鄭杰慧，汪 蕾，陸 強，邱 梅

?

信息過濾與不確定決策：基于認知加工視角

鄭杰慧，汪 蕾，陸 強，邱 梅

（浙江大學管理學院，浙江杭州 310058）

個體決策總是伴隨著信息篩選和聚焦的過程。以往針對信息數(shù)量影響風險決策的研究多是基于建模和優(yōu)化，較少有學者從認知過程去探索信息對決策的影響。本研究設計了一個掩牌博弈游戲，利用事件相關電位技術（ERPs），比較了不確定情景下，個體在信息過濾前后的決策行為及腦電差異。行為數(shù)據(jù)顯示，與信息過濾前相比，決策信息過濾后，個體的風險決策參與率更低；腦電結果表明，信息過濾后的決策，引發(fā)了個體更大的P2以及ERN振幅。上述結果表明，個體在不同的情境下，其信息處理和決策過程存在顯著的差異。在信息數(shù)量比較多，并且時間短的情況下，決策者更傾向于調(diào)用啟發(fā)式?jīng)Q策模式；而信息過濾后，信息量減少，信息屬性更加明確，而且時間相對來說比較充裕，大腦會啟動補償式?jīng)Q策模式，去調(diào)用更多的認知資源來分析信息，此時，個體感知到的風險變大，行為會更加謹慎。

信息過濾；風險決策；P2；ERN；ERPs

0引言

決策和我們的日常生活息息相關，小到網(wǎng)絡購物、股票投資，大到擇偶擇業(yè)，生活中無時無刻不存在著決策，而決策問題一直受到管理學、經(jīng)濟學、心理學、社會學、神經(jīng)科學等學科的親睞。根據(jù)個體面臨的選擇條件不同，決策可分為確定性決策和不確定性決策。不確定性決策又根據(jù)其獲得結果的概率是否清楚，可被定義為風險決策和模糊決策[1]。

傳統(tǒng)研究認為，在不確定決策中，信息提高決策有效性的根本原因在于它可以消除不確定性[2]。人們會綜合已有信息和新增信息，通過分析評估信息的動態(tài)變化來做出決策[3]。例如，我們會根據(jù)近期股價的動態(tài)變化來決定買賣；同樣，我們會根據(jù)上一階段的銷售額以及現(xiàn)階段的庫存來制定該商品當前的進貨量。

雖然互聯(lián)網(wǎng)的信息共享功能使我們可以便捷地得到所需要的信息。但在面對海量信息時，信息數(shù)量過大也會給我們的選擇造成困擾，尤其是在比較短的時間內(nèi)。因為在時間壓力下做決策，會使得我們的處理能力降低，進而降低決策的效率[4-5]。在網(wǎng)上購物時，我們一方面希望有更多的同類商品呈現(xiàn)，以便從中找到心儀的物品；另一方面，我們也容易為大量商品信息所困擾而變得舉棋不定。因此在現(xiàn)實決策中，我們常常需要通過信息過濾，來排除冗余信息的干擾，從而做出可靠的決策。為此很多學者開始研究如何建立模型來過濾冗余信息以提供個性化的信息推薦[6-7]。

但由于信息被過濾，信息數(shù)量不斷減少，又可能出現(xiàn)因被選項相似而導致的選擇焦慮[8]。例如在網(wǎng)絡購物時，經(jīng)過一段時間的商品篩選，消費者很容易將自己的目標商品鎖定在幾個類似的產(chǎn)品之間，而這些備選商品往往高度近似，使得消費者難以抉擇。因此在過濾掉過多的信息之后，選擇效率反而會降低。

綜上所述，信息是影響我們決策的重要因素，而信息量又是必須考量的首要因素[9]。個體在不同信息數(shù)量情景下的決策行為究竟如何？其背后隱藏著怎樣的認知機制？該如何調(diào)用個體認知去提高決策效率？這些都是本文將著重討論的問題。

1理論綜述和假設

個體在決策時，會分析選項信息的不同屬性，權衡各屬性特質(zhì)來得出最優(yōu)策略。有關其過程，一部分研究者持補償性策略觀點，認為決策者會綜合考慮每個屬性的不同特質(zhì)，在分析時，以一個屬性的優(yōu)點要能夠補償另一個屬性的缺點作為判斷基準。但也有學者不考慮屬性之間的補償關系，而是按其間的重要性來選擇屬性，稱為非補償性策[10]。

