的提高而增大[10, 18]。另一方面，P2成分的激活也反映了被试对信息属性及重要程度的预判。当信息选项多时，个体采取非补偿性策略进行认知加工，此时，占用的认知资源少[19]，P2波幅也小，而当个体启用补偿性策略时，就需要调用较多的认知资源，此时P2波幅就会变大。

ERN是一种错误相关负波，体现了个体对错误的察觉。Hewig等（2008）将21点游戏场景纳入实验，考察了预期收益和ERN的关系，发现对结果的预期与风险相关[20]，且对结果预期的不同会引起不同振幅的ERN，即感知风险越大，引发的ERN振幅越强[21]。Yasuda等(2004)探究了ERN与冒险行为的联系。他们通过一个猜牌的连续实验，研究表明了如果某一行为引发的ERN振幅更大，那么被试在之后的实验中就会更多地规避这种行为[22]。Gehring等人的研究发现，当要求决策者主要关注正确率时，ERN的波幅增大，而当要求决策者牺牲正确率追求速度时，ERN 波幅减小[23]。可见，ERN与风险感知和冒险行为有关，感知到的风险越大，产生的ERN振幅越大。ERN也与决策时追求的目标有关[24]，其快速的启发式决策方式会比追求正确率的方式引发更小的ERN振幅。

综上所述，本研究推断，在不确定性决策中，随着信息的聚焦，个体会倾向于努力调用认知资源，通过精细计算和推理来判断；同时，信息聚焦后，个体决策时感知的风险更大。为此，本研究设计了一个掩牌博弈游戏，通过不断掩牌来逐步过滤决策信息，从而研究不同信息量下个体决策的认知机制，并尝试用行为和脑电数据来揭示这种机制特征。本研究假设：与信息过滤前相比，信息过滤后，个体决策会调用更多的认知资源，表现为引发更大的P2波幅；信息过滤后，决策个体会感知更大的风险，会比信息过滤前产生更大的ERN振幅。

2 方法

2.1 被试

18位（10位男性和8位女性）健康的大学生作为有偿被试，均为右利手，年龄为18-27岁（平均年龄：22.17岁，SD=2.1），专业分布广泛，所有被试视力或者矫正视力正常，且没有精神病或精神病史。并在实验前签署了相关的实验流程确认书以及被试知情书，明确了解实验框架并进行了预实验熟悉相应实验流程。

2.2实验设计

实验采用美国心理学软件公司的E-prime软件进行编程处理，刺激材料呈现在电脑屏幕的中央，被试距离屏幕70cm，水平视角和垂直视角分别为2.58°和2.4°。实验设计中用到的所有刺激图片都采用PPT和Photoshop软件进行统一处理，尺寸均为200×150，亮度与对比度统一。

本实验设计了一个掩牌式的投资游戏。每次实验由4个单元组成，每个单元有40个试次，每单元结束后被试有一段休息时间。每个试次中有两次决策，在实验开始时先有1000ms的呈现时间，屏幕呈现八张带数字的纸牌，牌面数值为：10，20，30，40，50，60，70，80。之后，系统随机掩盖掉三张纸牌，剩下五张可观察牌面值的纸牌，此次画面会停留1500ms以确保决策者能完全了解五张牌面所呈现的信息。随后出现选择提示图片，最多持续4000ms，接着，系统呈现出一个确定收益，被试需要在此段时间（4s）内完成第一次决策：或选择拿走相应的收益结束此次游戏（保守决策），或选择继续进行游戏（冒险决策）。若被试继续游戏，系统再次随机掩去三张牌，剩下两张确定值的纸牌，此时被试仍然可以选择拿走系统给出的一个确定收益（为可观察纸牌的平均值，而被试事先却不知道这点）结束游戏（保守决策）；或者选择继续冒险（冒险决策），最终随机得到剩下两张牌中一张牌的牌面值结束游戏：每张图片的呈现时间与上一轮决策一致。实验具体流程及时间安排如图1所示。在本实验设计中，决策者的最终收益和其每一轮的判断和决策都有关，随机抽取一轮的结果作为决策者最终的报酬。因此，需要决策者在每次选择中做出比较，是选择固定的收益值结束此轮游戏，还是继续冒险，从而使得收益最大化。

