Reduzindo a Inconsistência nas Decisões de Avaliação Imobiliária

A galera muitas vezes não toma decisões de forma consistente. Isso significa que a mesma pessoa pode fazer escolhas diferentes em momentos diferentes, e pessoas diferentes podem ter opiniões bem distintas mesmo olhando a mesma informação. Essa inconsistência pode rolar em várias áreas, como avaliações de trabalho, avaliações de imóveis e até em revisões de pesquisas científicas.

No nosso estudo, a gente investigou formas de ajudar as pessoas a tomarem decisões mais consistentes, especialmente na avaliação de imóveis. A gente explorou se usar ferramentas de decisão algorítmica-que ajudam as pessoas a escolher-pode reduzir essa inconsistência. Nossa pesquisa envolveu um experimento grande com participantes humanos, e testamos como diferentes tipos de ajuda influenciaram a forma como as pessoas avaliavam os preços de imóveis.

#Contexto

Pesquisas mostraram que os julgamentos humanos podem variar bastante. Mesmo recebendo a mesma informação, pessoas diferentes podem chegar a conclusões diferentes. Essa inconsistência pode ser um problema em várias áreas, como no direito, onde casos similares deveriam ser tratados da mesma forma.

Enquanto algumas variações de opinião podem ser valiosas-refletindo experiências e perspectivas individuais-em muitos casos, a consistência é desejável. Por exemplo, bancos e seguradoras esperam uniformidade na forma como as pessoas avaliam casos similares. Na comunidade científica, o processo de revisão por pares levanta preocupações sobre as diferenças em como os revisores avaliam o mesmo artigo.

A gente queria entender como poderíamos reduzir a inconsistência na tomada de decisão humana usando suporte algorítmico. Essa pesquisa pode ajudar a organizar tarefas entre vários tomadores de decisão sem perder a consistência.

#Design Experimental

Realizamos um experimento em larga escala onde os participantes estimaram preços de imóveis. Criamos cinco condições diferentes pra ver como as pessoas reagiam a várias abordagens para revisar suas estimativas:

1. Condição T1: Os participantes revisaram suas estimativas uma por uma, sem ajuda.
2. Condição T2: Os participantes revisaram suas estimativas uma por uma, mas receberam conselhos tradicionais de máquinas.
3. Condição T3: Os participantes revisaram suas estimativas em comparações pareadas escolhidas aleatoriamente.
4. Condição T4: Os participantes revisaram suas estimativas em comparações pareadas significativas, sem conselhos diretos.
5. Condição T5: Os participantes revisaram suas estimativas em comparações pareadas significativas com conselhos de máquinas.

Os participantes começaram estimando os preços de vários apartamentos. Depois, revisaram suas estimativas com base nas diferentes condições experimentais.

#Principais Descobertas

#Atualizando Decisões

Nossas descobertas mostraram que as pessoas estavam mais propensas a mudar suas estimativas iniciais quando tinham ajuda. Nas condições T2, T4 e T5, os participantes atualizaram suas estimativas com mais frequência do que na condição controle (T1). A influência mais forte veio do conselho tradicional de máquinas em T2, onde os participantes atualizaram um número significativo de decisões.

#Precisão das Decisões

Em seguida, medimos quão precisas eram as estimativas após a fase de revisão. As condições T2, T4 e T5 levaram a estimativas mais precisas em comparação ao baseline (T1). Os participantes que receberam conselhos de máquinas mostraram a maior melhora.

#Consistência Entre Participantes

Também olhamos como as decisões eram consistentes entre os diferentes participantes. Os resultados indicaram que as condições T2, T4 e T5 causaram um aumento na consistência entre as estimativas de diferentes respondentes. O uso de assistência algorítmica parecia aumentar o acordo sobre as estimativas de preços entre os participantes.

#Discussão dos Resultados

#Conselho de Máquinas

O conselho tradicional de máquinas na condição T2 foi eficaz em ajudar as pessoas a refinarem suas estimativas de preços. Isso se alinha com pesquisas existentes, que sugerem que quando as pessoas recebem informações precisas de máquinas, elas tendem a confiar e se apoiar mais nisso.

#Comparações Pareadas

Ao comparar decisões em pares (como na T3), descobrimos que pares escolhidos aleatoriamente não melhoraram a precisão ou a consistência. Porém, quando os participantes revisaram pares significativos (T4 e T5), eles tomaram decisões melhores e mais consistentes. Isso enfatiza a importância de guiar como as comparações são feitas.

#Implicações para Pesquisas Futuras

Nossas descobertas têm implicações além da avaliação de imóveis. O uso de assistência algorítmica pode se aplicar a qualquer processo de tomada de decisão onde a consistência é valorizada. A abordagem de comparações significativas abre novas avenidas para melhorar estruturas de decisão em várias áreas.

#Conclusão

Nossa pesquisa demonstra que a assistência algorítmica pode ajudar a reduzir incoerências na tomada de decisões humanas. Ao fornecer comparações significativas e conselhos tradicionais, a gente pode melhorar a qualidade e a consistência das decisões. À medida que as ferramentas de tomada de decisão evoluem, devemos continuar explorando o potencial dos algoritmos para apoiar as escolhas humanas, enquanto preservamos a valiosa diversidade de opiniões.