在信息爆炸背景下，信息屬性過多會導致決策困難。而處于時間壓力狀態(tài)下做決策時，決策者則會傾向于加速信息搜索和處理的進程，同時會更改自己的信息加工和決策策略[11]。因為個體在單位時間內(nèi)處理信息的能力是有限的，若信息量超過一定的限度，則其處理能力會降低。同時John的研究也表明，在面對大量選項的時候，決策者會進行快速的搜索和評估并做出選擇。相反，在面臨兩個非常相似的選項時會使用補償性策略謹慎選擇[8]，從而保持決策的精確程度[12]。

然而，決策不單單只是理性的推理過程，它也會受到認知偏差及參考點的影響[13]。近年來，有關決策認知過程的研究也不斷涌現(xiàn)，大量研究發(fā)現(xiàn)，特定的腦電成份能表征認知過程。本研究正是在這樣的背景下，將認知神經(jīng)科學工具引入管理決策問題研究中，利用事件相關電位技術（ERPs）的高時間分辨率，來探究在不同信息數(shù)量情景下，個體決策行為及認知過程差異，并嘗試從信息過濾的視角，來揭示不確定決策過程中信息數(shù)量變化對決策者認知過程的影響機制。

已有研究表明，P2的振幅與個體注意資源的分配有關。Huang 和 Luo研究發(fā)現(xiàn)P2的振幅反映了無意識的注意資源分配[14]。Mercado進一步揭示P2波幅會隨著決策者投入注意資源的增多而增大[15]。反之，決策中調(diào)用的注意資源越少，引發(fā)的P2波幅越小[16]；同時，也有研究證實P2成分反映了決策者對不確定性的感知。不確定性任務產(chǎn)生的P2波幅顯著大于確定性任務產(chǎn)生的P2波幅，而兩個具有不同風險的不確定性決策之間的P2波幅卻沒有顯著差異[17]。但后續(xù)研究發(fā)現(xiàn)，P2的波幅會隨著決策風險的提高而增大[10, 18]。另一方面，P2成分的激活也反映了被試對信息屬性及重要程度的預判。當信息選項多時，個體采取非補償性策略進行認知加工，此時，占用的認知資源少[19]，P2波幅也小，而當個體啟用補償性策略時，就需要調(diào)用較多的認知資源，此時P2波幅就會變大。

ERN是一種錯誤相關負波，體現(xiàn)了個體對錯誤的察覺。Hewig等（2008）將21點游戲場景納入實驗，考察了預期收益和ERN的關系，發(fā)現(xiàn)對結果的預期與風險相關[20]，且對結果預期的不同會引起不同振幅的ERN，即感知風險越大，引發(fā)的ERN振幅越強[21]。Yasuda等(2004)探究了ERN與冒險行為的聯(lián)系。他們通過一個猜牌的連續(xù)實驗，研究表明了如果某一行為引發(fā)的ERN振幅更大，那么被試在之后的實驗中就會更多地規(guī)避這種行為[22]。Gehring等人的研究發(fā)現(xiàn)，當要求決策者主要關注正確率時，ERN的波幅增大，而當要求決策者犧牲正確率追求速度時，ERN 波幅減小[23]?？梢?，ERN與風險感知和冒險行為有關，感知到的風險越大，產(chǎn)生的ERN振幅越大。ERN也與決策時追求的目標有關[24]，其快速的啟發(fā)式?jīng)Q策方式會比追求正確率的方式引發(fā)更小的ERN振幅。

綜上所述，本研究推斷，在不確定性決策中，隨著信息的聚焦，個體會傾向于努力調(diào)用認知資源，通過精細計算和推理來判斷；同時，信息聚焦后，個體決策時感知的風險更大。為此，本研究設計了一個掩牌博弈游戲，通過不斷掩牌來逐步過濾決策信息，從而研究不同信息量下個體決策的認知機制，并嘗試用行為和腦電數(shù)據(jù)來揭示這種機制特征。本研究假設：與信息過濾前相比，信息過濾后，個體決策會調(diào)用更多的認知資源，表現(xiàn)為引發(fā)更大的P2波幅；信息過濾后，決策個體會感知更大的風險，會比信息過濾前產(chǎn)生更大的ERN振幅。

