Neuromarketing in E-Commerce - Compressed - Compressed

Machine Translated by Google
Neuromarketing en E-Commerce: Mouse tracking como

herramienta para descubrir la cognición de un proceso de decisión
TESIS DE DIPLOMA
En cumplimiento parcial de los requisitos para el título.
Máster en Asuntos Sociales y Económicos, (Mag. rer. soc. oec.)
Estudios Económicos y Empresariales Internacionales
Prof. Dr. Oliver Koll
Departamento de Dirección Estratégica, Marketing y Turismo
Escuela de Administración de la Universidad de Innsbruck
Presentado por
Alejandro HEIMRICH
Innsbruck, octubre de 2020

Tabla de contenido
Tabla de contenido ............................................... .................................................... ....................................1
Resumen………………………………………………………………………………………………………………………………… ……………3
Lista de Figuras…………………………………………………………………………………………………………………………. ………….3
Lista de tablas…………………………………………………………………………………………………………………………… …………5
Lista de abreviaciones……………………………………………………………………………………….............. ........................5
1. Introducción............................................... .................................................... ........................................6
2. Antecedentes teóricos ............................................... .................................................... .......................8
2.1 Toma de decisiones del consumidor ............................................... .................................................... ..8
2.1.1 Toma de decisiones económicas y dificultad de decisión ........................................... ..........8
2.1.2 Modelo BCE .............................................. .. .................................................. ... .............11
2.1.3 Teoría del Proceso Dual.................................................... .......................................................14
2.1.4 Neuromarketing..................................................................................................15
2.2 Rastreo del Ratón................................................... .................................................... ..........17
2.2.1 Investigación de seguimiento de ratones .................................. ..........................................17
2.2.2 Rastreador de ratón ............................................. .................................................... .....20
2.2.3 Ratonera ............................................... .................................................... ..........21
2.2.4 Webtrackr................................................ .................................................... ..........22
2.2.5 Seguimiento ocular................................................ .................................................... ..........22
2.3 Análisis de trayectoria.................................................... .................................................... .............23
2.3.1 Análisis de curvatura................................................ ..........................................................23
2.3.2 Análisis temporal.................................................. .................................................... 25
2.3.3 Complejidad de la trayectoria ............................................... .............................................26
2.3.4 Distribución de respuestas ........................................... ..........................................27
1
2.3.5 Análisis de componentes principales........................................... ..........................29
3. Hipótesis.................................................... .................................................... ..........................................31
3.1 Complejidad de la Trayectoria como Consecuencia de la Dificultad de Decisión – Hipótesis 1.................33
3.2 Curvatura de la trayectoria como consecuencia de la dificultad de decisión – Hipótesis 2 ...............35
3.3 Comportamiento Temporal como Consecuencia de la Dificultad de Decisión – Hipótesis 3..........................35
4. Metodología.................................................. .................................................... ....................................35
4.1 Prueba previa................................................ .................................................... ..............................35
4.2 Experimento.................................................. .................................................... .......................39
4.2.1 Recopilación de datos ............................................. .................................................... ....39
4.2.2 Configuración del experimento ........................................... .................................................... 40
4.2.3 Diseño del experimento y procedimiento de prueba .................................. .......................41
5. Hallazgos empíricos ............................................... .................................................... ..............................42
5.1 Preparación de datos ............................................... .................................................... ...............42
5.2 Resultados de R ............................................... .................................................... .....................44
6. Discusión.................................................. .................................................... .............................................57
6.1 Discusión general................................................... .................................................... .............58
6.2 Implicaciones................................................... .................................................... ......................61
6.3 Limitaciones................................................... .................................................... ........................61
6.4 Investigación adicional .................................................. .................................................... ...............62
6.5 Conclusión................................................. .................................................... ........................62
Referencias
Apéndice
2
Resumen
Esta tesis de diploma tiene como objetivo identificar y comprender los procesos cognitivos de un consumidor cuando
hacer compras en línea. La literatura muestra que la teoría de dos procesos distintos, uno que es
rápido e intuitivo y uno que es lento y deliberado, se puede utilizar para explicar la dificultad de decisión en un
Escenario de comercio electrónico. Como medio, se utilizó el seguimiento del mouse de la computadora, que es una herramienta valiosa para
dar una idea de los procesos mentales de la mente humana. Su capacidad para registrar movimientos motores en un
escala en tiempo real y su simplicidad de aplicación y ejecución lo hace útil para el comportamiento del consumidor
investigar. Con un aumento en la dificultad de decisión, se espera que los movimientos del mouse muestren mayor
Medidas de complejidad y curvatura. Esta tesis incluye hallazgos interesantes para los vendedores en línea.
con respecto a las estrategias de ventas y la colocación de productos, sino que también se dirige a los investigadores para que usen el mouse
seguimiento para investigar más a fondo el comportamiento del consumidor mediante el análisis de los procesos cognitivos. Los resultados de
este estudio se obtuvieron con un experimento que fue ejecutado por 157 participantes en el
Universidad de Innsbruck en la que los sujetos de prueba se enfrentaron a una tarea de elección similar al comercio electrónico. el grabado
los movimientos del ratón se analizaron de forma descriptiva y gráfica y se pusieron en contexto para el consumidor
investigación del comportamiento.
Palabras clave: seguimiento del ratón, comercio electrónico, procesos cognitivos, comportamiento del consumidor
Lista de Figuras
Figura 1 Modelo EKB (cf. Darley, Blankson, & Luethge, 2010, p.96).................................. ...............................
Figura 2 Modelo EKB estilizado (Longart, Wickens & Bakir, 2016, p. 177)................................... .....................
Figura 3 Trayectorias que muestran el conflicto de decisión resuelto por el sistema dual y el sistema dinámico
(Stillman et al., 2017, p. 1242) .................................. .................................................... ............................
Figura 4 Ejemplo de paradigma de seguimiento de ratones (Stillman et. al., 2018, p.533).................................. .............
Figura 5 Espacio de coordenadas estándar de Mouse Tracker con las medidas de atracción espacial MD y AUC
(Freeman & Ambady, 2010, p. 229).................................... .................................................... ..................
Figura 6 Trayectorias normalizadas en el tiempo con una diferencia en las coordenadas x promedio del paso de tiempo
54 a 95 (Kieslich et. al., 2019) ........................................... .................................................. .. ........................
Figura 7 Perfil de ángulo, Velocidad y Aceleración del movimiento del ratón (Stillman et. al., 2018, p.534)....
3
Figura 8 Visualización gráfica de x-flips (Stillman et. al, 2018) .................................. ......................................
Figura 9 Ilustración de unimodalidad y bimodalidad de distribución de trayectoria (Hehman et. al., 2015,
p.396).................................................. .................................................... .................................................... .......
Figura 10 Trayectoria (línea roja) que representa un cambio de mentalidad (Maldonado et. al., 2019, p.3)................
Figura 11 Compilación de productos para el pretest........................................... ..........................................
Figura 12 Gráfico de Barras de Dificultad de Decisión ........................................... .................................................... ....
Figura 13 Gráfico de Barras de Apelación de los Productos Elegidos........................................... .....................................
Figura 14 Gráfico de barras de simpatía de los productos elegidos........................................... ...............................
Figura 15 Pares de productos para el experimento de seguimiento del ratón .................................. ............................
Figura 16 Ejemplo de elección de un producto en el experimento........................................... ................................
Figura 17 Todas las trayectorias registradas reasignadas al lado derecho ........................................... ........................
Figura 18 Diagramas de caja para decisiones fáciles (izquierda) y decisiones difíciles (derecha) con respecto a x-flips ..................
Figura 19 Histograma y Gráfico de Densidad para x-flips en condición fácil y difícil.................................... ....
Figura 20 Diagrama de caja para decisiones fáciles (izquierda) y decisiones difíciles (derecha) con respecto a las inversiones de x....
Figura 21 Histograma para inversiones de x en condición fácil y difícil ........................................... .....................
Figura 22 Trayectorias agregadas por condición, reasignadas al lado derecho........................................... .....
Figura 23 Gráfica de densidad para inversiones de x en condición fácil .................................. .....................................
Figura 24 Diagrama de caja para decisiones fáciles (izquierda) y decisiones difíciles (derecha) con respecto a AUC...........................
Figura 25 Histograma, Density plot y QQplot de AUC por condición fácil (izquierda) y difícil (derecha).........
Figura 26 MAD para trayectorias en condición fácil (izquierda) y difícil (derecha)................................... ............
Figura 27 Gráfica de densidad para MAD por clasificación de trayectoria difícil ........................................... ..................
Figura 28 Gráfico de Histograma y Densidad de MAD_time por condición fácil (izquierda) y difícil (derecha)............
Figura 29 Histograma y QQ-plot para RT por las condiciones fácil (izquierda) y difícil (derecha) ...............
4
Lista de tablas
Tabla 1 Descripción general de las medidas de seguimiento de ratones comúnmente utilizadas (Hehman et. al., 2015; Kieslich et. al.,
2018) ........... .................................................... .................................................... ...............................
Tabla 2 Resultados empíricos para H1 .................................................... .................................................... ...........
Tabla 3 Resultados empíricos para H2 .................................................... .................................................... ...........
Tabla 4 Resultados empíricos para H3 ............................................... .................................................... ..................
Tabla 5 Resumen de hipótesis ............................................... .................................................... ..................
Tabla 6 Resumen de medidas agregadas ............................................... .....................................
lista de abreviaciones
Modelo EKB: modelo de Engel, Kollat y Blackwell
AUC: área bajo la curva
MAD/MAD_time – Desviación absoluta máxima/Tiempo de desviación absoluta máxima
RT - Tiempo de reacción
CSV: valor separado por comas
bc – Coeficiente de bimodalidad
xpos – posición del eje x
ypos – posición del eje y
SD – Desviación Estándar
DPI - Puntos por pulgada
TXT: archivo de texto
HTML: lenguaje de marcado de hipertexto
CSS: hoja de estilo en cascada
PCA - Análisis de componentes principales
5
1. Introducción
Al caminar de A a B en un camino recto, diferentes influencias externas pueden alterar ese camino. Cuando
caminar hacia B y su restaurante de comida rápida favorito (que se encuentra cerca) captura su
atención, podría manipular ligeramente la dirección de su marcha para que no camine en línea recta
más. Aunque decida no ir a un restaurante de comida rápida, su línea final para caminar podría
mostrar un ligero tirón hacia el restaurante en su camino de A a B.
Ahora es cuestionable cómo este ejemplo puede ser apropiado para describir el análisis de marketing en línea.
métodos. Al sentarse frente a una computadora con la mano en el mouse, los movimientos con ese
El ratón puede verse influenciado por numerosos factores. En comparación con el ejemplo anterior, estos mouse
las rutas pueden mostrar un impulso inconsciente hacia una opción no seleccionada que capturó su atención.
Queda la pregunta de cómo esta información puede ser útil para el marketing en línea. Esta tesis intenta
explicar cómo el seguimiento y el análisis de las rutas del mouse pueden ser beneficiosos para las estrategias de comercio electrónico.
El sector del comercio electrónico está creciendo y constituye una gran parte de las ventas minoristas totales. Los internautas crecieron
en un 6% cada año y alcanzó los 3.800 millones de usuarios en 2018, lo que corresponde a la mitad del mundo
población en ese año (Meeker, 2019). En 2020, las ventas totales de comercio electrónico de EE. UU. representan el 16% del
las ventas minoristas totales y la tendencia sugiere un crecimiento para los próximos años (US Census Bureau, 2020).
Las compras en línea tienen claras ventajas sobre una tienda física, ya que proporciona constante
disponibilidad y minimiza las barreras basadas en la ubicación. Además, con las compras móviles, un estacionario
ordenador o portátil no es necesario. Sin embargo, una desventaja de las compras en línea es que el
procedimiento de compra no puede ir acompañado de personal de ventas y medidas de marketing como
la publicidad es la única influencia en una compra. Sin embargo, el gasto en publicidad digital está en aumento y
alcanzado en 2018 - 93.18 Billones de $ en Estados Unidos (Prabhala & Umamaheswara Rao, 2019).
Como consecuencia de la mencionada desventaja de que los procedimientos de compra no pueden ser supervisados, es
Es importante mantener alta la atención del consumidor. Para una publicidad eficaz, las tres claves
los elementos (marca, imágenes y texto) necesitan ser ajustados. Se basan en estrategias competitivas para
captar y mantener la atención de los consumidores (Pieters & Wedel, 2004). Como los recursos atencionales son limitados
y la navegación a través de la web a menudo es rápida y está orientada a objetivos, afirman Davenport y Beck
que la atención pertenece a uno de los recursos más escasos en el negocio de consumo actual (Davenport &
Beck, 2001). Para que un consumidor complete una decisión de compra, el producto de referencia debe pasar por
la alta competencia y el enfoque no deben desviarse hasta que se tome la decisión. La cantidad infinita de
La información que ofrece la web puede suponer una amenaza para la capacidad del consumidor incluso para ejecutar una decisión.
6
Se encuentra que “la carga cognitiva está dañando fundamentalmente la capacidad de un individuo para hacer efectivamente
elecciones” (Deck & Jahedi, p.110, 201ÿ). Por lo tanto, los mercadólogos deben desarrollar estrategias de marketing efectivas.
estrategias para facilitar, potenciar y comprender la toma de decisiones.
Comprender cómo se toman las decisiones en línea se está convirtiendo en una parte crucial para crear anuncios y
también puede ser de ayuda a la hora de diseñar un sitio web (Arroyo et al., 2006). Con un modelo EKB actualizado,
que se subdivide en cinco etapas del proceso de decisión, Darley et al. trató de incorporar un modelo
para explicar cómo se toman las decisiones en la web (Darley et al., 2010). Investiga en línea
el comportamiento del consumidor y el proceso de decisión en línea se realizó principalmente en la investigación de psicología
pero ciertamente se está volviendo relevante para los especialistas en marketing.
