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 realizar un juicio general. La teoría propone tres funciones .

La función de valoración${\displaystyle V(S)}$es un mapeo derivado empíricamente de estímulos a una escala de intervalo . Es único hasta una transformación de intercambio de intervalo (${\displaystyle y=ax+b}$).

La función de integración${\displaystyle r=I\{s_{1},s_{2},..,s_{n}\}}$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. Estas pueden ser sumas, promedios , promedios ponderados , multiplicaciones, etc.

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

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

En la teoría de la integración de la información se utilizan tres tipos principales de modelos algebraicos: suma, promedio y multiplicación. Modelos de suma${\displaystyle R=}$reacción/comportamiento manifiesto ${\displaystyle F/G=}$factores contribuyentes

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

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

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

Dos ventajas de añadir modelos:

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

• 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 referencia. 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 la Información Humana.
• Norman, KL (1976). Una solución para pesos y valores de escala en la medición funcional. Psychological Review, 83 , 80–84.

• Modelos de integración de estímulos iterados para estimaciones de verosimilitud. Archivado el 8 de septiembre de 2006 en Wayback Machine.