2 方法

2.1 被試

18位（10位男性和8位女性）健康的大學生作為有償被試，均為右利手，年齡為18-27歲（平均年齡：22.17歲，SD=2.1），專業(yè)分布廣泛，所有被試視力或者矯正視力正常，且沒有精神病或精神病史。并在實驗前簽署了相關的實驗流程確認書以及被試知情書，明確了解實驗框架并進行了預實驗熟悉相應實驗流程。

2.2實驗設計

實驗采用美國心理學軟件公司的E-prime軟件進行編程處理，刺激材料呈現(xiàn)在電腦屏幕的中央，被試距離屏幕70cm，水平視角和垂直視角分別為2.58°和2.4°。實驗設計中用到的所有刺激圖片都采用PPT和Photoshop軟件進行統(tǒng)一處理，尺寸均為200×150，亮度與對比度統(tǒng)一。

本實驗設計了一個掩牌式的投資游戲。每次實驗由4個單元組成，每個單元有40個試次，每單元結束后被試有一段休息時間。每個試次中有兩次決策，在實驗開始時先有1000ms的呈現(xiàn)時間，屏幕呈現(xiàn)八張帶數(shù)字的紙牌，牌面數(shù)值為：10，20，30，40，50，60，70，80。之后，系統(tǒng)隨機掩蓋掉三張紙牌，剩下五張可觀察牌面值的紙牌，此次畫面會停留1500ms以確保決策者能完全了解五張牌面所呈現(xiàn)的信息。隨后出現(xiàn)選擇提示圖片，最多持續(xù)4000ms，接著，系統(tǒng)呈現(xiàn)出一個確定收益，被試需要在此段時間（4s）內(nèi)完成第一次決策：或選擇拿走相應的收益結束此次游戲（保守決策），或選擇繼續(xù)進行游戲（冒險決策）。若被試繼續(xù)游戲，系統(tǒng)再次隨機掩去三張牌，剩下兩張確定值的紙牌，此時被試仍然可以選擇拿走系統(tǒng)給出的一個確定收益（為可觀察紙牌的平均值，而被試事先卻不知道這點）結束游戲（保守決策）；或者選擇繼續(xù)冒險（冒險決策），最終隨機得到剩下兩張牌中一張牌的牌面值結束游戲：每張圖片的呈現(xiàn)時間與上一輪決策一致。實驗具體流程及時間安排如圖1所示。在本實驗設計中，決策者的最終收益和其每一輪的判斷和決策都有關，隨機抽取一輪的結果作為決策者最終的報酬。因此，需要決策者在每次選擇中做出比較，是選擇固定的收益值結束此輪游戲，還是繼續(xù)冒險，從而使得收益最大化。

圖1 實驗流程圖

2.3數(shù)據(jù)記錄和分析

整個實驗過程中，被試單獨坐在隔音隔磁的ERP實驗室完成實驗操作，房間燈光調(diào)節(jié)到被試最舒適的程度。實驗采用Neuroscan公司生產(chǎn)的64導腦電記錄系統(tǒng)和Scan4.5腦電記錄分析系統(tǒng)，同時記錄了事件類型、被試腦電數(shù)據(jù)以及包括反應時和按鍵值的行為數(shù)據(jù)，E-prime軟件呈現(xiàn)刺激材料的同時，也記錄了事件類型，被試的反應時和按鍵時。

對于原始的腦電數(shù)據(jù)，我們用Scan4.5采用離線分析的方法處理[24]，首先刪除了明顯漂移的腦電數(shù)據(jù)，保證了數(shù)據(jù)的可靠性；然后進行EEG眼電的偽跡矯正；對于刺激鎖時以刺激事件呈現(xiàn)為基準點，選擇刺激呈現(xiàn)前200ms至刺激呈現(xiàn)后800ms作為數(shù)據(jù)分析時程。對于反應鎖時，以做出選擇為時間基準點，選擇決策前400ms到?jīng)Q策后400ms作為數(shù)據(jù)的時間段。對于刺激鎖時的成分，以刺激事件前200 毫秒的腦電作為基線值；對于反應鎖時的成分，選擇前400ms至選擇前200ms區(qū)間內(nèi)的腦電作為基線值，消除腦電相對基線的偏離；祛除波幅大于±80μV 的EEG片段，依據(jù)刺激類別和按鍵反應類型對EEG片段進行分類疊加平均，然后對所有被試相同條件的ERP數(shù)據(jù)進行疊加平均，產(chǎn)生被試的總平均ERP成分數(shù)據(jù)。