Para mejorar la eficiencia de un sitio web y comprender cómo la toma de decisiones en línea puede
influir en el comportamiento de compra, las pruebas A/B pueden ser un método útil. Por lo tanto, los factores que influyen en la
El rendimiento de marketing del sitio web se aísla y se compara entre sí (Dixon et al., 2011). Este
El método es relativamente fácil de implementar pero carece de eficiencia. Se necesita mucho tiempo para lograr
resultados estadísticos significativos, que pueden ser irrelevantes en el momento de la recepción debido al continuo
(Jevremovic et al., 2014).
Otro método común para descubrir el comportamiento del cliente en un sitio web es el seguimiento ocular, que pertenece
a la investigación de la experiencia del usuario y es especialmente eficaz para medir el rendimiento de un sitio web.
Los métodos como el seguimiento ocular permiten inspeccionar el sitio web desde el punto de vista del cliente y su
la usabilidad se extiende desde el desarrollo hasta la optimización posterior al lanzamiento de un sitio web. Mapas de calor que
mostrar las fijaciones de los ojos de un cliente puede ayudar en el diseño de un sitio web, ya que muestran puntos de interés
y estructuras del movimiento ocular (Djamasbi, 2014). Como el seguimiento ocular puede señalar consciente y
comportamiento inconsciente, la investigación sobre la toma de decisiones también ha estado haciendo uso de este método (Fiedler &
Glockner, 2012). Además de sus ventajas, el seguimiento ocular puede ser una práctica costosa y que requiere mucho tiempo.
Similar al seguimiento ocular, el seguimiento del mouse es un nuevo método para rastrear los movimientos del cursor y
descubrir estilos de toma de decisiones. La investigación neurofisiológica muestra que los movimientos de la mano son un
indicador de procesos de decisión cognitiva (Freeman, 2018). Es un método muy extendido en el campo de la
psicología, pero sin duda también tiene el potencial para la investigación de mercados. Como está probado que el cursor
los movimientos representan un proxy de los movimientos oculares, el seguimiento del mouse ha recibido una mayor atención
últimamente (Huang et al., 2012). Un detonante de la popularidad obtenida recientemente es su facilidad de uso y la
capacidad para registrar datos a gran escala (Demšar & Çöltekin, 201ÿ). Según Darley et al. en 2010,
El comportamiento del consumidor en línea y la investigación sobre la toma de decisiones en línea aún son temas poco investigados y
la literatura existente se encuentra todavía en su etapa inicial de desarrollo (Darley et al., 2010). Seguimiento del ratón
7
como una herramienta para descubrir procesos mentales en tiempo real puede hacer avanzar la investigación en ese campo al proporcionar una
conocimiento de las estructuras subyacentes de un proceso de decisión.
Con Internet como una plataforma no regulada, los usuarios están constantemente expuestos a publicidad.
presiones y opciones. Los agentes de recomendación en línea están sugiriendo continuamente productos para
consumidores en función de sus preferencias y comportamiento de navegación web (Häubl & Trifts, 2000). Como
mencionado anteriormente, la cantidad de carga cognitiva puede tener una influencia negativa en la capacidad de decisión.
Nagpal y Krishnamurthy encontraron que una elección bajo alternativas atractivas puede incluso conducir a una negación
de la decisión (Nagpal & Krishnamurthy, 2008).
Para concluir, comprender los procesos de la mente humana ha sido un objetivo de investigación a largo plazo.
El surgimiento de la Teoría del Proceso Dual contribuyó a una aproximación a esa comprensión
y sigue siendo una teoría aceptada para descubrir procesos mentales (Frankish, 2010). Utilizando esta teoría de
dualidad para explicar el comportamiento de decisión en línea con la ayuda del seguimiento del mouse es el objetivo de este
tesis. Comprender los procesos detrás de una decisión puede ser beneficioso para los especialistas en marketing en términos de
colocación de productos, colocación de anuncios, recomendaciones de productos o diseño web. también
ser investigado si el seguimiento del mouse es un método adecuado para detectar y explicar la decisión en línea
comportamiento. La pregunta de investigación es la siguiente:
ÿ¿Cómo pueden los análisis de los movimientos del mouse de la computadora descubrir procesos cognitivos en la compra?
decisión difícilÿÿ ÿ
Para el éxito de esta tesis, se utilizó un enfoque cuantitativo. En un escenario de decisión de dos opciones,
los participantes tuvieron que elegir entre decisiones difíciles y fáciles. Se registraron los movimientos del ratón.
con la ayuda del programa recientemente desarrollado "Webtrackr".
2. Antecedentes teóricos
2.1 Toma de decisiones del consumidor
Las siguientes secciones resumen los conceptos principales de la toma de decisiones y el seguimiento del mouse para obtener una
mejor comprensión, qué papel juega la dificultad de decisión en el comercio electrónico. Primero, decisión económica.
se explica la toma de decisiones y la dificultad. En segundo lugar, las bases del Modelo EKB y el Dual
La teoría del proceso se explica brevemente.
8
2.1.1 Toma de decisiones económicas y dificultad de decisión
En 1993 se introdujo la teoría del campo de decisión de Busemeyer y Townsend. esta teoria
proporciona una explicación matemática fundamentada del comportamiento de decisión en un entorno incierto. Eso
se basa en otras tres teorías del conflicto de acercamiento-evitación con respecto a los aspectos motivacionales,
aspectos de la toma de decisiones y teoría del procesamiento de la información en el contexto del tiempo de respuesta. Ellos
concluyó que siete parámetros son necesarios para tomar una decisión. Estos parámetros son
evaluada en un proceso lento. Factores como la fuerza de las preferencias, el acercamiento-evitación
naturaleza del individuo, o los efectos de compensación son esenciales para formar un resultado de decisión (Busemeyer &
Townsend, 1993).
La investigación en la toma de decisiones económicas se desarrolló desde solo observar los resultados de la decisión hasta
investigar el proceso de decisión en sí. Los hallazgos fueron que la toma de decisiones es un proceso profundamente cognitivo.
proceso y las emociones y los afectos juegan un papel importante en el resultado de la decisión. Por lo tanto,
toma de decisiones recibe un toque individual y no se puede generalizar (Kühberger & Schulte
Mecklenbeck, 2017). Dos piedras angulares importantes que influyen en la toma de decisiones económicas son el valor
y utilidad. El valor se define de manera que el valor de los bienes disminuye cuando su ocurrencia es
abundante. De lo contrario, aumenta cuando es raro. En cuanto a la utilidad del producto, Bernoulli en 1954
introdujo el Principio de la Utilidad Marginal Decreciente, que establece que el uso incremental de un bien
disminuye cuanto más frecuente es el consumo de los bienes (Bernoulli, 1954). Kühberger y Schulte
Mecklenbeck también llama la atención sobre el riesgo y la incertidumbre como factores de influencia en la toma de decisiones. Riesgo
en la toma de decisiones se aplica cuando los posibles resultados negativos son conocidos e integrados en el
proceso de toma de decisiones. La incertidumbre puede venir de varias formas. Según Kahneman y
Tversky, es necesario distinguir entre incertidumbre interna y externa. Incertidumbre interna
se relaciona con los argumentos y el conocimiento de alguien, mientras que la incertidumbre externa se relaciona con las frecuencias
y propensiones (Kahneman & Tvensky, 1982). La interacción de valor, utilidad, incertidumbre y riesgo
construir la base para la toma de decisiones económicas.
Además, la dificultad de decisión depende directamente de cuatro factores diferentes. Según Betman
et al., la dificultad de decisión aumenta cuando aumenta el número de alternativas o atributos, aquellos
el valor de los atributos no está claro, hay incertidumbre acerca de las alternativas y cuando las alternativas
los atributos se parecen entre sí. Varios otros factores de influencia, que determinan qué tan difícil es tomar una decisión.
hacer despliegues, necesitan ser mencionados. Es importante cómo el consumidor puede obtener información
de su entorno. La accesibilidad a la información puede complicar o facilitar las decisiones. También,
las experiencias personales y la influencia social influyen en la dificultad de decisión. El tiempo disponible para la
proceso de decisión y la importancia del resultado de la decisión también pueden tener un impacto. Para mejor
comprender todos los factores de influencia, se pueden categorizar; hay quienes dependen de la
9
la cognición de los consumidores y aquellos que dependen del entorno de toma de decisiones (Bettman et al.,
1991).
Las computadoras e Internet influyen en gran medida en el entorno de toma de decisiones de hoy. Guadango
y Ciadini señalan que la influencia del grupo mediada por computadora tiene un impacto en cómo se toman las decisiones.
siendo hecho. A medida que crecen las posibilidades de comunicación en Internet, esta plataforma sirve como
mediador y promotor de la conexión social. El comportamiento de decisión se altera de acuerdo con las condiciones sociales.
ambiente fuertemente influenciado por el ciberespacio (Guadango & Ciadini, 2005). La posibilidad de
calificar, revisar o recomendar productos puede tener un gran impacto en los compradores potenciales. comercio electrónico
Las empresas están tratando de capturar esta dependencia social en el comportamiento de compra y filtrar datos para
proveedores para aumentar la efectividad de las ventas (Kim & Srivastava, 2007). Häubl y Trifts en 2000
realizaron un experimento en el que probaron de 15 a 20 participantes en varias sesiones en su línea
comportamiento de decisión. Los sujetos tenían que elegir entre tiendas de campaña para mochileros y sistemas estéreo compactos en
diferentes pedidos y para diferentes marcas. Manipularon el proceso de decisión agregando
ayudas de decisión interactivas como una matriz de comparación y un agente de recomendación. Los resultados muestran que
fue más fácil para los participantes decidir con estas herramientas y la calidad de sus decisiones aumentó (Häubl
& Trifts, 2000). Hoy en día, estas herramientas de decisión interactivas están muy extendidas en Internet.
plataforma y ya no se puede imaginar sin ella.
Como el ciberespacio proporciona un flujo de información sin filtrar, la cantidad de alternativas de elección
aumenta, y las capacidades de procesamiento individuales alcanzan sus límites. Haynes en 2009 evaluó a 69 estudiantes
sobre su dificultad de decisión, disfrute de la tarea, arrepentimiento y satisfacción ante un determinado
número de alternativas que deben elegirse en un límite de tiempo. Encontró que la dificultad de decisión aumenta,
y los otros factores de prueba disminuyen cuando aumentan las alternativas de elección y aumenta la presión del tiempo
(Haynes, 2009). De manera similar, Deck y Jahedi probaron el efecto de la carga cognitiva en la economía
Toma de decisiones. Concluyeron, de acuerdo con experimentos anteriores y su experimento, que
representó una tarea de memorización de dígitos al resolver problemas de decisión económica, que la cantidad de
la carga cognitiva perjudica la capacidad de tomar decisiones efectivas (Deck & Jahedi, 2015). Por lo tanto, los
el ciberespacio plantea limitaciones a una elección efectiva.
Para comprender mejor el comportamiento de decisión bajo influencias ambientales, es necesario inspeccionar el
proceso de decisión en sí mismo y determinar qué define la dificultad de decisión. Liberman y Förster mostraron
que la dificultad de decisión está fuertemente relacionada con el atractivo de las alternativas. Decisiones difíciles
se caracterizan por el atractivo comparable de las alternativas, mientras que un espectro más amplio de
el atractivo alternativo caracteriza las decisiones fáciles. Concluyen que la dificultad de decisión es una
moderador de la probabilidad de compra, ya que la alternativa no elegida todavía tiene un valor muy alto. Clientes
podría reconsiderar la alternativa no elegida previamente en una segunda visita a la tienda (Liberman & Förster,
10
2006). Estos resultados están de acuerdo con Jacoby y Craik en 1979. Ellos mostraron en cuatro diferentes
experimentos que después de que un participante completó una tarea de elección difícil, la capacidad de recordar fue
mejor en comparación con una decisión fácil (Jacoby & Craik, 1979). Este efecto de memoria de la dificultad de decisión
apoya la suposición de que la alternativa no elegida todavía tiene un valor alto. para investigar como
la dificultad de decisión se desarrolla en el contexto de las decisiones en línea, Schneider et al. computadora rastreada
movimientos del ratón en un experimento, probando la ambivalencia. Hicieron tres experimentos y
mostró que las trayectorias del ratón tenían más atracción hacia la alternativa no elegida cuando la decisión
los objetos tenían una alta ambivalencia (Schneider et al., 2015). Este resultado también concluye sobre la decisión
efecto motor de la dificultad, que se corresponde con el efecto cognitivo. La dificultad de decisión parece
influenciado en gran medida por el atractivo de las alternativas. Este efecto se ve reforzado por una multitud de
esas alternativas debido a la capacidad ilimitada de Internet.
2.1.2 Modelo BCE
John Dewey fue un influyente filósofo y psicólogo estadounidense que desarrolló el
filosofía del pragmatismo y psicología funcional. Además, su trabajo sobre las “Cinco Etapas
Proceso de resolución de problemas” influyó en la creación del consumidor de Engel, Kollatt y Blackwell (EKB).
modelo de toma de decisiones (Darley, Blankson, & Luethge, 2010). Este modelo (1968) sigue siendo la base
de la investigación reciente sobre la toma de decisiones y cumple con los requisitos actuales (Ashman, Solomon, &
Wolny, 2015). Según el Modelo EKB, el consumidor pasa por cinco etapas de decisión
haciendo cuáles son 1) reconocimiento de problemas, 2) búsqueda de información, 3) evaluación de alternativas, 4)
compra y 5) evaluación posterior a la compra (Engel, Kollat, & Blackwell, 1968). Como este modelo era
desarrollado hace 52 años, el progreso tecnológico cambió la sociedad e influyó mucho en la actualidad
proceso de toma de decisiones. Con el auge de Internet, estas cinco etapas deben interpretarse en el
medio de un mundo digital y en 2015, Ashman et al. creó una versión actualizada de estas cinco etapas
ya que el reconocimiento de problemas debe verse en un contexto mucho más amplio.
