根據史蒂文斯理工學院（StevensInstituteofTechnology）的最新研究，即使是極少量的過剩信息也會阻礙有效決策。過多的信息會影響決策。這對公共衛生有影響，簡化、集中的信息可以改善選擇。
當面臨具有挑戰性的選擇時，個人往往會本能地尋求大量信息。然而，最近發表在《認知研究》（Cognitive Research： 原理與意義）雜志上發表的最新研究表明，這實際上可能是一個問題：大量湧入的事實和細節往往會損害而不是提高決策質量。
法伯講座副教授薩曼莎-克萊因伯格（Samantha Kleinberg）是這篇論文的第一作者，也是史蒂文斯理工學院（Stevens Institute of Technology）的計算機科學傢。他表示，現實情況是，當涉及到信息時，並不一定越多越好。
為研究人們如何做出決策，研究人員通常會創建簡單的圖表--或因果模型--來展示不同因素如何在邏輯上相互作用，從而產生特定的結果。
在描述抽象的假設情景時，比如外星人如何在舞會上一決高下，大多數人都能有效地推理出這類模型，因為他們對外星人的舞會沒有任何偏見或成見。人們之所以能做出正確的決定，是因為他們專註於所獲得的信息。
管理減肥的復雜因果模型示例，包含相關信息和無關信息。當模型中沒有突出顯示相關信息時，參與者在面對一系列問題時就會做出錯誤的決定。資料來源：史蒂文斯理工學院
但是，克萊因伯格的研究表明，當涉及到日常場景時，比如如何在營養方面做出健康的決定，人們的有效推理能力幾乎消失殆盡。
克萊因伯格解釋說："我們認為，人們的先驗知識和信念會分散他們對眼前因果模型的註意力。比如說，如果我在推理吃什麼，我可能會對吃什麼最好有各種先入為主的看法--這就使得我更難有效地利用所獲得的信息"。
為驗證這一假設，在2020年研究的基礎上，克萊恩伯格和合著者、利哈伊大學認知心理學傢傑西凱-馬什（Jessecae Marsh）進行一系列實驗，探索人們在面對不同類型的因果模型時，其決策會有怎樣的變化，這些模型涉及廣泛的現實生活主題，從買房子、控制體重到選擇大學和提高投票率。很快我們就發現，人們知道如何使用因果模型，但隻要在做出正確決策所嚴格必需的信息之外再添加一點細節，即使是非常簡單的模型也會很快變得毫無用處。"
克萊因伯格說："真正不起的是，即使是極少量的多餘信息，也會對我們的決策產生很大的負面影響。如果獲得太多的信息，你的決策很快就會變得和沒有獲得任何信息一樣糟糕。"
如果一個因果模型顯示，吃咸的食物會使血壓升高，但同時也顯示無關的信息，比如喝水會讓你不那麼渴，那麼人們就很難就保持健康的最佳方式做出有效的選擇。然而，當克萊因伯格的團隊強調突出的因果信息時，人們做出正確決定的能力很快就恢復。
這一點意義重大，因為它表明，問題不僅僅在於人們被大量的信息所淹沒，更重要的是，他們正在努力找出自己應該關註模型中的哪些部分。
這項工作對公共衛生等領域具有重要意義，因為它意味著教育信息需要濃縮到最基本的部分，並仔細呈現，才能產生積極影響。克萊因伯格說："如果你在人們決定是否戴口罩或進行 COVID 檢測或吃什麼或喝什麼時，給他們列出一個需要考慮的事項清單，那麼你實際上是在增加他們做出正確決定的難度。"
即使克萊因伯格和馬什讓參與者選擇接受更多或更少的信息，要求獲得更多信息的人做出的決定也比要求獲得更少信息的人要差："如果你給人們過度思考的機會，即使他們要求更多的信息，事情也會變得糟糕。人們需要簡單且目標明確的因果模型，這樣才能做出正確的決策。"
輔助決策的一種方法可能是使用人工智能聊天機器人，根據具體情況為個人量身定制健康信息或營養建議--實質上就是將復雜的因果模型輸入人工智能模型，讓它檢測並突出顯示與特定個人最相關的特定信息。