图1 实验流程图

2.3数据记录和分析

整个实验过程中，被试单独坐在隔音隔磁的ERP实验室完成实验操作，房间灯光调节到被试最舒适的程度。实验采用Neuroscan公司生产的64导脑电记录系统和Scan4.5脑电记录分析系统，同时记录了事件类型、被试脑电数据以及包括反应时和按键值的行为数据，E-prime软件呈现刺激材料的同时，也记录了事件类型，被试的反应时和按键时。

对于原始的脑电数据，我们用Scan4.5采用离线分析的方法处理[24]，首先删除了明显漂移的脑电数据，保证了数据的可靠性；然后进行EEG眼电的伪迹矫正；对于刺激锁时以刺激事件呈现为基准点，选择刺激呈现前200ms至刺激呈现后800ms作为数据分析时程。对于反应锁时，以做出选择为时间基准点，选择决策前400ms到决策后400ms作为数据的时间段。对于刺激锁时的成分，以刺激事件前200 毫秒的脑电作为基线值；对于反应锁时的成分，选择前400ms至选择前200ms区间内的脑电作为基线值，消除脑电相对基线的偏离；祛除波幅大于±80μV 的EEG片段，依据刺激类别和按键反应类型对EEG片段进行分类叠加平均，然后对所有被试相同条件的ERP数据进行叠加平均，产生被试的总平均ERP成分数据。

3实验结果

3.1 行为数据

风险参与率在一定程度上代表了被试对当前决策风险的认知和偏好。我们定义风险参与率=冒险决策/（冒险决策+保守决策）×100%。

第一阶段被试的风险参与率（M=83.17%，SD=13.30%）大于信息过滤后的第二阶段风险参与率（M=68.12%，SD=14.74%）。配对样本T检验（independent-sample T test）表明，两阶段风险参与率有显著差异（t=5.432，p=.000<0.05），即信息过滤后第二次决策的风险参与率显著小于信息过滤前第一次决策的风险参与率。

3.2 脑电数据

3.2.1 P2

P2成分是指出现在约150-250ms之间的一个正成分，一般分布在前额[16]。本研究通过选定位于前额中央区域的FZ、F3、F4、FCZ、FC3、FC4这6个电极点作为分析位置。针对额中央联合区P2成分做2（决策阶段：信息过滤前第一次决策和信息过滤后第二次决策）×6（电极： F3，FZ，F4，FC3，FCZ，FC4）的重复性方差分析。结果显示决策阶段有显著的主效应，F（1，17）=4.946，p=0.019<0.05；电极具有显著的主效应，F（5，85）=16.061，p=0.000<0.05；决策类型与电极的交互效应存在，F（5，85）=8.256，p=0.000，配对比较分析显示，第二次决策时P2的振幅[M=7.005,SD=0.852]显著大于第一次[M=5.377,SD=0.529]，其波形图如图2所示。

图2 信息过滤前后信息的P2成分电极点的平均波形图

3.2.2 ERN

ERN成分是在0-50ms 区间内一个非常明显的负成分，主要分布在前额区。我们选取前额中线两侧6个点(F3，F4，FZ，FC3，FC4，FCZ)作为统计分析的代表点位。针对ERN成分做2（决策阶段：信息过滤前和信息过滤后）×6（电极： F3，F4，FZ，FC3，FC4，FCZ）的重复性方差分析。结果显示决策类型有显著的主效应，F（1，17）=5.042，p=0.038<0.05；电极具有显著的主效应，F（5，85）=17.138，p=0.000<0.001；决策阶段与电极的交互效应不存在，F（5，85）=1.266，p=0.286。第一次决策的ERN振幅[M=-2.616,SD=0.562]显著小于第二次决策的ERN振幅[M=-3.906,SD=0.505]，其波形图如图3所示。