Debido a la sobrecarga de información de Internet, aparecen deseos o necesidades no reconocidos y redes sociales.
la influencia, así como la comunicación de marketing, juegan un papel mucho más importante. La segunda etapa,
“búsqueda de información”, debe actualizarse para que hoy en día se disponga de mucha más información sobre
un determinado producto. Hay un cambio de información textual a visual, lo que resulta en gráficos
banners de marketing y de búsqueda de atención. Además, las fuentes no profesionales de información de marketing
ganar popularidad a través de las plataformas de redes sociales. La evaluación alternativa en el mundo digital toma
lugar con diferentes herramientas como sitios web de comparación de precios, clasificación de productos y soporte de chat en vivo
(Breugelmans et al., 2012). Lo que es más importante, las recomendaciones de los compañeros pueden tener una gran influencia en
11
el proceso de análisis para reducir el número de alternativas. Al realizar la compra,
Se han eliminado las barreras basadas en la ubicación y no hay necesidad de pagar en efectivo. con un movil
teléfono, es posible comprar desde cualquier lugar con conexión a Internet. La última etapa, “post
evaluación de compra”, debe adaptarse para que los consumidores se sientan seguros de su compra
decisión. Las compras se comparten en las redes sociales y las compras futuras se basan y recomiendan en
la confirmación recibida (Ashman, Solomon, & Wolny, 2015). Debido al progreso tecnológico, la
proceso de toma de decisiones se hizo más eficaz y complicado a medida que la sobrecarga de información y social
la transparencia debe ser considerada y filtrada.
En 2010 Darley et al. desarrolló un Modelo EKB adaptado y actualizado, que incluye cuatro
factores al proceso de toma de decisiones, pero aún incluye las cinco etapas centrales del proceso de decisión.
Uno de estos cuatro factores son las características individuales como los motivos, el estilo de vida, la personalidad y el valor.
Otro son las influencias sociales, que contiene elementos como la cultura, el grupo de referencia y la familia.
Además, los factores económicos situacionales y el entorno en línea como la calidad del sitio web, el sitio web
la interfaz, la satisfacción del sitio web y la experiencia del sitio web juegan un papel influyente. Este modelo también da
una idea de las consecuencias del proceso de decisión, ya que el resultado puede tener cuatro
reacciones Estos son disonancia cognitiva, consumo, insatisfacción/satisfacción y
desinversión, como se muestra en la Figura 1 (Darley, Blankson, & Luethge, 2010).
12
Figura 1 Modelo EKB (cf. Darley, Blankson y Luethge, 2010, p.96)
Una crítica al modelo EKB es que no incluye las motivaciones del tomador de decisiones.
atributos Por lo tanto, Tuan, Pham y Higgins (2005) desarrollaron el Modelo EKB estilizado que
incluye aspectos emocionales. La teoría de la decisión del consumidor evolucionó a partir del procesamiento de la información.
teoría e investigación de decisiones conductuales (Longart, Wickens & Bakir, 2016). Kahneman y Frederick
en 2012 contribuyen que en la teoría de la decisión conductual, el enfoque estaba en la cognición y no en
aspectos emocionales del proceso de decisión. En consecuencia, es razonable incluir las emociones de
el tomador de decisiones en el Modelo EKB. La figura 2 muestra el modelo EKB estilizado que fue utilizado por
Longart et al. en 2016 por una investigación sobre la selección de restaurantes para comidas de ocio.
13
Figura 2 Modelo EKB estilizado (Longart, Wickens & Bakir, 2016, p. 177)
2.1.3 Teoría del proceso dual
La Teoría del Proceso Dual existió durante los últimos 30 años y todavía juega un papel importante en la actualidad.
investigación psicológica. Sin embargo, las teorías sobre la dualidad y la división se remontan al siglo XIX.
siglo con William James, quien teorizó sobre dos tipos de pensamiento: asociativo y verdadero
razonamiento. El impacto premoderno más importante provino de Freud, quien sostenía que la mente humana
comprende dos sistemas: uno consciente y otro inconsciente (Frankish, 2010). La vista moderna
de la teoría del proceso dual o del sistema dual es el Sistema 1, que se describe como rápido, asociativo y
intuitivo, y el Sistema 2, que se describe como basado en reglas, analítico y reflexivo (Melnikoff, Bargh
14
2018). Kahnemann y Frederick creen que el Sistema 1 propone rápidamente respuestas para juicio y
problemas y que System 2 monitorea la calidad de esas propuestas y las corrige si es necesario
(Kahnemann, Federico 2012). En 2015, incluso el banco mundial hizo un llamamiento para que la gente debería
hacer más uso del Sistema 2 en lugar del Sistema 1 (Melnikoff, Bargh 2018).
Una perspectiva moderna de la teoría del proceso dual se describe en el trabajo de Viswanathan y Jain en
2013. Argumentan que la toma de decisiones de la generación más joven difiere, por lo que el Sistema 1 es el único
parte activa y el Sistema 2 es reemplazado por un sistema social. Debido a los medios digitales y la
conectividad social permanente que viene con él, la formación de opinión y el razonamiento son significativamente
diferente en lo que solíamos saber. Como se describió anteriormente, los medios digitales influyen en el modelo EKB y
también influye la Teoría del Proceso Dual. Viswanathan y Jain señalan que con amigos, familiares y
las plataformas de redes sociales son un proxy para el Sistema 2, también pueden surgir estrategias de marketing correspondientes
(Viswanathan y Jain, 2013). Los resultados de Viswanathan y Jain están de acuerdo con el
hallazgos de Oaksford y Hall en 2016. Investigaron el comportamiento del razonamiento humano y trataron de
identificar los desencadenantes de la irracionalidad. Por lo tanto, se basaron en la Teoría del Proceso Dual y encontraron que
El Sistema 1 es racional, mientras que el Sistema 2 es propenso a errores. Sin embargo, el Sistema 2 es compatible con
aspectos sociales como el lenguaje, que sirve como herramienta de corrección (Oaksford & Hall, 2016). muestra que un
El cambio digital altera la funcionalidad de la teoría del proceso dual.
Otra detección de la teoría del proceso dual en la toma de decisiones fue realizada por Koop & Johnson en
2011. Con un programa de rastreo de mouse, investigaron el comportamiento de decisión en línea en una decisión arriesgada
hacer tarea. Los participantes tenían que elegir entre apuestas económicas, que resultaron en ganancias
o pérdidas. La trayectoria del ratón registrada mostró un camino recto cuando los participantes eligieron el
opción de apuesta más segura en comparación con la opción de apuesta arriesgada. Los participantes al principio tendían a seleccionar
la opción más segura, pero luego cambió a la opción más arriesgada. Para relacionar eso con el proceso dual
En teoría, la opción de apuesta más segura corresponde a la primera intuición (Sistema 1) de los participantes,
mientras que en algunos casos, los participantes cambiaron de opinión (Sistema 2) y eligieron la apuesta más arriesgada
opción (Koop & Johnson, 2011).
Los críticos de la Teoría del Proceso Dual dicen que este modelo es demasiado simple para describir el funcionamiento de la mente humana.
deben considerarse procesos y modelos cognitivos alternativos. Además, sólo un par de
esos procesos podrían atribuirse claramente al Sistema 1 o al Sistema 2. La mayoría de los procesos cognitivos
Los procesos son una mezcla de las características del Sistema 1 y el Sistema 2 (Melnikoff & Bargh, 2018). Melnikoff y
Bargh incluso asume que la investigación en ciencia cognitiva que se basa solo en la Teoría del Proceso Dual
subestima la dimensión de la mente humana y sería contraproducente para este campo de la
Ciencias. Además de eso, los Modelos Dinámicos como la Teoría del Campo de Decisión establecen que solo hay
un proceso cognitivo que es determinante para la toma de decisiones (Busemeyer & Townsend, 1993). En
15
2018 Diederich y Trueblood describieron un modelo dinámico de proceso dual de toma de decisiones, que
implica que el Sistema 1 y el Sistema 2 son diferentes, pero interactúan y no se pueden separar. Sobre el
por un lado, muestran que un mayor afecto podría conducir a tiempos de respuesta más rápidos en relación con la decisión
haciendo. Por otro lado, los dos sistemas también pueden entrar en conflicto, lo que se traduce en una mayor duración.
tiempos de respuesta (Diederich & Trueblood, 2018). Dhar y Gorlin se dieron cuenta de algo similar al
investigar la interacción del Sistema 1 y el Sistema 2 en una tarea de decisión. Descubrieron que la carga cognitiva,
la presión del tiempo, o el número de alternativas son un inhibidor para la funcionalidad del Sistema 2. Estos
influencias reducen la capacidad de tomar decisiones deliberadas y apoyan la evidencia de que el Sistema 1 tiene un
papel importante en el resultado de la decisión. Concluyen que ambos sistemas están fuertemente conectados, pero
el que finalmente toma la decisión depende en gran medida de varias influencias (Dhar & Gorlin,
2013). Además, Conrey et al. desarrolló el Modelo Quad, que asume cuatro funciones cognitivas distintas
procesos. Este modelo fue probado en el desempeño de tareas implícitas y los cuatro procesos pueden ser
separados en activación de asociación, discriminabilidad, superación de sesgos y adivinanzas. La decodificación de
la estructura detrás de las asociaciones automáticas puede dar una idea del proceso de toma de decisiones del
mente humana (Conrey et al., 2005). Shermann et al. usó este modelo cuádruple para diferenciar entre
asociaciones automáticas e impulsos conductuales. Descubrieron que este modelo es una herramienta valiosa para
identificar los factores desencadenantes del comportamiento humano y que los procesos controlados por la mente humana tienen un mayor
influencia como se supuso inicialmente (Sherman et al., 2008). Como reconocible hay varias alternativas
teorías sobre cómo se comporta la cognición humana. Para esta tesis se eligió la Teoría del Proceso Dual
ya que es más consistente con el experimento realizado.
2.1.4 Neuromarketing
El término neuromarketing es una conexión de dos áreas diferentes de investigación: marketing y
neurociencias. Con un análisis cerebral en profundidad, el neuromarketing pretende explicar el comportamiento del consumidor
para aumentar científicamente la eficacia del marketing. La ventaja de las imágenes neuronales
procesos es que incluso las preferencias ocultas que eran inconscientes para el consumidor pueden mostrarse
según las regiones cerebrales activadas y analizadas retrospectivamente. Por lo tanto, el neuromarketing tiene
el potencial para superar o mejorar los métodos de marketing convencionales. Investigación de neuromarketing
se encuentra en su etapa inicial y ha estado activo desde principios del siglo XXI. Tiene su origen en
áreas científicas como la neuropsicología, la neurofisiología, la neuroetología o la neuroanatomía (Morin,
2011). Medir la actividad cerebral de los consumidores podría mostrar las preferencias o la efectividad del marketing
dieciséis
campañas y predecir el comportamiento de compra y decisión. Si hubiera información confiable sobre
el éxito de un producto recién desarrollado antes de que se introduzca en los mercados, recursos y
la logística podría gestionarse de forma más eficaz. La Figura 3 muestra dónde se encuentra el neuromarketing durante el
podría implementarse la fase de desarrollo del producto.
Figura 3. Ciclo de desarrollo de productos con neuromarketing (Arieli & Berns, 2010, p.286)
Los métodos de neuromarketing podrían estar activos antes del lanzamiento del producto y después del lanzamiento del producto (Arieli &
Berns, 2010). Los métodos comunes para la neuroimagen son los escáneres de resonancia magnética funcional.
imágenes (fMRI), que miden el nivel de oxígeno en la sangre en ciertas regiones del cerebro;
Electroencefalografía (EEG), que mide los cambios de los campos eléctricos en la región del cerebro;
Magnetoencefalografía (MEG), que identifica campos magnéticos causados por campos eléctricos del
cerebro o métodos como Eye tracking y Mouse tracking que analizan motores inconscientes
movimientos (Arieli & Berns, 2010; Morin, 2010). Rangel et al. en 2008 encontró que la decisión del consumidor
la toma depende de una secuencia fija de cinco procesos neurobiológicos que forman la decisión
resultado (Rangel et al., 2008). Un análisis de esos procesos a nivel neuronal podría ayudar a
predecir la toma de decisiones del consumidor. McClure y sus colegas en 2004 realizaron un experimento donde
los participantes debían diferenciar entre las bebidas Coca Cola y Pepsi. Con la ayuda de un
escáner fMRI, mostraron qué partes del cerebro estaban activas cuando las influencias culturales eran
17
incorporado en el proceso de toma de decisiones. Los resultados revelaron que cuando los participantes estaban
sin saber qué bebida consumían, se decidieron por Pepsi. Cuando fueron conscientes de la
marca, se decidieron por Coca Cola (McClure et al., 2004). Porque el neuromarketing va más allá de la
conciencia de los consumidores, aparecen varias preocupaciones éticas. Como las empresas tendrán una ventana en
la mente de los consumidores, surge la pregunta de hasta qué punto se debe proteger la privacidad de los pensamientos.
La optimización de las ganancias es un objetivo importante, por lo que las empresas no siempre pueden actuar de la mejor manera para los consumidores.
podría surgir interés y explotación (Arieli & Berns, 2010). El neuromarketing es un método novedoso que
podría cambiar significativamente el futuro de los procesos de marketing.
2.2 Seguimiento del ratón
El análisis de los movimientos motores mientras se usa un mouse de computadora es una herramienta de investigación desarrollada recientemente para
desvelar los procesos cognitivos (Freeman & Ambady, 2010). El seguimiento del mouse es una herramienta sensible al tiempo que
puede mostrar un comportamiento de decisión en el rango de milisegundos y cuestionar los movimientos inconscientes. En la mayoría
casos, los participantes en un experimento de investigación se enfrentan a una elección entre dos opciones. los
El punto de inicio del cursor del mouse se encuentra en la parte inferior de la pantalla, desde donde los participantes deben
seleccione una opción en la esquina superior izquierda o en la esquina superior derecha de la pantalla, como se ve en la Figura 4. Esto
El conflicto de decisión no solo mide el tiempo de reacción y el resultado, sino también cómo se desarrolla el proceso de decisión.
se desarrolla con el tiempo. Desde el punto de inicio hasta la opción seleccionada, la trayectoria del mouse se registra y
se muestran en sus coordenadas x e y (Freeman, 2018). Luego se agregan las trayectorias y
superpuestos para mostrar los procedimientos de decisión de todos los participantes. Se realizará un análisis más detallado de las rutas del ratón.
discutido más adelante dentro de este tema.
