Teoría de la integración de la información

Diagrama esquemático de la teoría de la integración de la información

La teoría de la integración de la información fue propuesta por Norman H. Anderson para describir y modelar cómo una persona integra información de varias fuentes para emitir un juicio general. La teoría propone tres funciones :

La función de valoración es una aplicación derivada empíricamente de los estímulos a una escala de intervalo . Es única hasta una transformación de intercambio de intervalo ( ). ${\displaystyle V(S)}$ ${\displaystyle y=ax+b}$

La función de integración es una función algebraica que combina los valores subjetivos de la información. El "álgebra cognitiva" se refiere a la clase de funciones que se utilizan para modelar el proceso de integración. Pueden ser suma, promedia , promedio ponderado , multiplicación, etc. ${\displaystyle r=I\{s_{1},s_{2},..,s_{n}\}}$

La función de producción de respuesta es el proceso mediante el cual la impresión interna se traduce en una respuesta manifiesta. ${\displaystyle R=M(r)}$

La teoría de la integración de la información se diferencia de otras teorías en que no se basa en un principio de consistencia como el equilibrio o la congruencia, sino que se apoya en modelos algebraicos . La teoría también se conoce como medición funcional, porque puede proporcionar valores de escala validados de los estímulos. En el libro de texto de David J. Weiss se ofrece un tratamiento elemental de la teoría, junto con un programa de Microsoft Windows para realizar análisis de medición funcional. ^[1]

Modelos de integración

Existen tres tipos principales de modelos algebraicos utilizados en la teoría de integración de la información: suma, promedio y multiplicación.
Modelos de suma Reacción/comportamiento manifiesto Factores contribuyentes
${\displaystyle R=}$
${\displaystyle F/G=}$

${\displaystyle R_{1}=F_{1}+G_{1}}$(Condición 1) (Condición 2)
${\displaystyle R_{2}=F_{2}+G_{2}}$

Normalmente, un experimento se diseña de modo que: , y , de modo que .
${\displaystyle R_{1}=R_{2}}$
${\displaystyle F_{1}>F_{2}}$
${\displaystyle G_{1}<G_{2}}$

Existen dos casos especiales conocidos como descuento y aumento.

Descuento : El valor de cualquier factor se reduce si se añaden otros factores que producen el mismo efecto.
Ejemplo: no está presente o tiene un valor de cero. Si es positivo, entonces G ₁ debe ser menor que . Aumento : Una versión inversa del modelo típico. Ejemplo: Si es negativo, entonces debe ser mayor que . ${\displaystyle F_{2}}$ ${\displaystyle F_{1}}$ ${\displaystyle G_{2}}$


${\displaystyle F_{1}}$ ${\displaystyle G_{1}}$ ${\displaystyle G_{2}}$

Dos ventajas de agregar modelos:

1. No es necesario que los participantes tengan un cálculo intuitivo exacto.
2. El modelo de adición en sí no tiene por qué ser completamente válido. Ciertos tipos de interacción entre los factores no afectarían las conclusiones cualitativas.

Notas

1. Weiss, DJ (2006). Análisis de varianza y medición funcional: una guía práctica. Nueva York: Oxford University Press.

Referencias

• Anderson, NH Aplicación de un modelo aditivo a la formación de impresiones. Science , 1962, 138, 817–818
• Anderson, NH Sobre la cuantificación de la teoría del conflicto de Miller. Psychological Review , 1962, 69, 400–414
• Anderson, NH Un modelo simple para la integración de la información. En RP Abelson, E. Aronson, WJ McGuire, TM Newcomb, MJ Rosenberg y PH Tannenbaum (Eds.), Teorías de la consistencia cognitiva: un libro de consulta. Chicago: Rand McNally, 1968
• Anderson, NH Medición funcional y juicio psicofísico. Psychological Review , 1970, 77, 153- 170.
• Anderson, NH Teoría de la integración y cambio de actitud. Psychological Review , 1971, 78, 171–206.
• Anderson, NH (1981). Fundamentos de la teoría de la integración de la información . Nueva York: Academic Press.
• Norman, KL (1973). Un método de estimación de máxima verosimilitud para modelos de integración de información . (CHIP No. 35). La Jolla, California: Universidad de California, San Diego, Centro para el Procesamiento de Información Humana.
• Norman, KL (1976). Una solución para pesos y valores de escala en la medición funcional. Psychological Review, 83 , 80–84.

Enlaces externos

• Modelos de integración de estímulos iterados para estimaciones de verosimilitud