Nudges en el mundo digital

Introducción

Este blog se basa en el artículo de Bergram et al. “The Digital Landscape of Nudging: A Systematic Literature Review of Empirical Research on Digital Nudges”.

A continuación, se define el concepto de nudge, y luego de describen los principales nudges utilizados en entornos digitales.

¿Qué es un nudge?

El concepto de nudge o empuje (o empujoncito) surgió en el campo de la economía conductual y la formulación de políticas, tras la publicación del libro “Nudge: Improving Decisions About Health, Wealth and Happiness”, escrito por Richard H. Thaler y Cass R. Sunstein. Desde entonces se ha convertido en una importante herramienta en la formulación de políticas públicas y el marketing.

La base del concepto de empuje es la arquitectura de elección, es decir, el entorno donde ocurren las elecciones y los comportamientos. Por ejemplo, la disposición de los productos en un supermercado, donde la ubicación de algunos productos (pasillos; parte central de las góndolas, al alcance de la mano; cajas) aumenta la probabilidad de que sean comprados.

A continuación, se presentan algunas definiciones formales de nudge:

  • Un nudge es una intervención que orienta a las personas en direcciones particulares, pero que también les permite tomar su propia dirección (Sunstein, 2015). En otras palabras, el nudge orienta el comportamiento de manera predecible, mientras preserva el conjunto de opciones y mantiene los incentivos económicos.
  • Un nudge es cualquier aspecto de la arquitectura de elección que altere el comportamiento de las personas de una manera predecible sin (1) prohibir ninguna opción o (2) sin cambiar significativamente los incentivos, ya sean en términos de tiempo, esfuerzo, sanciones sociales, económicos, etc.  (Hansen, 2016) (3) Los empujes se justifican debido a los límites cognitivos, sesgos, rutinas y hábitos en la toma de decisiones individual y social, y (4) funcionan utilizando esos límites, sesgos, rutinas y hábitos como partes integrales de la arquitectura de elección.

Otras definiciones también incluyen criterios éticos en sus requisitos, como la transparencia, el bienestar, el respeto o la autonomía del individuo al que se dirige el nudge.

¿Qué es un nudge digital?

Un nudge digital sepuede definir extendiendo la definición de Sunstein (2015) (o la de Hansen): el nudge digital es una intervención que orienta a las personas en direcciones particulares, pero que también les permite tomar su propia dirección… y que ocurre específicamente en un entorno digital, como “el uso de elementos de diseño de la interfaz de usuario para guiar el comportamiento de las personas en entornos de elección digitales” (Weinmann et al., 2016)

Características de los nudges digitales

Existen dos características que diferencian el empuje digital del empuje convencional: la personalización y la interconexión.

La personalización se relaciona con los dispositivos y los datos, por ejemplo, ubicación, demografía del usuario, acciones del usuario; cuyo análisis permite personalizar dinámicamente la arquitectura de elección de los usuarios individuales. Por ejemplo, un sitio web puede recomendar a un usuario libros que previamente cotizó.

La interconexión se relaciona con la ubicuidad de los servicios de redes sociales, al uso generalizado de las herramientas digitales, lo que permite interconectar las arquitecturas de elección de un usuario con las de otros. Es decir, (1) la arquitectura de elección de un usuario puede contener información de otros usuarios y (2) las acciones y elecciones de un usuario pueden, a su vez, modificar dinámicamente la arquitectura de elección de otros usuarios. Por ejemplo, los sistemas de recomendación pueden hacer recomendaciones en base a las elecciones de otros usuarios con preferencias similares.

Este tipo de entorno hace que sea muy difícil predecir el resultado de un cambio en la arquitectura de elección (es decir, un nudge), ya que no opera en un vacío. Las consecuencias del diseño del empuje digital pueden ser no intencionadas y de gran alcance, como la influencia algorítmica en elecciones democráticas, la rápida difusión de noticias falsas, la radicalización ideológica de los usuarios, o la tendencia de que una gran mayoría de usuarios acepten términos y políticas de privacidad de datos sin leerlas jamás.