2.2.1 Investigación de seguimiento de ratones
Spivey y Dale en 2006 demostraron que los movimientos motores realizados con un mouse podían conectarse
al estado mental del usuario del ratón. Se muestran gráficamente en un espacio de estado tridimensional
cómo la cognición está conectada a las etiquetas lingüísticas utilizando el seguimiento del mouse y el seguimiento ocular (Spivey & Dale,
2006). Yamauchi y Xiao investigaron cómo los movimientos del mouse de la computadora están relacionados con los estados afectivos de
el usuario de la computadora. Argumentan que las emociones, reguladas por el sistema dopaminérgico, influyen
subsistemas sensoriomotores que coordinan los movimientos de la mano. Por lo tanto, el análisis de trayectoria puede dar
retroalimentación sobre los estados mentales (Yamauchi & Xiao, 2017). El seguimiento del ratón no solo se ha utilizado en
investigación en computación afectiva, sino también en la investigación Human Computer Interaction (HCI). Como no es fácil
para que las computadoras concluyan sobre las emociones humanas, ha habido interés en crear un modelo emocional
sistema de máquina inteligente que puede detectar los estados afectivos de los humanos (Picard, 1997). Zimmermann et al.
18
trató de influir en el estado de ánimo de los participantes con clips de película y luego grabó los movimientos del mouse en un e
ajuste de comercio. Su objetivo era detectar los estados de ánimo inducidos con un análisis de la trayectoria del ratón. Para
HCI para ser eficaz, la computadora debe reconocer adecuadamente el estado emocional para responder
correctamente (Zimmermann et al., 2015). El seguimiento del mouse es una herramienta prometedora para revelar el conocimiento cognitivo del usuario.
estados como con la teoría de la elección encarnada, los movimientos motores y la actividad mental están en
interacción constante (Freeman, 2018). La mayoría de las investigaciones realizadas con la ayuda del seguimiento del ratón se realizan en
el campo de la conducta de decisión. Szaszi et al. encontraron que las diferencias en la toma de decisiones entre altos
los individuos de capacidad y baja capacidad consisten en que si una respuesta inicial era incorrecta,
las personas con capacidad revisarían la elección más a menudo. Si es correcto, se hicieron menos cambios.
en comparación con individuos de baja capacidad (Szaszi et al., 2019).
Además, Maldonado et al. mostró cómo los cambios durante el proceso de toma de decisiones afectan la
trayectoria del ratón. En un experimento con 54 participantes, probaron dos patrones de decisión diferentes:
uno donde un cambio de decisión no fue forzado y un cambio de decisión forzado. Encontraron ese ratón
Las trayectorias son un análisis más confiable que el tiempo de reacción con respecto al comportamiento de decisión (Maldonado et al.,
2019). Otra investigación sobre la toma de decisiones realizada con el seguimiento del ratón intenta descubrir el autocontrol.
patrones. El descuento temporal se refiere al conflicto de elegir una recompensa más rápida versus una más grande pero
recompensa retrasada. El seguimiento del ratón mostró que los sujetos de prueba que eligieron la recompensa retrasada fueron
sesgados hacia esa opción, mientras que los sujetos de prueba que eligieron la recompensa más temprana se caracterizaron
por alta incertidumbre entre las dos opciones (Calluso et al., 2015). Tras estos resultados, Stillman
et al. encontraron que el autocontrol exitoso se manifiesta en una trayectoria suave en lugar de abrupta.
Realizaron un experimento de seguimiento de ratones en el que los participantes tenían que elegir entre animales sanos
y opciones de alimentos poco saludables. Cuando los participantes resistieron la tentación de alimentos poco saludables, su ratón
El camino discurre sin problemas hacia la opción de alimentación saludable. Por lo tanto, concluyeron en una dinámica más bien
que la resolución abrupta de conflictos, que se refiere directamente a si un conflicto de decisión sigue a la
modelo dinámico o el modelo de proceso dual (Stillmann et al., 2017).
19
Figura 3 Trayectorias que muestran conflictos de decisión resueltos por sistema dual y sistema dinámico (Stillman et. al., 2017,
p.1242)
Un tema importante para la mayoría de los especialistas en marketing es la medición de la atención. Eyetracker es un
herramienta para capturar movimientos oculares que puede ayudar a identificar la efectividad de la publicidad (Chandon, 2002).
Johnson et al. mostró que el seguimiento del mouse es una herramienta equivalente para medir el comportamiento de atención. Por
diciéndoles a los participantes que siguieran sus movimientos oculares con un mouse de computadora, combinaron ojo
seguimiento y seguimiento del mouse, lo que resultó en una alta correlación entre esos dos caminos (Johnson
et al., 2012). Xiao y Yamauchi probaron cómo la atención de arriba hacia abajo puede influir en la semántica inconsciente
Procesando. El seguimiento del ratón se utilizó para llevar a cabo una tarea de preparación semántica en la que los participantes tenían que
use un mouse para identificar si un número era más pequeño o más grande que cinco. Los resultados mostraron que el
curso de tiempo de la tarea se alteró a través de la atención de arriba hacia abajo, pero la hipótesis esencial de que la parte superior
la atención hacia abajo facilita el procesamiento semántico no se pudo confirmar completamente (Xiao & Yamauchi, 2017).
Además, el seguimiento de los movimientos del ratón se ha vuelto popular en el campo de la psicología social. yu et
Alabama. probó cómo se podría implementar el seguimiento del mouse en la prueba de asociación implícita (IAT). El IAT es
un procedimiento para medir el sesgo inconsciente e implícito de alguien hacia los objetos y se ha utilizado en
áreas de investigación como la actitud racial, la autoestima implícita y los estereotipos de género. Ratón de seguimiento
movimientos durante el curso de una Prueba de Asociación Implícita puede descubrir procesos mentales que
no podía explicarse antes (Yu et al., 2012). Un estudio relacionado por Freeman y Ambady
investigó cómo los rostros humanos se asocian con los estereotipos. En un experimento de rastreo de ratones, ellos
mostraron rostros de sexo típico y sexo atípico con los correspondientes estereotipos de género. las trayectorias
reveló una atracción hacia el estereotipo de género opuesto cuando era visible una cara atípica de sexo.
Sus resultados prueban una activación paralela de estereotipos en la categorización social (Freeman & Ambady,
2009). La investigación adicional utilizó el seguimiento del mouse para facilitar el diseño web y las interfaces de software. Está
20
posible ver cómo los usuarios navegan por el sitio web mediante el seguimiento de los movimientos del ratón, que por lo tanto
permite cambios de diseño correspondientes de acuerdo con estos movimientos (Diego-Mas et al., 2019).
Por lo tanto, la usabilidad del software por parte del consumidor y el diseño de interfaces gráficas han estado en el
foco de la investigación de seguimiento de ratones (Schoemann et al., 2019).
Este estudio se categoriza en el área de investigación de la toma de decisiones. Será simulado y analizado.
cómo procede el comportamiento de decisión en un entorno de comercio electrónico. Para este propósito, un seguimiento del ratón
se utilizó el programa. Los siguientes subelementos proporcionarán una descripción general del seguimiento común del mouse
programas
2.2.2 Seguimiento del ratón
MouseTracker es un software descargable gratuito desarrollado por Freeman y
Ambady en 2010. Fue uno de los primeros programas en rastrear los movimientos del ratón con fines científicos.
y fue validado varias veces en publicaciones (Freeman & Ambady, 2010). MouseTracker es un tres
programa de pieza que se separa en Designer, Runner y Analyzer. El diseñador es un programa para
construir experimentos basados en un archivo .CSV gráficamente. El programa puede alterar la gráfica del archivo.
parámetros y opciones de respuesta, por lo que características como un botón de inicio y las opciones de respuesta
permanece constante en cada opción de diseño. The Runner es un programa de recopilación de datos que lleva a cabo la
experimenta y registra los movimientos del ratón. Cada 13-16 milisegundos el tiempo bruto, el y
se registra la coordenada x y la coordenada x en píxeles. El programa puede grabar hasta 60 a 75 x e y
coordenadas por segundo. Cuando finaliza el experimento, el Runner genera un Rastreo de Ratón
archivo de datos, que luego se puede importar al programa Analyzer. Allí, gráficos y otros análisis.
Luego se pueden realizar métodos de las trayectorias registradas (Freeman & Ambady, 2010). Figura 4
muestra un experimento típico de seguimiento de ratones en un diseño de dos opciones. Con un clic en el botón de inicio,
aparecen una o más imágenes que simulan el escenario de toma de decisiones. El ratón tiene que ser
movido a la opción preferida y con un clic en la imagen, se puede confirmar la decisión. los
los movimientos del ratón se registran y se pueden analizar retrospectivamente.
21
Figura 4 Ejemplo de paradigma de seguimiento de ratones (Stillman et al., 2018, p.533)
Al principio, los participantes deben hacer clic en el botón de inicio para establecer una posición de inicio comparable para todas las carreras.
(Kieslich & Henninger, 2017). Luego se les presenta un estímulo que puede manifestarse en un
una imagen, una secuencia de letras o un sonido. Además, se pueden presentar múltiples estímulos secuencialmente o
simultáneamente (Freeman & Ambady, 2010; Lopez, 2018). Como el retrato en la Figura 4, un estímulo puede
presentarse en el centro de la pantalla. El participante debe entonces elegir una opción de respuesta en el
esquina superior izquierda o superior derecha. Las opciones de respuesta también pueden mostrar imágenes en las que se debe hacer clic.
en. Ambas versiones se consideran como un escenario de elección binaria.
2.2.3 ratonera
Mousetrap es un complemento para el generador de experimentos gráficos OpenSesame, que permite crear
experimentos de seguimiento del mouse sin esfuerzo debido a una interfaz bien organizada y un diseño simple. los
Los datos del experimento se pueden analizar con R, un lenguaje de programación y un entorno para
computación estadística y análisis gráfico. En 2017, Kieslich y Henninger publicaron Mousetrap and
validó su funcionalidad replicando un experimento de rastreo de ratón que se originó en Dale,
Kehoe y Spivey en 2007. Los participantes se enfrentaron a una tarea de categorización de animales (Kieslich
y Henninger, 2017). Luego, las trayectorias del mouse se registran con OpenSesame Run, que es
responsable de la recogida de datos. El análisis de datos en R está soportado por el paquete mousetrap , que
proporciona funcionalidades de visualización, preprocesamiento de datos y herramientas de análisis adicionales (Kieslich
et al., 2018). Para obtener una descripción general completa y descargar el paquete R, se proporciona toda la información necesaria
en http://pascalkieslich.github.io/mousetrap/.
22
2.2.4 Rastreador web
Webtrackr es un programa de rastreo de mouse desarrollado por Patrick Neef (2020). Es compatible con el
navegador web Google Chrome o Firefox y se muestra en una página index.html. Un rastreo de ratón
El diseño del experimento con Webtrackr es comparable al modelo estándar de dos opciones donde
los participantes deben seleccionar el elemento en la esquina superior izquierda o en la esquina superior derecha. Todo el formato es
realizado con JavaScript, que permite implementar un experimento de seguimiento del ratón en un
cuestionario con varias diapositivas. Webtrackr tiene la ventaja de funcionar en un navegador web y puede
en consecuencia, simular el comportamiento del mouse de la computadora en un entorno de Internet. Además, es
posible rastrear los movimientos del mouse de la computadora en un escenario independiente de la ubicación como participantes
podría realizar un experimento de seguimiento desde cualquier computadora compatible con un mouse. Como rastreador web
se utilizó para esta tesis, se puede encontrar más información técnica relacionada con el programa en “ÿ.2.2
Configuración del experimento” y en https://webtrackr.de/.
2.2.5 Seguimiento ocular
El seguimiento ocular describe el registro de los movimientos oculares. Los datos registrados pueden dar una idea de
procesamiento de información, preferencia, comportamiento de elección y valoración (Van Loo et al., 2018).
Los dispositivos de seguimiento correspondientes se montan en un casco o en la mesa justo debajo del
pantalla de la computadora Ambos métodos pueden tener desventajas, pero la variante montada en la mesa es
más comúnmente utilizado (Jacob & Karn, 2003). Seis músculos diferentes controlan los movimientos oculares y visuales.
la información se convierte en estímulos electroquímicos procesados en el cerebro humano. mayormente ojo
los movimientos se manifiestan en fijaciones, que pueden durar hasta 0,4 segundos. Con un ojo rápido
movimiento, el punto de interés se altera, lo que se denomina sacada (Goldberg & Wichansky, 2003).
Según la “hipótesis ojo-mente”, se considera que los movimientos oculares proporcionan una ventana en el
mente humana. Este método de seguimiento de procesos tiene varias posibilidades de aplicación y se utilizó principalmente
en investigación económica y psicológica (Van Loo et al., 2018; Kim et al., 2012). como movimientos oculares
reflejan la cantidad de atención momentánea, el seguimiento ocular puede cerrar la brecha entre la atención visual y la
comportamiento del consumidor Para los especialistas en marketing, esto representa información valiosa, ya que ofrece información sobre
comportamiento de toma de decisiones del consumidor (Khachatryan & Rihn, 2014). Buttner et al. en 2014 llevó a cabo un
Experimente sobre la impulsividad del consumidor con la ayuda de Eyetracker. Demostraron que son impulsivos
Es más probable que los compradores se distraigan con productos no relacionados que los compradores no impulsivos. Por lo tanto, el
atractivo de productos no relacionados no tiene impacto en la cantidad de distracción, que en consecuencia
depende de la cantidad de impulsividad individual (Büttner et al., 2014). Bang y Wojdynski
23
en 2016, investigó cómo la publicidad personalizada afectaba a los consumidores propensos a la carga cognitiva.
Demostraron con eye tracking que los anuncios personalizados reciben más atención por parte de los consumidores
influenciado por la carga cognitiva (Bang & Wojdynski, 2016). Además del seguimiento del ratón, el seguimiento de los ojos es un
método para la investigación de neuromarketing. Al comparar ambas prácticas en cuanto a su usabilidad, ojo
el seguimiento no captura todos los movimientos oculares y no puede ser realizado por participantes con ojo
lentes y ciertos colores de pupila (Khachatryan & Rihn, 2014). El seguimiento del ratón, sin embargo, es fácil de
implementa y utiliza únicamente un mouse de computadora como medio de transmisión (Freeman, 2018).
