O economista ganhador do Prêmio Nobel Richard Thaler brincou:"As pessoas não são burras, o mundo é difícil".
Na verdade, rotineiramente encontramos problemas em nossas vidas cotidianas que parecem complexos – desde a escolha do melhor plano de eletricidade até a decisão de como gastar nosso dinheiro com eficiência.

Os australianos pagam centenas de milhões de dólares por ano para sites de comparação e grupos focados no consumidor, como CHOICE, para ajudá-los a tomar decisões sobre produtos e serviços.

Mas como podemos medir objetivamente quão "complexas" nossas decisões realmente são? Nossa pesquisa, publicada recentemente em Relatórios Científicos , oferece uma maneira potencial de fazer isso, baseando-se em conceitos da ciência da computação e de sistemas.

Por que se preocupar em medir a complexidade?

Existem vários fatores quando se trata de medir a complexidade em qualquer cenário. Por exemplo, pode haver várias opções para escolher e cada opção pode ter vários recursos diferentes a serem considerados.

Suponha que você queira comprar geléia. Isso será fácil se houver apenas dois sabores disponíveis, mas difícil se houver dezenas. No entanto, escolher um plano de eletricidade seria muito mais difícil, mesmo com apenas duas opções.

Em outras palavras, você não pode isolar um fator específico ao tentar determinar a complexidade de algo. Você tem que considerar o problema como um todo – e isso requer muito mais trabalho.

A capacidade de medir com precisão a complexidade pode ter uma ampla gama de aplicações práticas, incluindo informar o design de:

• regulamento sobre como produtos complexos devem ser
• sistemas digitais fáceis de navegar, incluindo sites, aplicativos e programas de dispositivos inteligentes
• produtos fáceis de entender. Estes podem ser produtos financeiros (planos de aposentadoria e seguro, esquemas de cartão de crédito), produtos físicos (dispositivos) ou produtos virtuais (software)
• inteligência artificial (IA) que oferece conselhos quando os problemas são muito complexos para os humanos. Por exemplo, um agendador de IA pode permitir que você mesmo agende reuniões antes de sugerir horários e locais ideais para reuniões com base em seu histórico.

Como estudamos a tomada de decisão humana

A ciência da computação pode nos ajudar a resolver problemas:a informação entra e uma (ou mais) soluções saem. No entanto, a quantidade de computação necessária para isso pode variar muito, dependendo do problema.

Nós e nossos colegas usamos uma estrutura matemática precisa, chamada "teoria da complexidade computacional", que quantifica quanta computação é necessária para resolver qualquer problema.

A ideia por trás disso é medir a quantidade de recursos computacionais (como tempo ou memória) que um algoritmo de computador precisa para resolver problemas. Quanto mais tempo ou memória precisar, mais complexo será o problema.

Uma vez estabelecido, os problemas podem ser categorizados em "classes" com base em sua complexidade.

Em nosso trabalho, estávamos particularmente interessados ​​em como a complexidade (conforme determinada pela teoria da complexidade computacional) corresponde à quantidade real de esforço que as pessoas devem colocar para resolver certos problemas.

Queríamos saber se a teoria da complexidade computacional poderia prever com precisão o quanto os humanos lutariam em uma determinada situação e quão precisa seria a resolução de problemas.

Testar nossa hipótese

Nós nos concentramos em três tipos de tarefas experimentais, para as quais você pode ver exemplos abaixo. Todos esses tipos de tarefas estão dentro de uma classe mais ampla de problemas complexos chamados problemas "NP-completos".

Cada tipo de tarefa requer uma habilidade diferente para um bom desempenho. Especificamente:

• Tarefas de "satisfatibilidade" requerem lógica abstrata
• tarefas de "vendedor viajante" exigem habilidades de navegação espacial e
• Tarefas de "mochila" requerem aritmética.

Todos os três são onipresentes na vida real e refletem problemas do dia-a-dia, como teste de software (satisfatibilidade), planejamento de uma viagem (vendedor viajante) e compras ou investimentos (mochila).

Recrutamos 67 pessoas, dividimos em três grupos e fizemos cada grupo resolver entre 64 e 72 variações diferentes de um dos três tipos de tarefa.

Também usamos a teoria da complexidade computacional e algoritmos de computador para descobrir quais tarefas eram de "alta complexidade" para um computador, antes de compará-las com os resultados de nossos solucionadores de problemas humanos.

Esperávamos – supondo que a teoria da complexidade computacional fosse congruente com a forma como pessoas reais resolvem problemas – que nossos participantes gastassem mais tempo em tarefas identificadas como de "alta complexidade" para um computador. Também esperávamos menor precisão na resolução de problemas nessas tarefas.

Em ambos os casos, foi exatamente isso que encontramos. Em média, as pessoas se saíram duas vezes melhor nos casos de menor complexidade em comparação com os casos de maior complexidade.

A ciência da computação pode medir a 'complexidade' para humanos

Nossos resultados sugerem que o esforço por si só não é suficiente para garantir que alguém se saia bem em um problema complexo. Alguns problemas serão difíceis, não importa o que aconteça - e esses são os espaços em que os auxílios avançados de decisão e a IA podem brilhar.

Em termos práticos, a capacidade de avaliar a complexidade de uma ampla gama de tarefas pode ajudar a fornecer às pessoas o suporte necessário para lidar com essas tarefas no dia-a-dia.

O resultado mais importante foi que nossas previsões baseadas na teoria da complexidade computacional sobre quais tarefas os humanos achariam mais difíceis foram consistentes em todos os três tipos de tarefa – apesar de cada uma exigir habilidades diferentes para resolver.

Além disso, se pudermos prever com que dificuldade os humanos encontrarão tarefas nesses três problemas, ele deverá ser capaz de fazer o mesmo para os mais de 3.000 outros problemas NP-completos.

Isso inclui obstáculos igualmente comuns, como agendamento de tarefas, compras, design de circuitos e jogabilidade.

Agora, para colocar a pesquisa em prática

Embora nossos resultados sejam empolgantes, ainda há um longo caminho a percorrer. Por um lado, nossa pesquisa usou tarefas rápidas e abstratas em um ambiente de laboratório controlado. Essas tarefas podem modelar escolhas da vida real, mas não representam real escolhas da vida real.

O próximo passo é aplicar técnicas semelhantes a tarefas que se assemelham mais às escolhas da vida real. Por exemplo, podemos usar a teoria da complexidade computacional para medir a complexidade de escolher entre diferentes cartões de crédito?

O progresso neste espaço pode nos ajudar a descobrir novas maneiras de ajudar as pessoas a fazer escolhas melhores, todos os dias, em várias facetas da vida. + Explorar mais

Pesquisadores desenvolvem algoritmo para dividir tarefas para equipes humano-robô

Este artigo é republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.