以往研究表明，ERN与风险感知和冒险行为有关[24]，因此，进一步对信息过滤前后的冒险决策进行比较分析。针对ERN成分做2（决策类型：信息过滤前冒险和信息过滤后冒险）×6（电极： F3，F4，FZ，FC3，FC4，FCZ）的重复性方差分析结果显示F（1，17）=6.869，p=0.018<0.05；电极具有显著的主效应，F（5，85）=20.149，p=0.000<0.001；决策阶段与电极的交互效应显著，F（5，85）=2.702，p=0.026。第一次决策冒险的ERN振幅[M=-2.258,SD=0.483]显著小于第二次决策冒险的ERN振幅[M=-3.897,SD=0.574]，其波形图如图4。

图3 信息过滤前后决策的ERN成分电极点的平均波形图

图4 信息过滤前后冒险决策的ERN成分电极点的平均波形图

4讨论

在日常决策中，信息的多少对我们的决策判断和效率起着非常重要的作用，本研究设计了在一个不同信息数量下的投资游戏，要求被试在信息过滤前、后来决定是否继续投资，实验结果表明当决策信息过滤到更小的范围时，决策者的风险参与率更低，脑电成分P2的振幅更大，同时，诱发更大的ERN。

4.1 P2

在本实验的第一次决策中，决策者面对五张牌的信息量，并被要求在4秒时间内处理完这些信息并做出投资还是选择固定收益的决策，否则此次决策无效。此时，对被试而言，往往容易形成一定的时间压力。当个体在时间压力的情况下进行决策时，其决策质量会受到影响[25]。也就是决策者无法很迅速地思考，并通过比较五张牌所呈现的所有属性（平均值，最大值，最小值，方差等）和固定收益的属性来得到哪个方案更优。决策者为了提高自己的决策速度，会减少在每个选项上所花费的时间，只会关注部分信息而忽略其它信息，从补偿性策略转变为非补偿性策略[11]。按照这种策略，决策者只关注自己认为的几个重要的部分（比如当前最大值最小值和固定收益的大小关系），缺乏计算的动机，此时大脑所调用的认知资源少。在ERP成分中，P2反映的是注意资源的分配，分配的注意资源越多，P2的波幅也越大[16, 26]。因此在第一次决策中引起的P2波幅小。

而在第二次决策中，当信息过滤到两张牌时，由于接收到的信息减少，被试只需对2张牌的属性和固定数值进行比较，因此，即使是在同样的4s内，决策者也有能力处理完这些信息，并作出选择。决策者会更倾向于用补偿性策略来分析剩余的牌面信息，此时决策者会发现，剩余两张牌的平均收益和固定收益一致，那么在这种两个选项得到的结果的期望一致的情况下，决策者需要更大的认知努力来来追求决策的精确度[8]，会综合期望值、方差等属性以及前一次决策信息来思考，该信息加工程度变深，需要更大的认知努力占用了更多的认知资源[27-28]，因此引发了更大的P2。

由此可见，在信息过滤前后，个体在信息加工时引发的P2成分的显著差异，表明了个体在两种情境下具有不同的认知过程。一开始，在面对大量信息，并所给时间比较短时，个体倾向于采用非补偿性策略，只关注几点重要的信息，调用较少的认知资源；在信息过滤后，信息量减少，时间相对充裕，决策者倾向于选择采用补偿性策略，调用更多的认知资源进行全面的信息加工。

4.2 ERN

从整体上看，信息过滤后的ERN振幅显著大于信息过滤之前。在第一次决策时，决策者处于时间压力状态，决策时倾向于采用非补偿性策略进行直觉判断，为了在短时间内做出决策，此时，决策者更多的是追求速度，ERN波幅小[23]。而第二次决策时，决策者在给定的时间内有能力对各个备选方案的风险进行甄别，此时追求的是准确率，因此 ERN的波幅大[23]。