3. Análisis de trayectoria
Para el análisis de los movimientos del ratón desde el Webtrackr se utilizó el programa R. Varios comandos
proporcionar información sobre los parámetros de seguimiento del ratón. A continuación, el análisis más común
se introducen métodos para Mouse Tracker, el complemento Mousetrap y Webtrackr.
2.3.1 Análisis de curvatura
En MouseTracker, todas las trayectorias se reescalan para que quepan en un espacio de 2x1,5, que en la mayoría de los casos se ajusta al
relación de aspecto de la pantalla de una computadora. En la Figura 5, el botón de inicio está en la parte inferior central con el
coordenadas [0.00, 0.00]; a partir de ahí, una trayectoria puede ir a [-1.00, 1.5] o a [1.00, 1.5]. Para el
medición de la atracción espacial, el cálculo de la desviación máxima de las trayectorias (MD) y
el área bajo la curva (AUC) es útil.
24
Figura 5 Espacio de coordenadas estándar de Mouse Tracker con las medidas de atracción espacial MD y AUC (Freeman & Ambady,
2010, pág. 229)
La curvatura de la trayectoria se genera por la diferencia de activación entre la respuesta
opciones para que una diferencia más pequeña conduzca a una curvatura más fuerte de las trayectorias (Spivey et al.,
2010). Para calcular el MD, una trayectoria de respuesta idealizada, una línea recta desde el botón de inicio hasta
la opción de respuesta sirve como referencia. El MD muestra el punto más alejado del actual
trayectoria a la trayectoria de referencia. Cuanto más alto es el MD, mayor es la atracción hacia el
otra opción de respuesta era. Para el AUC, el área geométrica desde la trayectoria de referencia hasta el
se está calculando la trayectoria real. La expresividad de AUC y MD es similar, mientras que AUC
es un mejor indicador de la atracción general y el MD un mejor indicador de la máxima
atracción (Freeman & Ambady, 2010).
25
2.3.2 Análisis temporal
Debido a que cada trayectoria tiene una longitud diferente, para compararlas, deben estar normalizadas en el tiempo. A
prueba que dura más de lo habitual también tiene más coordenadas x e y. En consecuencia, todas las trayectorias son
establecido en 101 pasos de tiempo. Cada paso de tiempo representa una coordenada x e y (Freman & Ambady, 2010). A
El análisis temporal de la trayectoria puede revelar cómo y cuándo los procesos cognitivos influyen en la
movimiento del ratón (Hehman et al., 2015).
Figura 6 Trayectorias normalizadas en el tiempo con una diferencia en las coordenadas x promedio del paso de tiempo 54 a 95 (Kieslich et al.,
2019)
Otros métodos de análisis son perfiles de aceleración, velocidad y ángulo. La velocidad se calcula como
la distancia entre coordenadas en puntos de tiempo sin procesar, y la aceleración muestra un cambio en la velocidad
(Hehman et al., 2015). Según Hehman et al., la investigación muestra que la fuerte competencia entre
opciones de respuesta se caracteriza por una disminución de la velocidad inicial y una mayor velocidad una vez que el
se tomó la decisión. La Figura 7 muestra que la velocidad corresponde a qué tan rápido se mueve el cursor y
aceleración a cuánto acelera el cursor. El perfil del ángulo mide cuán directa es la
el movimiento hacia la opción de respuesta fue entre ciertos pasos de tiempo, lo que puede proporcionar información
cómo y cuándo los diferentes factores influyen en la dirección del movimiento (Kieslich et al., 2019).
26
Figura 7 Perfil de ángulo, Velocidad y Aceleración del movimiento del ratón (Stillman et al., 2018, p.534)
Otra medida para el análisis temporal es la proximidad del cursor a la opción de respuesta en un
punto de tiempo determinado. Así, se incluyen la coordenada x y la coordenada y, y el potencial
se pueden medir las desviaciones. La euclidiana calcula la proximidad con la fórmula:
Además, los tiempos de respuesta (RT) y los tiempos iniciales (tiempo desde el inicio hasta que se presionó el mouse por primera vez)
movido) se pueden incluir en el análisis.
2.3.3 Complejidad de la trayectoria
La complejidad de una trayectoria se puede determinar de varias maneras. Según Hehman et al. en
2015, la entropía muestral es una de las herramientas más informativas que refleja la competencia a lo largo del eje x. Eso
se calcula normalizando en el tiempo las trayectorias y luego comparando los cambios a lo largo del eje x para
diferentes tamaños de ventana (McKinstry, Dale & Spivey, 2008). De este modo, la imprevisibilidad de la trayectoria puede
medirse de modo que las trayectorias puedan parecerse a una cierta sección pero diferir considerando el conjunto
trayectoria. Alternativamente, es posible medir la cantidad total de x-flips (cambios direccionales a lo largo
eje x) y giros y (cambios de dirección a lo largo del eje y) como indicador de complejidad. si los dos
las opciones de respuesta están en la esquina superior izquierda y derecha de la pantalla, los parámetros a lo largo del eje x
son más significativos que el eje y. Cuando hay múltiples opciones de respuesta disponibles, también
los parámetros a lo largo del eje y pueden volverse significativos. Las inversiones de X representan un cambio a lo largo del eje x
cruzando el eje vertical entre las dos opciones de respuesta. Según Koop y Johnson en 2013,
Los giros x representan un cambio momentáneo en las preferencias, mientras que las inversiones x representan un cambio definitivo en
27
preferencias Otra medida de complejidad es si la trayectoria es suave o abrupta en
respuesta a la competencia alternativa. Según Freeman en 2014, un cambio brusco de trayectoria puede
se clasificará como tal cuando la desviación máxima exceda de 0,9. Además, la velocidad y la aceleración de
los movimientos del mouse se pueden usar para concluir sobre la suavidad de la trayectoria (Hehman et al., 2015).
Figura 8 Visualización gráfica de x-flips (Stillman et al., 2018)
2.3.4 Distribución de respuestas
La Figura 8 muestra cómo la ligera atracción de las trayectorias agregadas hacia una opción de respuesta puede
consisten en trayectorias y trayectorias muy directas, incluido un cambio extremo, inicialmente apuntando
hacia la otra opción de respuesta. Por lo tanto, la trayectoria agregada podría ser incapaz de
concluir sobre los procesos cognitivos. Para distinguir entre estos dos tipos de distribución, el
las trayectorias recopiladas deben identificarse como unimodales, lo que se parecería al panel superior
de la Figura 9 o bimodal, que se parecería al panel inferior de la Figura 9.
28
Figura 9 Ilustración de unimodalidad y bimodalidad de la distribución de trayectorias (Hehman et al., 2015, p.396)
Freeman y Dale en 2013 investigaron tres medidas de bimodalidad diferentes: la bimodalidad
(BC, SAS Institute, 1ÿÿÿ), el estadístico dip de Hartigan (HDS, Hartigan & Hartigan, 1ÿÿÿ), y el
diferencia en el criterio de información de Akaike (AIC, Akaike, 1974). Para calcular el BC lo siguiente
se puede utilizar la fórmula: mientras que s es la asimetría, k es la curtosis y n el número de observaciones.
El BC puede variar de 0 a 1. Con ab > 0.555, la distribución de trayectorias se considera
bimodal, con ab < 0,555 se considera que la distribución es unimodal (Freeman & Ambady, 2010).
Para el HDS, la diferencia máxima de distribución de datos se compara con una distribución uniforme para
minimizar este máximo (Freeman & Dale, 2013). Los valores resultantes van de 0 a 1 y los valores p
menos de 0,05 muestran una bimodalidad significativa. La medida AIC se puede implementar usando uno
modelos de distribución de mezcla gaussiana de componentes y de dos componentes para ver cuál de estos
minimiza el AIC. Cuando el modelo de un componente minimiza AIC, la distribución es unimodal y
cuando el modelo de dos componentes minimiza AIC, la distribución es bimodal. Resultados de Freeman
29
y Dale apoyan que la HDS representa la medida más confiable de bimodalidad (Freeman & Dale,
2013). Las medidas de bimodalidad pueden estar estrechamente relacionadas con la disputa teórica entre Dual Process
Modelos y Modelos Dinámicos, que ya se ha mencionado anteriormente. movimientos del ratón, que
incluyen atracción nula y atracción extrema hacia la opción no elegida - exhibiendo bimodalidad -
representaría el modelo de proceso dual y el movimiento del ratón unimodal con un fuerte, medio
y la atracción débil hacia la opción de respuesta no elegida representaría el Modelo Dinámico
(Freeman y Ambady, 2010).
2.3.5 Análisis de componentes principales
Un análisis de componentes principales (PCA) es una herramienta para reducir grandes cantidades de datos a ciertos
componentes Con respecto al análisis de la trayectoria del ratón, un PCA puede identificar y comparar múltiples
componentes y medir su correlación. Hehmann et al. en 2015 sugieren que un PCA podría ayudar
revelan cómo la influencia racial en el reconocimiento facial puede manipular la primera parte de una trayectoria comparada
a la influencia del género, que puede manipular la última parte de una trayectoria. Para llevar a cabo un PCA, el x- y
Las coordenadas y se deben exportar en formato .CVS y luego se deben analizar en el software para
computación estadística como SPSS o R. En 2017, Kieslich et al. desarrolló un paquete ratonera para R en
que ciertos comandos pueden realizar un PCA. La información detallada sobre el paquete de ratonera puede
encontrarse en Kieslich et al. (2019a).
30
A continuación, se muestra una descripción general de la medida de seguimiento del mouse más utilizada:
31
Tabla 1 Descripción general de las medidas de seguimiento de ratones comúnmente utilizadas (Hehman et. al., 2015; Kieslich et. al., 2018)
3. Hipótesis
Los giros en X son cambios direccionales repentinos a lo largo del eje x en el curso de la trayectoria de un mouse (Freeman
y Ambady, 2010). No muestran cómo se desarrollan las preferencias durante el proceso de decisión, pero
asemejan signos de incertidumbre o inestabilidad intuitiva (Koop & Johnson, 2013). Por lo tanto, ellos
representan la complejidad del proceso de decisión e indican una fuerte competencia de respuesta entre dos
elecciones atractivas.
Como los giros x son movimientos relativamente menores a lo largo del eje x, los movimientos más grandes que cruzan la vertical
eje en el medio entre las opciones de respuesta se denominan inversiones x (Kieslich et al., 2019). esos x
las inversiones son lo suficientemente expresivas para indicar un cambio en las preferencias. Maldonado et al. en 2019, llama
32
estos tipos de movimientos del mouse un cambio de opinión, como se muestra en la Figura 10. En esta figura, la línea roja
(que representa la trayectoria del mouse) tiende hacia la opción de respuesta correcta pero luego cambia a la
opción de respuesta izquierda, cruzando el eje vertical. Sin embargo, la línea azul es clara en preferencias y
sigue un camino recto hacia la opción de respuesta izquierda (Maldonado et al., 2019).
La teoría de que la mente humana comprende dos procesos cognitivos podría explicar un cambio de mentalidad
en decisiones difíciles, una automática y otra controlada (Sauer & Sauer, 2018). mirando el rojo
trayectoria del mouse en la Figura 10, la primera opción de respuesta intuitiva se dirige inicialmente con el mouse.
Aún así, una reevaluación de las alternativas debido a una fuerte competencia de respuesta provoca un cambio a la
otra opción resultando en una inversión de x. Inspeccionando esta relación gráficamente, el proceso uno, que es
representado por la parte de la línea roja desde la posición inicial hasta la opción de respuesta correcta,
precede al segundo proceso, representado por la parte de la línea roja de la opción de respuesta correcta
a la opción de respuesta izquierda seleccionada (Kahneman & Frederick, 2012). Cuando una reevaluación de
alternativas ocurren, una transición del proceso intuitivo uno al proceso deliberado dos de los
se asume la mente humana. Esto podría expresarse gráficamente en un cambio de dirección de la
trayectoria. Por lo tanto, se argumenta que las decisiones difíciles, mayor en la competencia de respuesta y
reevaluación alternativa, siga la secuencia: primero proceso-uno, luego proceso-dos. Decisiones fáciles
que son más bajos en la competencia de respuesta solo incluyen el proceso uno. Estos procedimientos de reevaluación
deben expresarse en giros x más altos y reversiones x para decisiones difíciles y giros x más bajos y
x-reversals para decisiones fáciles. Como los giros e inversiones de x se calculan a lo largo del eje x, es difícil
concluir el comportamiento de curvatura de la trayectoria (Maldonado et al., 2019). Sin embargo, son
lo suficientemente expresivo como para indicar la existencia de una competencia entre dos diferentes
sistemas
Figura 10 Trayectoria (línea roja) que representa un cambio de mentalidad (Maldonado et al., 2019)
33
Kieslich et al. en 2019, mencionar que la competencia de respuesta no siempre puede conducir a
cambios direccionales, sino más bien a la imprevisibilidad de la trayectoria (Kieslich et al., 2019). Varios
Los investigadores que estudiaron la complejidad de la trayectoria y la imprevisibilidad de la trayectoria han utilizado
la entropía como medida equivalente. Se calcula en un análisis de desorden espacial comparando
secuencias de la trayectoria (Hehman et al. 2015; Freeman y Ambady 2010). En 2008, Dale y
colegas investigaron en un estudio de seguimiento de ratones la atracción motora hacia la respuesta contradictoria
opciones cuando se enfrentan con preguntas de sí o no, que varían en su carácter de verdad. para medio
preguntas con valor de verdad, que deben representar la competencia más alta entre la respuesta
alternativas, utilizaron la entropía muestral como una medida adecuada. Aunque sus resultados indicaron una
proceso de decisión dinámico, se ha demostrado que la entropía de la muestra es una medida adecuada de respuesta
competencia (Dale et al., 2008).
X-flips, x-reversals y la entropía de la muestra representan signos de incertidumbre, cambio de opinión y
complejidad. Lo que tienen en común es su causa: una competencia de respuestas, que se expresa en
movimientos motores impredecibles. Como las decisiones difíciles son más altas en la competencia de respuesta, es
argumentó que:
H1: Las decisiones difíciles en una situación de compra muestran una mayor complejidad de trayectoria en comparación con las fáciles
decisiones de modo que haya un efecto en a) x-flips b) x-reversals yc) muestra de entropía.