3實驗結果

3.1 行為數(shù)據(jù)

風險參與率在一定程度上代表了被試對當前決策風險的認知和偏好。我們定義風險參與率=冒險決策/（冒險決策+保守決策）×100%。

第一階段被試的風險參與率（M=83.17%，SD=13.30%）大于信息過濾后的第二階段風險參與率（M=68.12%，SD=14.74%）。配對樣本T檢驗（independent-sample T test）表明，兩階段風險參與率有顯著差異（t=5.432，p=.000<0.05），即信息過濾后第二次決策的風險參與率顯著小于信息過濾前第一次決策的風險參與率。

3.2 腦電數(shù)據(jù)

3.2.1 P2

P2成分是指出現(xiàn)在約150-250ms之間的一個正成分，一般分布在前額[16]。本研究通過選定位于前額中央?yún)^(qū)域的FZ、F3、F4、FCZ、FC3、FC4這6個電極點作為分析位置。針對額中央聯(lián)合區(qū)P2成分做2（決策階段：信息過濾前第一次決策和信息過濾后第二次決策）×6（電極： F3，F(xiàn)Z，F(xiàn)4，F(xiàn)C3，F(xiàn)CZ，F(xiàn)C4）的重復性方差分析。結果顯示決策階段有顯著的主效應，F(xiàn)（1，17）=4.946，p=0.019<0.05；電極具有顯著的主效應，F(xiàn)（5，85）=16.061，p=0.000<0.05；決策類型與電極的交互效應存在，F(xiàn)（5，85）=8.256，p=0.000，配對比較分析顯示，第二次決策時P2的振幅[M=7.005,SD=0.852]顯著大于第一次[M=5.377,SD=0.529]，其波形圖如圖2所示。

圖2 信息過濾前后信息的P2成分電極點的平均波形圖

3.2.2 ERN

ERN成分是在0-50ms 區(qū)間內(nèi)一個非常明顯的負成分，主要分布在前額區(qū)。我們選取前額中線兩側6個點(F3，F(xiàn)4，F(xiàn)Z，F(xiàn)C3，F(xiàn)C4，F(xiàn)CZ)作為統(tǒng)計分析的代表點位。針對ERN成分做2（決策階段：信息過濾前和信息過濾后）×6（電極： F3，F(xiàn)4，F(xiàn)Z，F(xiàn)C3，F(xiàn)C4，F(xiàn)CZ）的重復性方差分析。結果顯示決策類型有顯著的主效應，F(xiàn)（1，17）=5.042，p=0.038<0.05；電極具有顯著的主效應，F(xiàn)（5，85）=17.138，p=0.000<0.001；決策階段與電極的交互效應不存在，F(xiàn)（5，85）=1.266，p=0.286。第一次決策的ERN振幅[M=-2.616,SD=0.562]顯著小于第二次決策的ERN振幅[M=-3.906,SD=0.505]，其波形圖如圖3所示。

以往研究表明，ERN與風險感知和冒險行為有關[24]，因此，進一步對信息過濾前后的冒險決策進行比較分析。針對ERN成分做2（決策類型：信息過濾前冒險和信息過濾后冒險）×6（電極： F3，F(xiàn)4，F(xiàn)Z，F(xiàn)C3，F(xiàn)C4，F(xiàn)CZ）的重復性方差分析結果顯示F（1，17）=6.869，p=0.018<0.05；電極具有顯著的主效應，F(xiàn)（5，85）=20.149，p=0.000<0.001；決策階段與電極的交互效應顯著，F(xiàn)（5，85）=2.702，p=0.026。第一次決策冒險的ERN振幅[M=-2.258,SD=0.483]顯著小于第二次決策冒險的ERN振幅[M=-3.897,SD=0.574]，其波形圖如圖4。