然而，行动选择阶段的ERN和冒险决策的行为有关，信息过滤前和过滤后信息量的不同，决策者感知的风险也不相同。根据本实验的设计，如果第一次决策选择保守策略，则该试次会直接结束，不会让被试进行第二阶段的决策。因此，我们只选取在第一次和第二次决策时都选择冒险的试次，并对前后两次决策的ERN进行比较，从而进一步探讨不同信息量对决策者神经机制的影响。结果表明，信息过滤前后冒险决策ERN的波幅有显著差异，过滤后冒险的ERN显著大于过滤前冒险的ERN，这说明在信息过滤后决策者感受到了更强烈的风险冲突。因为信息过滤到两张牌之后，剩余信息很明确，在对信息全面加工之后，决策者更清楚地感知到他只有一半的概率能够拿到超过固定收益的数额即很容易产生自己的预期结果和真实结果不匹配的情况，因此一旦判断错误便很容易产生后悔的情绪。前人研究也表明，当某两个备选项的期望相同时候，决策者所感知到的风险是最强的[29]，决策者会担心自己放弃了安全选项而得到更小的收益，所以更加难以判断，感知到的风险冲突越高引发更强振幅的ERN[21]。同时，当决策者面对两个比较相近的选项时，会选择补偿性策略[8]，追求准确率，此时引发更大的ERN振幅[23]。因此，与信息过滤前冒险行为的ERN相比信息过滤之后的振幅也就越大。

同时行为数据结果表明，虽然第二次决策时决策者也倾向于冒险（风险参与率63%>50%），但是被试在信息过滤后的参与率显著小于过滤前的参与率。第二次决策时更低的参与率，说明了个体感受到了更大的风险而选择了更为保守的策略。综上所述，在信息过滤之后，个体感知风险更大，冒险决策引发的ERN更大，参与率更低。

本研究从信息过滤的角度来探讨信息量变化对决策认知过程的影响，丰富了我们对信息过滤下决策过程及机理的认识和理解，得到的结果不仅验证了以往从行为实验角度分析得出的“个体在多重选项时倾向于非补偿性策略[29]，在少量选项时选择使用补偿性策略[8]”的结论，更重要的，是揭示个体决策的内在认知机理，从而拓展了以往的研究。同时，本研究前后两次决策密切相关，第二次的决策条件会受到第一次决策结果的制约，很好的模拟了动态的信息过滤过程以及决策过程。这也是对以往关于信息量变化对决策影响研究的一个很大的补充和创新。

本研究结果不仅在理论上有一定的贡献，在实际应用中也有很好的体现。比如在网络购物中，很多时候消费者因为无法获取实际体验，只能通过页面提供的信息做出决策判断。从我们的实验结果来看，在面对大量信息时如商品基本信息，消费者可能不愿意认真分析反而只是关注一些主要商品属性和关键信息，因为在短时间内分析多维信息难度大从而会降低决策认真程度。而对于个体筛选所剩下的较为集中的关键信息，消费者会花费更多的注意力去解读评估。因此，本研究结果可以应用于互联网购物平台如何为客户提供有效信息而优化服务领域。

5结论

本研究基于个体决策过程信息过滤的规律，首次尝试从信息过滤的角度出发，来探索信息数量与不确定决策认知过程和风险感知的关系，通过事件相关电位工具，发现了用以表征信息过滤过程中信息加工和行动选择联系的脑电成份P2和ERN，揭示了个体决策的大脑认知机制。研究发现，当面对信息大量却需要快速决策的时候，个体处于时间压力状态下，更倾向于采用非补偿性策略去决策，此时，调用的认知资源更少，P2的振幅小；当信息量聚焦之后，决策者会调用大量的认知资源，倾向于选择补偿性策略来进行信息加工，去思考和分析信息之间的差异，此时，P2的振幅更大。同时，当信息过滤后，个体冒险决策时感知的风险变大，风险参与率降低，同时，感知到的错误率会增加，从而引发更大的ERN。

[1] 汪蕾, 沈翔宇, &林志萍, 基于决策神经科学的风险决策与含糊决策研究进展[J]. J Southeast Univ (Med Sci Edi), 2010, 4 (29l): 473-476.

[2] Citroen, C.L., The role of information in strategic decision-making [J]. International Journal of Information Management, 2011, 6 (31l): 493-501.

[3] Maes, P., Agents that reduce work and information overload [J]. Communications of the ACM, 1994, 7 (37l): 30-40.

[4] Galbraith, J.R., Organization design: An information processing view [J]. Interfaces, 1974, 3 (4l): 28-36.

[5] Tushman, M.L. & D.A. Nadler, Information Processing as an Integrating Concept in Organizational Design [J]. Academy of management review, 1978, 3 (3l): 613-624.