Al inspeccionar directamente el conflicto entre dos opciones de respuesta, las medidas AUC y MAD son
de relevancia Se han utilizado en la investigación de seguimiento de ratones para examinar la atracción por los no
opción de respuesta seleccionada. Según Freeman y Ambady en 2010, AUC es una mejor medida de
atracción general y MAD una mejor medida de atracción máxima (Freeman & Ambady, 2010).
AUC es el área diferencial de una línea directa desde la posición inicial hacia la respuesta seleccionada
opción y la trayectoria real. Por lo tanto, muestra la cantidad total de competencia de respuesta.
hacia la alternativa no seleccionada. MAD representa el punto de la trayectoria más cercano al no
alternativa seleccionada y por lo tanto muestra la máxima competencia en respuesta (Stillman et al.,
2018). La figura 8 indica cómo se expresan gráficamente estas dos medidas. Yamauchi y Xiao en 2018
utilizó medidas como AUC para avanzar en la computación afectiva. En una tarea de elección, demostraron que
conducta de la trayectoria correlacionada con el estado emocional evaluado de antemano de los participantes (Yamauchi &
Xiao, 2018). Concluyendo que las medidas MAD y AUC pueden usarse para inspeccionar los sujetos de prueba
estados emocionales, en este estudio se pronostica que miden la dificultad de decisión al mostrar la
cantidad de competencia de respuesta. Como estas medidas de curvatura pueden concluir sobre el desarrollo cognitivo
procesos expresados en movimientos motores del ratón, pueden ser útiles para indicar la dualidad cognitiva en
el proceso de decisión (Koop & Johnson, 2011; Dale et al., 2008). Concluyendo de nuevo en la Figura 10,
las decisiones altas en AUC y MAD se parecerían a la trayectoria roja. Al asumir que en una situación difícil
34
tarea de decisión (línea roja) el proceso cognitivo, uno primero conduciría la trayectoria hacia el
opción de respuesta no seleccionada (derecha). En segundo lugar, el proceso cognitivo dos conduciría entonces al
trayectoria a la opción de respuesta seleccionada (izquierda); Las medidas AUC, en consecuencia, deben ser altas.
Además, MAD, que representaría el punto de transición del proceso uno al proceso dos, sería alto
en su valor. Muestra que estas dos medidas representan una herramienta adecuada para investigar la dualidad en
cognición.
Cuando varias trayectorias se agregan a una trayectoria, pueden consistir en trayectorias muy similares.
trayectorias o trayectorias muy diferentes, lo que resulta en la misma trayectoria media. La Figura 9 muestra
cómo dos trayectorias contrarias dan como resultado una trayectoria promedio cuando se agregan. Trayectorias que
parecerse a la trayectoria agregada originalmente podría perder su expresividad, ya que los datos solo
consta de trayectorias divergentes. Cuando estas trayectorias varían en cierta medida, la distribución de
trayectorias se considera bimodal. Cuando las trayectorias son similares, la distribución se considera
unimodal (Hehman et al. 2015). En la categorización social, los rostros masculinos con rasgos sexuales atípicos son
a veces solo se reconoce bajo la corrección de la respuesta inicial. La razón de eso es que
Las características femeninas en un rostro masculino podrían conducir a una respuesta intuitivamente incorrecta. Sólo después de un
nuevo análisis, se elige la respuesta correcta. Dado que este comportamiento de corrección no siempre ocurre, y
la respuesta correcta a la categorización social también se puede hacer inmediatamente, una bimodalidad en
se puede suponer una distribución de respuestas (Freeman & Ambady, 2011). investigando la modalidad de
distribución de respuestas también ayudó a indicar el tirón motor de diversas alternativas de respuesta en un
nivel cognitivo (Dale et al., 2008). En la teoría de dos procesos cognitivos, estos procesos pueden ejecutarse
uniformemente por un lado e inconsistentemente por el otro. Si los dos procesos son inconsistentes,
vienen junto con una corrección del proceso uno del proceso dos (Frankish, 2010). Mirando a
Figura 9, el panel inferior muestra gráficamente cómo se desarrolla una trayectoria cuando se ejecutan los dos procesos
uniforme y en el panel superior cuando son inconsistentes, lo que indica una distribución bimodal. Hombre libre
& Dale en 2013 intentaron evaluar los fenómenos cognitivos de procesos duales mediante el análisis de trayectorias de ratones.
con varias medidas de bimodalidad. Descubrieron que los procesos duales tienden a evocar características bimodales.
(Freeman & Dale, 2013). Por lo tanto, se argumenta que las medidas de curvatura como AUC y MAD pueden tener
un carácter bimodal y podría dar una idea de cómo se comporta la cognición en un escenario de elección.
Con las dos medidas de curvatura mencionadas anteriormente, la trayectoria se puede analizar para índices de un
cognición de doble proceso. AUC y MAD son un indicador de competencia de respuesta, y como se describe
anteriores y visibles en la Figura 9, pueden mostrar cómo los procesos duales se pueden proyectar gráficamente en un
trayectoria. Las trayectorias con un AUC y MAD altos podrían mostrar cómo se comporta la cognición dual en un
escenario de elección difícil. Además, la bimodalidad de esas medidas podría enfatizar la
presencia de dos procesos cognitivos en un escenario de elección. Por lo tanto, se argumenta que:
35
H2: Con respecto a las medidas de curvatura, las decisiones difíciles tienen un mayor impacto en AUC y MAD que
decisiones fáciles. Además, la bimodalidad de esas medidas de curvatura debería ser mayor para situaciones difíciles.
decisiones que para decisiones fáciles.
Con la presencia de dos procesos cognitivos distintos que operan en diferentes escalas de tiempo, el
proceso automático e intuitivo, que es rápido; y el proceso controlado y reflexivo, que es
lento, se plantea la hipótesis de que las trayectorias clasificadas como difíciles deberían diferir de las trayectorias clasificadas
tan fácil en cuanto a su comportamiento temporal (Sauer & Sauer, 2018). Si dos procesos están activos y
la corrección del proceso uno al proceso dos ocurre durante la toma de decisiones, el tiempo de reacción para hacer clic
la opción de respuesta debe ser más larga que si solo un proceso está activo, o cuando los dos procesos
actuar uniformemente. Por lo tanto, como las decisiones difíciles necesitan más esfuerzo cognitivo y es más probable que muestren
la contrarrestación de dos procesos cognitivos, deberían tener un tiempo de reacción más largo que el fácil
decisiones Cuando se alcanza la MAD, el punto en el tiempo debe ser más tarde para las decisiones difíciles que para las fáciles.
decisiones Como se explicó anteriormente, Kahneman y Frederick muestran que la teoría del proceso dual tiene un
secuencia de tiempo fija, que determina que el proceso uno solo puede ser influenciado por el proceso dos
(Kahneman y Frederick, 2012). MAD podría representar el punto en la trayectoria cuando la transición
del proceso uno al proceso dos sucede. Se necesita un esfuerzo cognitivo en el caso de una corrección.
procedimiento del sistema intuitivo al sistema controlado, lo que debe implicar
consecuencias. Las decisiones difíciles que tienen más probabilidades de celebrar este procedimiento de transición deben mostrar
que MAD tiene un valor más alto y que el punto de tiempo cuando se alcanza MAD es más tarde en comparación con fácil
decisiones Se argumenta que:
H3: Las decisiones difíciles muestran una diferencia en el comportamiento temporal de las decisiones fáciles, de modo que para las decisiones difíciles
decisiones, MAD se cumple más tarde en el progreso de la trayectoria y RT es más largo en comparación con las decisiones fáciles.
4. Metodología
4.1 Prueba previa
El objetivo del Pretest era encontrar pares de productos correspondientes, que luego podrían probarse en el
Software de seguimiento de ratones. Además, sería posible predecir y comparar el comportamiento del cursor
de acuerdo con los resultados obtenidos en el Pretest. Un cuestionario sobre SoSci Survey con 18 páginas fue
creado. En total, 60 participantes completaron la prueba. Las primeras preguntas eran sobre
carácter sociodemográfico. El participante promedio tenía 26,67 años; 24 de ellos eran mujeres y
36 machos. Para ver si los productos mostrados eran asequibles, preguntamos sobre la disponibilidad mensual
dinero. Con un promedio de 1056.93 EUR, podemos asumir que todos los productos mostrados estaban en el
36
rango de compra potencial y mostraría un comportamiento de decisión realista. Para las siguientes 15 páginas, el
los participantes tenían que elegir entre dos productos mostrados como una imagen. Después de la elección del producto,
tres preguntas debían ser respondidas con una Escala Likert de siete puntos. La primera pregunta sobre
la dificultad de la decisión, la segunda pregunta preguntó qué tan atractivo es el producto elegido y en qué
el tercero lo bien que les gustó el producto elegido. La primera pregunta tenía como objetivo encontrar la decisión.
dificultad, que se pondrá a prueba de nuevo en el experimento Rastreo del Ratón. La segunda y tercera
las preguntas tienen como objetivo encontrar pares de productos relevantes que se puedan usar en la prueba principal y la pantalla
comportamiento de decisión realista. Así, fue posible extraer pares de productos correspondientes para el
Experimento de rastreo de ratones. Los productos utilizados para el pretest tenían un origen regional ya que era
importante que los participantes puedan identificarse con los productos que ven. La Figura 11 muestra una compilación
de todos los productos utilizados para la prueba previa.
Figura 11 Compilación de productos para el pretest
La figura 12 muestra los valores medios de la primera pregunta para cada 15 decisiones de productos. En esta pregunta,
se preguntó qué tan difícil fue la decisión entre los dos productos. Fue calificado de uno a siete.
Escala de Likert, mientras que uno es muy fácil y siete muy difícil. En el Pretest, el par de productos
la decisión número tres fue calificada como la más fácil en promedio con 1,92. Par de productos decisión número 12 de
la prueba fue calificada como la más difícil en promedio con 3,38.
37
Figura 12 Gráfico de barras de dificultad de decisión
La figura 13 muestra el valor medio de los resultados de la pregunta dos. En esta pregunta se preguntó cómo
atractivo el producto elegido es para el participante. La pregunta fue calificada en un Likert de uno a siete.
Escala, mientras que uno significa nada atractivo y siete muy atractivo. En el Pretest, el
el producto elegido de la decisión de producto 14 en la prueba fue calificado como el más atractivo con 5 en promedio.
El producto elegido de la decisión de producto 11 fue calificado como el menos atractivo, con un promedio de 3,58.
Figura 13 Gráfico de Barras de Apelación de los Productos Elegidos
La figura 14 muestra los valores medios de la pregunta tres. En esta pregunta, se preguntó qué tan bien
participante le gusta el producto elegido. La pregunta se calificó nuevamente en una escala de Likert de uno a siete.
38
Los resultados muestran que el producto elegido de la decisión de producto número 14 fue el que más gustó con
5,13 en promedio. El producto elegido de la decisión de producto número 11 fue el que menos gustó con 3,53 en
promedio.
Figura 14 Gráfico de barras de simpatía de los productos elegidos
Como las preguntas dos y tres del pretest son similares en su intención, los resultados muestran una fuerte
correlación entre ambos. La decisión de producto número 11 muestra que la simpatía y el atractivo tienen ambos
el valor más bajo en la escala de Likert. La decisión de producto número 14 tiene el valor más alto en Likert
Escala de simpatía y atractivo. En cuanto a la dificultad de decisión, las decisiones de producto 3 y 12 representan
los dos extremos. La decisión 3 muestra la decisión más fácil y la 12 la decisión más difícil. Muestra que
la decisión de producto 3 recibe más simpatía y atractivo en las siguientes dos preguntas, mientras que
La decisión de producto número 12 recibe menos simpatía y atractivo en las siguientes dos preguntas. Estas
Los resultados están de acuerdo con Liberman y Förster, quienes argumentan que el atractivo de
alternativas resulta de su dificultad de decisión. Los participantes de la prueba preliminar fueron unánimes acerca de la
evaluación alternativa en cuanto a atractivo y apelación en cuanto a la decisión correspondiente
dificultad (Liberman & Förster, 2006).
Como la dificultad de decisión promedio no alcanzó un valor superior a 3,38 sobre 7 y una prueba t reveló
diferencias en la preferencia de género, se decidió revisar los pares de productos para lograr más
resultados significativos. El espectro de prueba de los productos se ajustó para que se diera la neutralidad de género,
y los productos fueron alterados según Bullens et al. (2012) para que las dificultades en la toma de decisiones
delimitarse a decisiones fáciles, moderadas y difíciles. La Figura 15 muestra la nueva compilación de producto
pares, que se utilizaron para el experimento de seguimiento del ratón.

39
Figura 15 Pares de productos para el experimento de seguimiento del ratón
4.2 Experimento
El experimento se llevó a cabo con dos compañeros de estudios que investigaron para su tesis de maestría en
campos científicos comparables. Debido a restricciones temporales de acceso en la Universidad de Innsbruck, la
experimento tuvo lugar en el comedor de la Universidad; más información se puede encontrar en 6.3
“Limitaciones” de esta tesis. Ciento cincuenta y siete participantes completaron la prueba de seguimiento del ratón.
exitosamente.
4.2.1 Recopilación de datos
El comedor de la Universidad de Innsbruck (SoWi) se utilizó para realizar el experimento y reunir
participantes para el experimento. Después de completar con éxito la prueba, un cupón para un café en
se proporcionó la cantina. En total, 157 participantes completaron la prueba, lo que resultó en 1099 ratones
trayectorias debido a siete senderos de seguimiento. Las personas de prueba tenían entre 17 y 55 años, mientras que 72
declararon que eran mujeres (48%) y 78 hombres (52%). El ingreso mensual ascendió a 1092 Eur el
promedio. Teniendo en cuenta el uso del mouse y la frecuencia de las compras en línea, la mayoría de los participantes
respondió estas preguntas en el rango de escala de Likert de cinco a siete, lo que significa que la mayoría
40
los encuestados estaban familiarizados con el manejo del mouse y las compras en línea. Como estas primeras preguntas establecen el
base para la siguiente parte del experimento, los resultados no se utilizaron en la evaluación de datos.