圖3 信息過濾前后決策的ERN成分電極點的平均波形圖

圖4 信息過濾前后冒險決策的ERN成分電極點的平均波形圖

4討論

在日常決策中，信息的多少對我們的決策判斷和效率起著非常重要的作用，本研究設計了在一個不同信息數(shù)量下的投資游戲，要求被試在信息過濾前、后來決定是否繼續(xù)投資，實驗結果表明當決策信息過濾到更小的范圍時，決策者的風險參與率更低，腦電成分P2的振幅更大，同時，誘發(fā)更大的ERN。

4.1 P2

在本實驗的第一次決策中，決策者面對五張牌的信息量，并被要求在4秒時間內(nèi)處理完這些信息并做出投資還是選擇固定收益的決策，否則此次決策無效。此時，對被試而言，往往容易形成一定的時間壓力。當個體在時間壓力的情況下進行決策時，其決策質(zhì)量會受到影響[25]。也就是決策者無法很迅速地思考，并通過比較五張牌所呈現(xiàn)的所有屬性（平均值，最大值，最小值，方差等）和固定收益的屬性來得到哪個方案更優(yōu)。決策者為了提高自己的決策速度，會減少在每個選項上所花費的時間，只會關注部分信息而忽略其它信息，從補償性策略轉變?yōu)榉茄a償性策略[11]。按照這種策略，決策者只關注自己認為的幾個重要的部分（比如當前最大值最小值和固定收益的大小關系），缺乏計算的動機，此時大腦所調(diào)用的認知資源少。在ERP成分中，P2反映的是注意資源的分配，分配的注意資源越多，P2的波幅也越大[16, 26]。因此在第一次決策中引起的P2波幅小。

而在第二次決策中，當信息過濾到兩張牌時，由于接收到的信息減少，被試只需對2張牌的屬性和固定數(shù)值進行比較，因此，即使是在同樣的4s內(nèi)，決策者也有能力處理完這些信息，并作出選擇。決策者會更傾向于用補償性策略來分析剩余的牌面信息，此時決策者會發(fā)現(xiàn)，剩余兩張牌的平均收益和固定收益一致，那么在這種兩個選項得到的結果的期望一致的情況下，決策者需要更大的認知努力來來追求決策的精確度[8]，會綜合期望值、方差等屬性以及前一次決策信息來思考，該信息加工程度變深，需要更大的認知努力占用了更多的認知資源[27-28]，因此引發(fā)了更大的P2。

由此可見，在信息過濾前后，個體在信息加工時引發(fā)的P2成分的顯著差異，表明了個體在兩種情境下具有不同的認知過程。一開始，在面對大量信息，并所給時間比較短時，個體傾向于采用非補償性策略，只關注幾點重要的信息，調(diào)用較少的認知資源；在信息過濾后，信息量減少，時間相對充裕，決策者傾向于選擇采用補償性策略，調(diào)用更多的認知資源進行全面的信息加工。

4.2 ERN

從整體上看，信息過濾后的ERN振幅顯著大于信息過濾之前。在第一次決策時，決策者處于時間壓力狀態(tài)，決策時傾向于采用非補償性策略進行直覺判斷，為了在短時間內(nèi)做出決策，此時，決策者更多的是追求速度，ERN波幅小[23]。而第二次決策時，決策者在給定的時間內(nèi)有能力對各個備選方案的風險進行甄別，此時追求的是準確率，因此 ERN的波幅大[23]。

然而，行動選擇階段的ERN和冒險決策的行為有關，信息過濾前和過濾后信息量的不同，決策者感知的風險也不相同。根據(jù)本實驗的設計，如果第一次決策選擇保守策略，則該試次會直接結束，不會讓被試進行第二階段的決策。因此，我們只選取在第一次和第二次決策時都選擇冒險的試次，并對前后兩次決策的ERN進行比較，從而進一步探討不同信息量對決策者神經(jīng)機制的影響。結果表明，信息過濾前后冒險決策ERN的波幅有顯著差異，過濾后冒險的ERN顯著大于過濾前冒險的ERN，這說明在信息過濾后決策者感受到了更強烈的風險沖突。因為信息過濾到兩張牌之后，剩余信息很明確，在對信息全面加工之后，決策者更清楚地感知到他只有一半的概率能夠拿到超過固定收益的數(shù)額即很容易產(chǎn)生自己的預期結果和真實結果不匹配的情況，因此一旦判斷錯誤便很容易產(chǎn)生后悔的情緒。前人研究也表明，當某兩個備選項的期望相同時候，決策者所感知到的風險是最強的[29]，決策者會擔心自己放棄了安全選項而得到更小的收益，所以更加難以判斷，感知到的風險沖突越高引發(fā)更強振幅的ERN[21]。同時，當決策者面對兩個比較相近的選項時，會選擇補償性策略[8]，追求準確率，此時引發(fā)更大的ERN振幅[23]。因此，與信息過濾前冒險行為的ERN相比信息過濾之后的振幅也就越大。