[6] Pasi, G. & W. Pedrycz. Introduction to Information Filtering and Retrieval: Soft Computing-Based Approaches Minitrack[A]. in 2014 47th Hawaii International Conference on System Sciences [C]. IEEE.2014. 905-905.

[7] Shardanand, U. & P. Maes. Social information filtering: algorithms for automating “word of mouth”[A]. in Proceedings of the SIGCHI conference on Human factors in computing systems [C]. ACM Press/Addison-Wesley Publishing Co.1995. 210-217.

[8] Payne, J.W., Task complexity and contingent processing in decision making: An information search and protocol analysis [J]. Organizational behavior and human performance, 1976, 2 (16l): 366-387.

[9] Gao, J., et al., Understanding online purchase decision making: The effects of unconscious thought, information quality, and information quantity [J]. Decision Support Systems, 2012, 4 (53l): 772-781.

[10] 邱梅, 基于信息更新视角的不确定决策机理研究[D]. 浙江大学.2012.

[11] Weenig, M.W. & M. Maarleveld, The impact of time constraint on information search strategies in complex choice tasks [J]. Journal of Economic Psychology, 2002, 6 (23l): 689-702.

[12] Kerstholt, J., Information search and choice accuracy as a function of task complexity and task structure [J]. Acta psychologica, 1992, 1 (80l): 185-197.

[13] Kahneman, D. & A. Tversky, Prospect theory: An analysis of decision under risk [J]. Econometrica: Journal of the Econometric Society, 1979: 263-291.

[14] Huang, Y.-X. & Y.-J. Luo, Temporal course of emotional negativity bias: an ERP study [J]. Neuroscience letters, 2006, 1 (398l): 91-96.

[15] Mercado, F., et al., The influence of emotional context on attention in anxious subjects: neurophysiological correlates [J]. Journal of anxiety disorders, 2006, 1 (20l): 72-84.

[16] Yuan, J., et al., Are we sensitive to valence differences in emotionally negative stimuli? Electrophysiological evidence from an ERP study [J]. Neuropsychologia, 2007, 12 (45l): 2764-2771.

[17] Polezzi, D., et al., Predicting outcomes of decisions in the brain [J]. Behavioural brain research, 2008, 1 (187l): 116-122.

[18] Qin, J. & S. Han, Neurocognitive mechanisms underlying identification of environmental risks [J]. Neuropsychologia, 2009, 2 (47l): 397-405.

[19] Steel, R.:Walter Lippmann and the American Century.[Mit Portr.](2. Print.)[M]. Transaction Publishers, 1980.

[20] Hewig, J., et al., Decision-making in Blackjack: an electrophysiological analysis [J]. Cerebral Cortex, 2007, 4 (17l): 865-877.

[21] Hewig, J., et al., An electrophysiological analysis of coaching in Blackjack [J]. cortex, 2008, 9 (44l): 1197-1205.

[22] Yasuda, A., et al., Error-related negativity reflects detection of negative reward prediction error [J]. Neuroreport, 2004, 16 (15l): 2561-2565.

[23] Gehring, W.J., et al., A neural system for error detection and compensation [J]. Psychological science, 1993, 6 (4l): 385-390.

[24] 赵仑:ERPs 实验教程 [M]. 东南大学出版社, 2010.

[25] Schick, A.G., L.A. Gordon, & S. Haka, Information overload: A temporal approach [J]. Accounting, Organizations and Society, 1990, 3 (15l): 199-220.

[26] Delplanque, S., et al., Modulation of cognitive processing by emotional valence studied through event-related potentials in humans [J]. Neuroscience letters, 2004, 1 (356l): 1-4.

[27] Kahneman, D., Maps of bounded rationality: Psychology for behavioral economics [J]. American economic review, 2003: 1449-1475.

[28] Gilovich, T., D. Griffin, & D. Kahneman:Heuristics and biases: The psychology of intuitive judgment[M]. Cambridge University Press, 2002.

[29] Sundström, G.A., Information search and decision making: The effects of information displays [J]. Acta Psychologica, 1987, 2 (65l): 165-179.