4.2.2 Configuración del experimento
El experimento se realizó en dos mesas con dos portátiles comparables. Como el área de experimentación
tenía muchas influencias ambientales, era importante aislar las dos mesas lo mejor posible.
Por lo tanto, los participantes se colocaron de manera que la distracción visual se mantuviera al mínimo.
Después de cada prueba, la configuración se limpió de acuerdo con las normas de higiene de la Universidad de
Innsbruck. Para aumentar la expresividad de las trayectorias del ratón, dos ratones para juegos idénticos con un
Se utilizaron sensores infrarrojos. El DPI de los ratones se configuró en un movimiento de cursor lento para reducir
movimientos involuntarios.
El experimento de seguimiento del ratón se realizó con la ayuda de Webtrackr, una herramienta de seguimiento del ratón.
introducido por Patrick Neef (2020) para registrar los movimientos del ratón motor y aplicable con común
Navegadores web, en este caso, Google Chrome. Con respecto al diseño de prueba de seguimiento del ratón, un estándar
Se utilizó un modelo de dos opciones en el que los participantes tenían que elegir entre una imagen en la parte superior izquierda o la
esquina superior derecha de la pantalla.
El experimento fue creado con notación de objetos JavaScript (JSON); la codificación del rastro de seguimiento del ratón
se proporciona en el Apéndice. Para la construcción del código se utilizó el editor de texto Notepad++. Cada
La página se escribió individualmente y contenía una lista de elementos y todas las variables necesarias, como cuadros de texto,
imágenes, escalas de Likert y pruebas de seguimiento del ratón. El Webtrackr distingue entre general
elementos y elementos de seguimiento porque se conecta una entrada de texto normal o una escala tipo Likert
secuencialmente. Algunos elementos de texto se ajustaron con formato HTML. Siempre hubo dos
Imágenes asignadas a cada rastro de seguimiento, por lo que la posición entre izquierda y derecha y la página
la secuencia fue aleatoria. El motivo de la aleatorización fue evitar los efectos de aprendizaje. los
el diseño del experimento presenta una hoja de estilo en cascada (CSS), donde el color de fondo, las imágenes o la página
Se puede ajustar el tamaño. Para mostrar el experimento, se utilizó una página index.html. Para el
experimento de seguimiento, era importante mostrar todos los objetos necesarios en una página, para que
los participantes no tuvieron que desplazarse hacia abajo para ver toda la información. El formato de página individual era
realizado en las computadoras de prueba para garantizar la integridad del experimento de seguimiento del mouse. los
la frecuencia de seguimiento para el rastro se estableció en 50 Hz, lo que define la longitud del intervalo entre dos datos
puntos en los que se registró el movimiento del ratón. Toda la información detallada sobre el
La construcción de nuestro experimento se puede encontrar en https://webtrackr.de/.
41
4.2.3 Diseño del experimento y procedimiento de prueba
Antes del experimento de seguimiento, los participantes tenían que completar una prueba de seguimiento del ratón para obtener
acostumbrado a la sensación del mouse y al entorno simulado de la tienda web. El experimento se dividió en un
Cuestionario de 13 diapositivas en una pestaña del navegador Google Chrome. Las primeras preguntas fueron sociodemográficas,
preguntando sobre la edad, el sexo y los ingresos mensuales. Como este experimento pretende simular un e
entorno de comercio, preguntas sobre el uso del mouse de la computadora y la frecuencia de compras en línea
también fueron incluidos. La tercera diapositiva evaluó el estado de ánimo del participante, según Allen y
Janiszewski (1989). La cuarta diapositiva evaluó el estilo de toma de decisiones mediante la implementación de un cuestionario de cuatro elementos.
escala de Beißert et al. (2014), que se orienta hacia la escala NFC de Cacioppo y Petty
(mil novecientos ochenta y dos). La quinta diapositiva comenzó con el primer rastro de seguimiento del ratón al enfrentar a los participantes con un
elección entre dos productos. Se proporciona una captura de pantalla en la Figura 16. Antes de la elección del producto
comenzó, los participantes tenían que hacer clic en un botón de inicio para alinear la posición del cursor para proporcionar un continuo
posición inicial. Después de hacer la elección, se tenían que responder cinco preguntas relacionadas: la primera
dos preguntas encaminadas a determinar la propiedad psicológica, según Bause et al. (2020).
Figura 16 Ejemplo de elección de un producto en el experimento
En la siguiente pregunta, los participantes tenían que ingresar un precio que estarían dispuestos a pagar por el
producto elegido (Schmidt & Bijmolt, 2020). Las dos últimas preguntas intentaron evaluar la percepción
dificultad de decisión y la confianza de hacer esa elección (Schneider et al., 2020; Langer et al.,
42
2008). Todas las preguntas, excepto la pregunta tres, debían responderse en una escala de Liker de siete puntos. Este
El procedimiento se repitió para siete escenarios de elección. La última diapositiva relacionada con el contenido le preguntó a la
los participantes cuál de los siete productos elegidos devolverían si tuvieran que hacer la elección. Este
La tarea tenía la intención de estimar las devoluciones de productos en un escenario de tienda web.
5. Hallazgos empíricos
Este capítulo presentará los hallazgos del experimento y probará la hipótesis mencionada anteriormente en su
sentido para concluir sobre la pregunta de investigación. Los datos fueron analizados con los programas SPSS
yr
5.1 Preparación de datos
Los archivos "Webtrackr" (archivos .txt) se leyeron en R y se convirtieron a un formato .csv para que el análisis
También se puede realizar con SPSS. Sin embargo, la mayor parte del análisis se realizó con la ratonera de R.
paquete, que permite visualizar los datos y calcular varias medidas (Kieslich et al., 2020). Como
en los datos sin procesar, cada ensayo se asignó a un archivo separado; era necesario fusionar todos los archivos en uno.
Otro paso importante, necesario para la visualización, fue reasignar todas las trayectorias a un lado. Como están las cosas
reconocible en la Figura 17, todas las trayectorias se reasignaron hacia el lado derecho y el mismo comienzo
posición. En un paso siguiente, el movimiento del ratón mide como la distancia recorrida, la aceleración y
se calcularon las velocidades. Además, las medidas estándar de seguimiento del mouse, como el tiempo de reacción
(RT), el área bajo la curva (AUC) o la desviación máxima (MD) se calcularon en R.
43
Figura 17 Todas las trayectorias registradas reasignadas al lado derecho
Con respecto al comportamiento atípico, todas las mediciones de seguimiento del mouse se verificaron en datos exploratorios
análisis en SPSS y los valores atípicos se excluyeron del conjunto de datos en R. Especialmente debido a la
influencias como personas hablando y otros ruidos en el entorno del experimento, el conjunto de datos fue
filtrado según Desviación Absoluta Máxima (MAD) < 854.019, Desviación Absoluta (MD) <
475.114, Área bajo la curva (AUC) < 186621, x-flips < 17, Tiempo de reacción (RT) < 21090 y el tiempo
hasta la iniciación del ratón (initiation_time) <4510. Todos los valores por encima o iguales a los valores mencionados
de las variables se identificaron como valores atípicos y se excluyeron del conjunto de datos. Notas sobre este resultado
a partir de diagramas de caja calculados en SPSS, que muestran los valores atípicos ubicados más allá de los extremos. Sin embargo,
los cambios en el conjunto de datos solo se realizaron con cuidado, ya que el objetivo era mantener los movimientos del mouse como
crudo posible. El conjunto de datos se dividió de acuerdo con la dificultad de decisión autoevaluada para averiguar
Diferencias entre decisiones difíciles y fáciles. Con la ayuda de una escala tipo Likert de siete puntos,
preguntando a los participantes sobre su dificultad de decisión percibida, el conjunto de datos se dividió en fácil
decisiones con valores mayores o iguales a cinco y en decisiones difíciles con valores menores o iguales a
dos. Esto resultó en 170 decisiones difíciles y 621 decisiones fáciles.
44
5.2 Resultados de R
En cuanto a la hipótesis uno de esta tesis, se presentan los resultados estadísticos y gráficos correspondientes.
en el siguiente.
H1: Las decisiones difíciles en una situación de compra muestran una mayor complejidad de trayectoria en comparación con las fáciles
decisiones de modo que haya un efecto en a) cambios de x y b) inversiones de x c) entropía muestral.
Como se explicó anteriormente, los giros x son pequeños cambios de dirección a lo largo del eje x, y son un indicador de
complejidad e imprevisibilidad de la trayectoria. La figura 18 muestra las medias agregadas de x-flips para
decisiones difíciles y decisiones fáciles en un diagrama de caja. Como ya es visible, podría haber una diferencia en
medio entre los dos conjuntos de datos. La media calculada de x-flips en R para la condición fácil es 2,62
(DE= 1,98) y para la condición difícil es de 3,3 (DE=2,54).
Figura 18 Diagramas de caja para decisiones fáciles (izquierda) y decisiones difíciles (derecha) con respecto a x-flips
Mirando la varianza de x-flips (3.92) en la condición fácil, que es el cuadrado de la
desviación estándar correspondiente, y la varianza de la condición difícil (6.45), una diferencia es
dado. Se podría realizar una prueba t de dos muestras de Welch. El supuesto de que la igualdad entre los
la existencia de dos medias puede rechazarse ya que la prueba de Welch establece que p tiene un valor de 0.001. La prueba t también
calculó un valor t de 3,25 y grados de libertad (gl) de 240,78. Por lo tanto, la media de x-flips para
la condición fácil y la condición difícil son significativamente diferentes.
Para probar una distribución normal de los datos, se realizó una prueba de Shapiro Wilk. por dificil
decisiones, la cantidad de x-flips no se distribuye normalmente ya que el valor p de la prueba de Shapiro Wilk fue
por debajo del alfa de 0.05 (2.2e-16). Para decisiones fáciles, el número de x-flips tampoco parece normal.
distribuido como el p-valor también está por debajo del margen 0.05 (2.508e-09). La Figura 19 muestra el
45
histograma correspondiente y un gráfico de densidad para los x-flips en condición fácil y difícil. Ya es
visible que los datos en ambos casos tienen un gran sesgo.
Figura 19 Gráfico de histograma y densidad para x-flips en condición fácil y difícil
Según Neuhäuser (2010), se puede realizar una prueba de Wilcoxon para una comparación de dos muestras para
datos asimétricos con varianzas desiguales, como es el caso aquí. Para ambas condiciones, p fue menor que
se debe asumir el alfa de 0.05 con un p-valor de 0.004 y una diferencia de medias. Asimismo, los datos
no se da la bimodalidad ya que el coeficiente de bimodalidad está por debajo del umbral de 0,55.
Con respecto a las inversiones de x, para ambas condiciones, la media agregada para las decisiones fáciles fue ligeramente inferior
con un valor de 1,16 (DE=1,17) que para decisiones difíciles con un valor de 1,48 (DE=1,48). el diagrama de caja
en la Figura 20 muestra que los medios pueden tener el potencial de ser similares. Como las varianzas de ambos
las condiciones para las inversiones de x difieren, se realizó una prueba de Welch de dos muestras. El valor p correspondiente
de 0,009 es menor que el nivel de significación especificado del 95 % y se debe calcular una diferencia de medias.
ficticio. Como el sesgo para ambas condiciones con 1,56 para la condición fácil y 1,33 para la difícil
condición, es incluso más grande que para los x-flips probados, se realizó una prueba de Wilcoxon. El valor p con
0,025 indica que las medias siguen siendo diferentes. El histograma en la Figura 21 muestra el sesgo de los datos
para x-reversals en condición fácil y difícil. Señala que los datos pueden no ser normalmente
repartido. La prueba de Shapiro Wilk lo confirma con un valor de p inferior a 0,05 para ambas condiciones.
Sin embargo, la bimodalidad no fue el caso ya que el coeficiente de bimodalidad fue menor que el
46
nivel de significación de 0.55 con un valor de 0.48 para la condición fácil y 0.51 para la difícil
condición.
Figura 20 Diagrama de caja para decisiones fáciles (izquierda) y decisiones difíciles (derecha) con respecto a las inversiones de x
Figura 21 Histograma para inversiones de x en condición fácil y difícil
La entropía de la muestra como medida de seguimiento del mouse para la complejidad e imprevisibilidad de la trayectoria es un
herramienta adecuada para verificar la corrección de la hipótesis uno. Las trayectorias clasificadas como fáciles, la muestra
entropía con un valor de 0.132, es mayor que para trayectorias clasificadas como difíciles con un valor de
0.124. Al observar las trayectorias agregadas por condición fácil y difícil reasignadas a la
lado derecho (Figura 22), es visiblemente reconocible que las trayectorias agregadas de la condición
difíciles tienen un curso más complejo e impredecible, en comparación con las trayectorias agregadas de
la condición fácil.
47
Figura 22 Trayectorias agregadas por condición, reasignadas al lado derecho
Una posible explicación de esta controversia podría ser que, como se ve en la Figura 23, la gráfica de densidad de x
reversiones en la condición fácil muestra un comportamiento multimodal y podría contribuir a una mayor
entropía muestral para trayectorias clasificadas como fáciles. Se puede encontrar más información relacionada en el
apartado “Limitaciones” de esta tesis.
Figura 23 Diagrama de densidad para inversiones de x en condición fácil
48
Medidas Condición Fácil Condición Difícil
x-voltea 2,62 3,30
s-reversiones 1.16 1.48
muestra de entropía 0.132 0.124
Tabla 2 Resultados empíricos para H1
La hipótesis dos de esta tesis se formuló considerando la curvatura de la trayectoria del ratón y
Establece que:
H2: Con respecto a las medidas de curvatura, las decisiones difíciles tienen un mayor impacto en AUC y MAD que las decisiones
fáciles. Además, la bimodalidad de esas medidas de curvatura debería ser mayor para decisiones difíciles que para decisiones
fáciles.
En cuanto a las medias agregadas de AUC respecto a las condiciones, las trayectorias clasificadas como fáciles
tienen una media de 13340,31 (DE= 20514,47) y difícil tienen una media de 18152,2 (DE= 21486,02). Como
los cuadrados de las desviaciones estándar difieren, se realizó una prueba de Welch de dos muestras. los
el valor p correspondiente de 0,009 indica una diferencia de medias entre los dos grupos. Esto es también
visible en el diagrama de caja de la Figura 24.