同時行為數(shù)據(jù)結果表明，雖然第二次決策時決策者也傾向于冒險（風險參與率63%>50%），但是被試在信息過濾后的參與率顯著小于過濾前的參與率。第二次決策時更低的參與率，說明了個體感受到了更大的風險而選擇了更為保守的策略。綜上所述，在信息過濾之后，個體感知風險更大，冒險決策引發(fā)的ERN更大，參與率更低。

本研究從信息過濾的角度來探討信息量變化對決策認知過程的影響，豐富了我們對信息過濾下決策過程及機理的認識和理解，得到的結果不僅驗證了以往從行為實驗角度分析得出的“個體在多重選項時傾向于非補償性策略[29]，在少量選項時選擇使用補償性策略[8]”的結論，更重要的，是揭示個體決策的內(nèi)在認知機理，從而拓展了以往的研究。同時，本研究前后兩次決策密切相關，第二次的決策條件會受到第一次決策結果的制約，很好的模擬了動態(tài)的信息過濾過程以及決策過程。這也是對以往關于信息量變化對決策影響研究的一個很大的補充和創(chuàng)新。

本研究結果不僅在理論上有一定的貢獻，在實際應用中也有很好的體現(xiàn)。比如在網(wǎng)絡購物中，很多時候消費者因為無法獲取實際體驗，只能通過頁面提供的信息做出決策判斷。從我們的實驗結果來看，在面對大量信息時如商品基本信息，消費者可能不愿意認真分析反而只是關注一些主要商品屬性和關鍵信息，因為在短時間內(nèi)分析多維信息難度大從而會降低決策認真程度。而對于個體篩選所剩下的較為集中的關鍵信息，消費者會花費更多的注意力去解讀評估。因此，本研究結果可以應用于互聯(lián)網(wǎng)購物平臺如何為客戶提供有效信息而優(yōu)化服務領域。

5結論

本研究基于個體決策過程信息過濾的規(guī)律，首次嘗試從信息過濾的角度出發(fā)，來探索信息數(shù)量與不確定決策認知過程和風險感知的關系，通過事件相關電位工具，發(fā)現(xiàn)了用以表征信息過濾過程中信息加工和行動選擇聯(lián)系的腦電成份P2和ERN，揭示了個體決策的大腦認知機制。研究發(fā)現(xiàn)，當面對信息大量卻需要快速決策的時候，個體處于時間壓力狀態(tài)下，更傾向于采用非補償性策略去決策，此時，調(diào)用的認知資源更少，P2的振幅??；當信息量聚焦之后，決策者會調(diào)用大量的認知資源，傾向于選擇補償性策略來進行信息加工，去思考和分析信息之間的差異，此時，P2的振幅更大。同時，當信息過濾后，個體冒險決策時感知的風險變大，風險參與率降低，同時，感知到的錯誤率會增加，從而引發(fā)更大的ERN。

[1] 汪蕾, 沈翔宇, &林志萍, 基于決策神經(jīng)科學的風險決策與含糊決策研究進展[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, 基于信息更新視角的不確定決策機理研究[D]. 浙江大學.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] 趙侖:ERPs 實驗教程 [M]. 東南大學出版社, 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] Sundstr?m, 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

中文編輯：杜 ??；英文編輯：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

國家自然科學基金面上資助項目（71471163，71071135）

鄭杰慧（1991—），女，江西上饒人。浙江大學管理學院博士生研究生，研究方向：不確定性決策，仿真模擬和金融電子商務研究。