Impactos de los nudges digitales

Hummel y Maedche (2019) realizaron una revisión cuantitativa de los tamaños relativos de los efectos de los nudges. En su artículo categorizan los empujes en diez categorías diferentes: por defecto, simplificación, referencia social, esfuerzo de cambio, divulgación, advertencias/gráficos, compromiso previo, recordatorios, provocar intenciones de implementación, retroalimentación. Encuentran que, según los tamaños de efecto promedio, los empujes por defecto parecen ser el tipo de empuje más efectivo, mientras que el compromiso parece ser el menos efectivo. Los autores se enfocaron principalmente en empujes convencionales, aunque también investigaron ejemplos de empujes digitales, encontrando que sus efectos no difieren significativamente en comparación con los empujes convencionales.

Patrones de nudges digitales

Bergram et al., en base a la literatura previa, elaboran una lista de los diez principales patrones de empuje:

  1. Social
  2. Refuerzo
  3. Divulgación
  4. Fricción
  5. Retroalimentación
  6. Por defecto
  7. Advertencia
  8. Escasez
  9. Engaño
  10. Compromiso

Empujes sociales

Este empuje guía el comportamiento del usuario al proporcionar referencias sobre cómo se comportan otros usuarios, creando así una norma social.

En un ejemplo clásico, se estudió la influencia de un empuje social para la reutilización de toallas en un hotel (Goldstein et al., 2008). En la habitación de un hotel un cartel informa a un grupo de huéspedes que pueden reutilizar sus toallas si desean ayudar al medio ambiente. A un segundo grupo de huéspedes, se presenta un cartel similar con un texto que menciona que casi el 75% de los huéspedes participan en el programa (empuje social). Se encontró que la reutilización de toallas aumentó significativamente en el segundo grupo.

Un ejemplo de nudge digital es el estudio de Kretzer y Maedche (2018), quienes investigaron cómo se pueden utilizar los empujes sociales en el contexto de los sistemas de información empresarial para alentar a los empleados a reutilizar informes. En particular, evaluaron si los empleados tendrían más tendencia a reutilizar un informe si había una mención junto a él, indicando que alguien más con características similares había disfrutado del informe, por ejemplo: “A Ian, un líder de proyecto del departamento de contabilidad en Francia, le gustó este informe”. Encontraron que los usuarios estaban más inclinados a reutilizar un informe si había sido apreciado por alguien de un rango similar, perteneciente al mismo departamento o de la misma ubicación.

Empujes de refuerzo

Estos empujes refuerzan comportamientos y elecciones al aumentar su saliencia en la mente del usuario. Esto se relaciona con prácticas frecuentes, o en algún mecanismo psicológico subyacente como el priming, donde un estímulo se asocia con un comportamiento deseado (cuando se pide a los participantes que completen la palabra “so_p”, aquellos previamente expuestos a una imagen de una ducha tienden a decir “soap (jabón)”, mientras que los participantes expuestos a una imagen de comida tienden a decir “soup (sopa)” [133]), o el anchoring, donde información relacionada o no relacionada influye en el resultado (cuando se muestra un producto caro a un clientes, y luego se presentan varios productos más baratos, el contraste que los productos menos caros parezcan razonables y asequibles).

Como ilustración, Dennis et al. (2020) realizaron siete experimentos de laboratorio para investigar cómo la utilidad del priming numérico y semántico para influir en la disposición de los usuarios a pagar en contextos de comercio electrónico/marketing. Los usuarios eran expuestos a un estímulo (un producto y su precio) que iba a afectar posteriormente su intención de realizar ciertas compras. Encontraron que ambos tipos de priming parecen funcionar mejor en configuraciones de subastas en línea, y que es posible influir en los usuarios para que paguen más por los productos.

Empujes de divulgación

La divulgación implica agregar información que sea accesible, clara y relevante para la elección que el usuario está a punto de hacer. Por ejemplo, las etiquetas de productos que indican la eficiencia energética de productos eléctricos, o el etiquetado de alimentos que indica si contiene niveles elevados de azúcar, grasas saturadas y calorías.

Gimpel et al. (2020) investigan cómo un empuje de divulgación puede aumentar la capacidad de los usuarios de redes sociales para identificar noticias falsas. En su experimento muestran a los participantes una serie de artículos publicados por proveedores de noticias. Algunos verídicos y otros falsos. En la condición de empuje, divulgan artículos relacionados debajo del artículo principal, para proporcionar conocimientos adicionales a los usuarios. Encuentran que este empuje funciona mejor si los artículos relacionados son una mezcla de artículos verídicos y noticias falsas. De hecho, si los artículos relacionados son solo verídicos, los autores no encuentran un aumento en la detección de noticias falsas.