Information Filtering and Decision-making: in the View of Cognitive Processing

ZHENG Jie-hui, WANG Lei, LU Qiang, QIU Mei

(School of Management, Zhejiang University, Hangzhou 310058, China)

Decision-making is highly related to our daily lifebecause people need to make various decisions at all times. One of the most influencing factors of individual decision-making is the amount of information available. Information can reduce uncertainty;however, information overload may interfere the quality of decision-making. To process information quickly and make decision effectively, individuals are engaged in a constant filtering process based on screening and focalizing information. The process of information filtering allows individuals to efficiently process an overwhelming amount of information, but the reduction of information may lead to choice anxiety as a result of similar options. Answering problems about how information would affect individual decision-making can help understand decision-making mechanisms. Most previous studies on the role of information in decision-making adopted modeling and optimization approaches, while few studies discussed these issues from the cognitive perspective.

Two decision-making patterns proposed by Kahneman, intuition and reasoning are widely accepted as the double system mode. After that, many studies about the cognitive process of decision-making emerged. With the discipline integration and technology development, some researchers have applied neuroscience research techniques for management science, such as ERPs (Event-Related Potentials), to investigate the cognitive processes ofdecision-making. With these methods, investigators have found that some ERP components can represent the cognitive progress. For example, P2 component fluctuates with the variation of attentional resources, and ERN is related to risk and the expectation of results. When faced with a larger risk, a lager ERN is produced. In addition, ERN is relevant to the goal of decision-making. When System1 works, the heuristics decision pattern will invoke smaller amplitude compared with when we pursue for accuracy adopting System2.

This study designed a gambling game, which simulates the dynamic process of information filtering. We applied ERPs to record the brain wave components before and after information filtering. Eighteen healthy college students (10M/8F, all right-handed) participated in this experiment. The stimuli in entire experiment consisted of 160 stimulus divided randomly into 4 blocks with 40 trials each. At the beginning of each trial, eight cards were presented. The valve of the first eight cards each was from ten to ninety generated by the system randomly. Followed by the first eight cards, five - cards stimulus was presented with other three covered randomly, and a fixed amount of gain emerged subsequently. At this moment, the subjects must choose to be risk seeking or to be conservative (take the fixed amount of gain and end this trial). If he chose to be risk seeking, the system would continue to turn over another three cards randomly. Facing with two cards, participant needed to make the second decision: choose to be conservative (take the fixed gain) or to be risky (get the amount of money depending on either of the last two cards). Applying Scan 4.5, we recorded the subjects’ electrophysiological data while they were playing those games. ERPs were separately averaged for each condition and each subject.

Behavioral data showed that participation rate (PR) of risky decision after information filtering was significantly less than that before information filtering. ERP results showed that two brain components were found. Risky decision-making after information filtering elicited significant larger P2 and ERN amplitudes than those before information filtering. These results suggested that information processing and decision-making under varied circumstances (before vs. after information filtering) were quite different. When faced with overloading information, decision-makers would pursue speed under this condition. However, after information filtering, they would allocate more cognitive resources to process the information and tend to be more cautious in decision-making to pursue accuracy. Therefore, larger ERN amplitude was manifested. Comparative with decision before information filtering, the lower PR and the larger ERN suggested that subjects perceive larger risk under risk seeking decision after information filtering.

In summary, firstly, this study explores the cognitive processing of decision making from the information filtering perspective. It enriches current research in the fields of information updating theories and decision-making theories. Secondary，the results can help decision makers better understand their behavioral preferences so that they can avoid some impulsive behavior consciously and improve the efficiency of individual decision-making. Furthermore, our results can be applied into Internet businesses practice to design a better information layout of homepages and improve purchase conversion rate.

information filtering; risk decision-making; P2; ERN; ERPs

中文编辑：杜 健；英文编辑：Charlie C. Chen

F273

A

1004-6062(2016)01-0205-07

10.13587/j.cnki.jieem.2016.01.026

2014-11-09

2015-04-23

国家自然科学基金面上资助项目（71471163，71071135）

郑杰慧（1991—），女，江西上饶人。浙江大学管理学院博士生研究生，研究方向：不确定性决策，仿真模拟和金融电子商务研究。