Empujes de fricción

Un comportamiento puede ser fomentado o desalentado al eliminar o añadir fricción, respectivamente. En este sentido, Bergram et al. consideran que la simplificación, que a veces se considera un tipo propio de nudge, en realidad sería un medio para eliminar la fricción.

Kim et al. (2019) en un experimento de campo mostraron que una tarea de bloqueo con cargas de trabajo muy pequeñas podría limitar el uso de smartphones. En concreto, encontraron que la simple fricción de una aplicación que pedía a los usuarios que ingresaran de 0 a 30 números aleatorios ayudaba a los usuarios a autorregular el uso excesivo de sus smartphones.

Empujes de retroalimentación

Mientras que un empuje de divulgación proporciona información sobre una elección futura del usuario, un empuje de retroalimentación ofrece información sobre un comportamiento pasado o actual del usuario.

Por ejemplo, Okeke et al. (2018) diseñaron y evaluaron una aplicación móvil que proporcionaba retroalimentación háptica (a través del tacto) en forma de vibración continua si los usuarios superaban sus límites diarios en Facebook.

Empujes por defecto

Los empujes por defecto son quizás el patrón más conocido y efectivo para empujar a las personas. La lógica de un empuje por defecto es diseñar la arquitectura de elección de tal manera que el comportamiento por defecto sea el comportamiento deseado (Brown y Krishna, 2004).

Ingendahl et al. (2020) cambiaron la preselección de varias categorías de productos en un escenario de comercio electrónico. El empuje por defecto tuvo éxito en alterar las elecciones de productos entre los usuarios, sobre todo cuando se combinó con un empuje social.

Empujes de advertencia

Diferentes tipos de advertencias y gráficos ayudan a los usuarios al captar su atención sobre varios riesgos o consecuencias. Esto es importante porque los entornos de elección digitales tienden a abstraer los resultados del mundo real para el usuario.

Por ejemplo, en un experimento de laboratorio diseñado para investigar la inercia en la toma de decisiones con herramientas de planificación financiera, Jung y Weinhardt (2018) demostraron cómo los empujes de advertencia de un robot asesor (robo-adviser) pueden mitigar este problema, incluso al controlar por la alfabetización financiera entre los usuarios. Sin embargo, su estudio también sugirió que los empujes por defecto eran más efectivos en este

Empujes de escasez

Los empujes de escasez se basan en la suposición de que las personas asignan más valor a algo que será más difícil de adquirir en el futuro.

Schneider et al. (2018) utilizan un empuje de escasez para aumentar la selección de una opción de crowdfunding al colocar la indicación «solo quedan cinco» junto a ella. Sus resultados muestran que hay una inversión en la preferencia hacia la opción con el empuje de escasez.

Empujes de decepción

Este patrón utiliza mecanismos que afectan de manera encubierta cómo los usuarios perciben las alternativas de elección.

Schneider et al. (2018) proporcionan una buena ilustración de este patrón de empuje. En el contexto de una plataforma de crowdfunding, ofrecen dos opciones a los usuarios: (A) pagar $10 por el eBook, (B) pagar $20 por el eBook y la versión impresa del libro. En este caso, no es fácil comparar las opciones. Al final, el 69% de los participantes elige A. Sin embargo, al añadir la opción señuelo (C): pagar $20 por la versión impresa del libro, el resultado se invierte: el 68% de los participantes elige B. Previsiblemente, casi nadie (el 1% de los participantes) elige C, ya que es objetivamente inferior a B, pero el hecho de que C permita establecer a B como mejor que una opción aumenta su atractivo.

Empujes de compromiso

La idea de este patrón es que cuando se solicitan compromisos al usuario, estos motivan al usuario a comportarse de manera coherente con esos compromisos previos.

En un pequeño experimento en línea, Kroll et al. (2019) utilizaron empujes de compromiso y sociales en un prototipo de interfaz de usuario de una aplicación de hogar inteligente para alentar a los usuarios a ahorrar más energía. Los investigadores solicitaron un compromiso a los usuarios al permitirles preseleccionar de qué dispositivos del hogar (por ejemplo, lavavajillas, bombillas, etc.) deseaban ahorrar energía. Detectaron que no hubo impacto en las actitudes hacia el consumo de energía entre los usuarios cuando estos empujes digitales se usaron por sí solos. Sin embargo, una combinación de empujes de compromiso y sociales condujo a más elecciones de ahorro de energía.

Referencias

Kristoffer Bergram, Marija Djokovic, Valéry Bezençon, and Adrian Holzer. 2022. The Digital Landscape of Nudging: A Systematic Literature Review of Empirical Research on Digital Nudges. In Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems (CHI ’22). Association for Computing Machinery, New York, NY, USA, Article 62, 1–16. https://doi.org/10.1145/3491102.3517638

Christina L Brown and Aradhna Krishna. 2004. The skeptical shopper: A metacognitive account for the efects of default options on choice. Journal of consumer research 31, 3 (2004), 529–539.

Alan R Dennis, Lingyao Yuan, Xuan Feng, Eric Webb, and Christine J Hsieh. 2020. Digital Nudging: Numeric and Semantic Priming in E-Commerce. Journal of Management Information Systems 37, 1 (2020), 39–65.

Pelle Guldborg Hansen. 2016. The defnition of nudge and libertarian paternal-ism: Does the hand ft the glove? European Journal of Risk Regulation 7, 1 (2016), 155–174.

Henner Gimpel, Sebastian Heger, Julia Kasper, and Ricarda Schäfer. 2020. The Power of Related Articles–Improving Fake News Detection on Social Media Platforms. In Proceedings of HCISS’20. ScholarSpace, Maui, HI, USA, 6063–6072

Jaejeung Kim, Joonyoung Park, Hyunsoo Lee, Minsam Ko, and Uichin Lee. 2019. LocknType: Lockout task intervention for discouraging smartphone app use. In Proceedings of the 2019 CHI conference on human factors in computing systems. ACM, Glasgow, Scotland, UK, 1–12.

Moritz Ingendahl, Dennis Hummel, Alexander Maedche, and Tobias Vogel. 2020. Who can be nudged? Examining nudging efectiveness in the context of need for cognition and need for uniqueness. Journal of Consumer Behaviour 20 (2020), 324–336.

Dominik Jung and Christof Weinhardt. 2018. Robo-advisors and fnancial decision inertia: How choice architecture helps to reduce inertia in fnancial planning tools. In Proceedings of ICIS’18. AIS, San Francisco, CA, USA.

Noah J Goldstein, Robert B Cialdini, and Vladas Griskevicius. 2008. A room with a viewpoint: Using social norms to motivate environmental conservation in hotels. Journal of consumer Research 35, 3 (2008), 472–482.

Dennis Hummel, Alexander Maedche. 2019. How effective is nudging? A quantitative review on the effect sizes and limits of empirical nudging studies, Journal of Behavioral and Experimental Economics, Volume 80, 2019, Pages 47-58, ISSN 2214-8043,

Martin Kretzer and Alexander Maedche. 2018. Designing social nudges for enterprise recommendation agents: An investigation in the business intelligence systems context. Journal of the Association for Information Systems 19, 12 (2018), 1145–1186.

Tobias Kroll, Ute Paukstadt, Kseniya Kreidermann, and Milad Mirbabaie. 2019. Nudging people to save energy in smart homes with social norms and self-commitment. In Proceedings of ECIS’19. AIS, Stockholm and Uppsala, Sweden, 1-10.

Fabian Okeke, Michael Sobolev, Nicola Dell, and Deborah Estrin. 2018. Good vibrations: can a digital nudge reduce digital overload?. In Proceedings of Mo-bileHCI’18. ACM, Barcelona, Spain, 1–12.

Christoph Schneider, Markus Weinmann, and Jan Vom Brocke. 2018. Digital nudging: guiding online user choices through interface design. Commun. ACM 61, 7 (2018), 67–73.

Cass R Sunstein. 2015. The ethics of nudging. Yale Journal on Regulation 32, 2 (2015), 413–450.

Richard H Thaler and Cass R Sunstein. 2008. Nudge: Improving decisions about health, wealth, and happiness. Yale University Press, New Haven, CT, USA

Markus Weinmann, Christoph Schneider, and Jan vom Brocke. 2016. Digital nudging. Business & Information Systems Engineering 58, 6 (2016), 433–436

Contenidos relacionados