Figura 24. Diagrama de caja para decisiones fáciles (izquierda) y decisiones difíciles (derecha) con respecto a AUC
La prueba de Shapiro Wilk confirma ambas condiciones con un valor de p muy por debajo del nivel de significación de 0,05.
Los datos para cada condición no se distribuyen normalmente y la hipótesis alternativa debe ser
ficticio. Sin embargo, una prueba de Kolmogorov-Smirnov confirma la hipótesis nula de una distribución normal.
49
con un p-valor de 0.073 mayor que el alfa de 0.05. Como estas dos pruebas analíticas para datos
distribución puede tener problemas de importancia con grandes conjuntos de datos, un análisis gráfico de la distribución es
privilegiado. La Figura 25 muestra un histograma, un gráfico de densidad y un gráfico cuantil-cuantil para el ratón
seguimiento de la medida AUC por condición difícil y fácil.
Figura 25 Histograma, Density plot y QQplot de AUC por condición fácil (izquierda) y difícil (derecha)
En cuanto a los gráficos, se puede suponer una distribución normal de los datos. El histograma, la densidad
plot y QQ plot para la condición fácil no muestran signos de una distribución no normal. Además, sesgar con un
valor de 1,11 en condición fácil y 0,95 en condición difícil no parece representar un problema.
Los gráficos para condiciones difíciles podrían mostrar signos de bimodalidad; en consecuencia, la bimodalidad
50
Se calcularon el coeficiente (bc) y el estadístico de inmersión de Hartigan (HDS) para bimodalidad. El bc muestra un
valor de 0,52 y se encuentra por debajo del umbral de 0,55; el valor p de la medida HDS con 0.91 muestra
que la distribución tiene un carácter unimodal. Por lo tanto, se descuidó una prueba de suma de rangos de Wilcoxon
y se supone una diferencia de medias entre AUC por condición.
La Desviación Absoluta Máxima por condición establece que para la condición fácil, existe una media de
94,9 (DE=127,35) y para la condición difícil hay una media de 135,67 (DE=142,99). como el
las variaciones de las condiciones difieren con un valor de 16218.02 para la condición fácil y 20446.14 para la
condición difícil, se realizó una prueba t de dos muestras de Welch (p = 0.0009). La hipótesis nula debe
debe rechazarse y debe asumirse la hipótesis alternativa. Mirando el valor de los dos conjuntos de datos
distribución, una prueba de Shaprio-Wilk y una prueba de Kolmogorov-Smirnov muestran un valor de p por debajo de la significancia
nivel de 0,05. Los datos por condición, por lo tanto, no se distribuyen normalmente. Un histograma en la Figura 26
para el MAD por trayectorias clasificadas como fáciles y el MAD por trayectorias clasificadas como difíciles,
apoya ese hallazgo.
Figura 26 MAD para trayectorias en condición fácil (izquierda) y difícil (derecha)
Los signos de bimodalidad para la condición difícil, como se ve en la Figura x, llevaron a un cálculo de la
coeficiente de bimodalidad con un valor de 0.49 y un p-valor de 0.025 considerando el estadístico HDS.
Según Freeman y Dale en 2012, una prueba entre varias medidas de bimodalidad indicó que
el estadístico HDS es la medida de bimodalidad más apropiada (Freeman & Dale, 2013). Por lo tanto,
se supone, debido al valor p de 0,025 por debajo del nivel de significación de 0,05, que la distribución de
MAD por trayectoria para la condición difícil es bimodal. Mostrado gráficamente en un diagrama de densidad, este
el resultado analítico se puede proyectar (Figura 27).
51
Figura 27 Gráfico de densidad para MAD por clasificación de trayectoria difícil
Como no se proporciona una distribución normal de los conjuntos de datos, se realizó una prueba de suma de rangos de Wilcoxon para
verificar si existe diferencia de medias entre la MAD por condición fácil y la MAD por condición difícil.
Con un valor p de 0,001, las medias entre los dos conjuntos de datos por la condición se consideran como
diferente, aunque los conjuntos de datos tienen una distribución no normal.
Para el cálculo de la bimodalidad, se utilizaron el coeficiente de bimodalidad (BC) y el estadístico dip de Hartigan (HDS).
usó. Según Young-Jin Kang y Yoojeong Noh (2019) "tanto BC como HDS tienen características
que se contradicen” (Young-Jin Kang & Yoojeong Noh, 2019, p. 3). En 2012 Freeman y Dale
investigó qué medida de bimodalidad es más adecuada para mostrar la multimodalidad de una distribución. Sus
El resultado fue que la HDS es la más adecuada para indicar la bimodalidad (Freeman & Dale, 2013). Como consecuencia,
cuando las declaraciones entre las medidas BC y HDS difieren, la medida HDS se prioriza para
indicar bimodalidad.
En cuanto a AUC, el BC tiene un valor de 0.403 para decisiones fáciles y un valor de 0.518 para decisiones difíciles.
decisiones HDS tiene un valor p de 0,987 para decisiones fáciles y de 0,911 para decisiones difíciles. el nulo
hipótesis para la HDS establece que la distribución se considera unimodal si el valor p está por encima del
nivel de significación de 0,05. Aunque consideradas como unimodales, las decisiones difíciles para las AUC todavía tienen un
mayor tendencia a la bimodalidad que a las decisiones fáciles. Respecto a la MAD, la BC tiene un valor de 0.491
para decisiones fáciles y un valor de 0,493 para decisiones difíciles. El HDS tiene un valor p de 0.046 para fácil
52
decisiones y 0.025 para decisiones difíciles. Por lo tanto, tanto las decisiones fáciles como las difíciles con respecto a la
MAD se consideran bimodales, mientras que el valor de p para la condición difícil muestra una mayor
significado.
ABC 13340.31 18152.20
ENOJADO 94.90 135.67
ac de las AUC 0.403 0.518
HDS de AUC (valor p) 0.987 0.911
a.c. de MAD 0.491 0.493
HDS de MAD (valor p) 0.046 0.025
Tabla 3 Resultados empíricos para H2
H3: Las decisiones difíciles muestran una diferencia en el comportamiento temporal de las decisiones fáciles, de modo que para las
decisiones difíciles, MAD se cumple más tarde en el progreso de la trayectoria y RT es más largo en comparación con las decisiones fáciles.
Mirando los medios para cuando la trayectoria alcanza su máxima desviación absoluta de un
recta imaginaria (MAD_time) referente a las decisiones por condición, muestra que MAD_time para
decisiones difíciles se encuentra más tarde en la trayectoria con un valor de 2325.154 (SD= 1731.98) que para las fáciles
decisiones 1662.799 (DE= 1146.29). Como ambas varianzas difieren, se realizó una prueba t de dos muestras de Welch.
realizado. El valor p de 7.258e-06 indica una diferencia de medias entre ambos conjuntos de datos. Figura
28 muestra un histograma y un gráfico de densidad de MAD_time por condición fácil y difícil.
53
Figura 28 Gráfico de histograma y densidad de MAD_time por condición fácil (izquierda) y difícil (derecha)
Es visible que condition easy muestra un sesgo en la distribución de datos. Para la condición fácil, 1.54
y para la condición difícil 0,98. La prueba de Shapiro Wilk confirma que los datos normalmente no son
distribuida con un p-valor (1.643e-09) por debajo del nivel de significación. La prueba de la suma de rangos de Wilcoxon
confirma una diferencia de medias con un p-valor de 0,0001.
En cuanto a las decisiones de RT clasificadas como fáciles tienen una media de 3097,81 (DE= 1576,95) y las decisiones
clasificados como difíciles tienen una media de 4287,09 (DE= 2413,14). Las varianzas difieren y el valor p (1.221e
08) de la prueba t de Welch establece una diferencia de medias entre ambas condiciones. Una prueba de Shapiro Wilk para
ambas condiciones indican que los datos no se distribuyen normalmente (valor p fácil: < 2.2e-16, valor p
difícil: 6.972e-09). La Figura 29 muestra un histograma y un gráfico QQ para ambas condiciones para el
medir RT. Los resultados de la prueba de Shapiro Wilk se pueden proyectar. Sin embargo, una suma de rangos de Wilcoxon
prueba confirma una diferencia de medias con un p-valor de 1.761e-09.
54
Figura 29 Histograma y QQ-plot para RT por las condiciones fácil (izquierda) y difícil (derecha)
MAD_tiempo 1662.799 2325.154
RT 3097.81 4287.09
Tabla 4 Resultados empíricos de H3
55
A continuación, se presenta una descripción general de la hipótesis y su corrección:
Hipótesis Soportado
H1: Las decisiones difíciles en una situación de compra muestran una mayor complejidad de trayectoria en
comparación con las decisiones fáciles, por lo que hay un efecto en a) x-flips yb) x-reversals c) la entropía de
la muestra.
H1a: Las decisiones difíciles en una situación de compra muestran una mayor complejidad de trayectoria en
comparación con las decisiones fáciles, por lo que hay un efecto en a) x-flips. 9
H1b: Las decisiones difíciles en una situación de compra muestran una mayor complejidad de trayectoria en
comparación con las decisiones fáciles, por lo que hay un efecto en b) x-reversals. 9
H1c: Las decisiones difíciles en una situación de compra muestran una mayor complejidad de trayectoria en
comparación con las decisiones fáciles, por lo que hay un efecto sobre c) la entropía de la muestra. 8
H2: Con respecto a las medidas de curvatura, las decisiones difíciles tienen un mayor impacto en AUC y MAD que
las decisiones fáciles. Además, la bimodalidad de esas medidas de curvatura debería ser mayor para decisiones
difíciles que para decisiones fáciles.
H2a: Con respecto a las medidas de curvatura, las decisiones difíciles tienen un mayor impacto en AUC en
comparación con las decisiones fáciles. 9
H2b: En cuanto a las medidas de curvatura, las decisiones difíciles tienen un mayor impacto en MAD en
comparación con las decisiones fáciles. 9
56
H2c: Además, la bimodalidad de esas medidas de curvatura debería ser mayor para decisiones difíciles que para decisiones
fáciles. 9
H3: Las decisiones difíciles muestran una diferencia en el comportamiento temporal de las decisiones fáciles, de modo que
para las decisiones difíciles, MAD se cumple más tarde en el progreso de la trayectoria y RT es más largo en comparación
con las decisiones fáciles.
H3a: Las decisiones difíciles muestran una diferencia en el comportamiento temporal de las decisiones fáciles, de modo que
para las decisiones difíciles, MAD se encuentra más tarde en la trayectoria. 9
H3b: Las decisiones difíciles muestran una diferencia en el comportamiento temporal de las decisiones fáciles, de modo que
para las decisiones difíciles, RT es más largo en comparación con las decisiones fáciles. 9
Tabla 5 Resumen de las hipótesis
57
Descripción general de las medidas agregadas:
x-voltea 2,62 3,30
x-reversiones 1.16 1.48
muestra de entropía 0.132 0.124
ABC 13340.31 18152.20
ENOJADO 94.90 135.67
ac de las AUC 0.403 0.518
HDS de AUC (valor p) 0.987 0.911
a.c. de MAD 0.491 0.493
HDS de MAD (valor p) 0.046 0.025
MAD_tiempo 1662.799 2325.154
RT 3097.81 4287.09
Tabla 6 Resumen de medidas agregadas
58
6. Discusión
La siguiente sección procesa los resultados previamente elaborados e interpreta su significado.
sobre la literatura discutida en un contexto de neuromarketing. Correlaciones, características comunes y
Se mostrarán y estructurarán las diferencias por cada una de las hipótesis. Como es una parte esencial de este
tesis de ver estos resultados desde una perspectiva empresarial, las implicaciones surgirán y se pondrán en contexto para
su aplicabilidad. Este estudio se realizó bajo circunstancias especiales; por lo tanto, limitaciones y
Se agregarán párrafos de investigación futura.
6.1 Discusión general
Varios estudios mostraron que el seguimiento del ratón es una herramienta valiosa para investigar la dificultad de decisión (Szaszi
et al., 2018; Maldonado et al., 2019). A medida que la investigación sobre el comportamiento del consumidor en línea y en línea
toma de decisiones se encuentra aún en su etapa de desarrollo, esta tesis trata de desplegar la resolución de los
proceso de toma de decisiones en el contexto de la dificultad de decisión (Darley et al., 2010). Por lo tanto, un ratón
Se llevó a cabo un experimento de seguimiento en el que 157 participantes se enfrentaron a una tarea de elección.
entre dos alternativas. Las trayectorias registradas del ratón se analizaron de acuerdo con su
complejidad, curvatura y su comportamiento temporal. Se esperaba ver una diferencia en la trayectoria.
comportamiento entre la dificultad de decisión autoevaluada de las alternativas. Los resultados confirman la
supuestos previos en casi todos los casos. Concluyendo sobre la investigación sobre la teoría de lo encarnado
cognición y la dualidad de la mente humana, la tesis probó la bimodalidad de la curvatura de la trayectoria
(Markman y Brendl, 2005; Freeman y Dale, 2013). Los resultados no indican valores significativos, pero un
Se identificó la tendencia a que las decisiones difíciles muestren una mayor bimodalidad en las medidas de curvatura.
Las hipótesis están ordenadas secuencialmente en una pauta de modo que la presencia de pensamiento dual
los procesos pueden ser enfatizados y apoyados empíricamente. Con la medida de la trayectoria
complejidad, tenía como objetivo probar la mera existencia de competencia entre dos
procesos. El análisis de la curvatura de la trayectoria en bimodalidad tuvo como objetivo describir la mano
comportamiento motor de los movimientos en el contexto de la dualidad de la cognición. El tercer supuesto trató de
describir y explicar la secuencia temporal de los dos procesos en una tarea de decisión. La intención detrás
las tres hipótesis fue considerar la resolución del proceso de decisión desde diferentes
perspectivas para lograr una comprensión integral.
La hipótesis uno muestra que las trayectorias clasificadas como difíciles tienen, en promedio, 0.7 x-flips más que
trayectorias clasificadas como fáciles. Además, las inversiones de x para la trayectoria difícil fueron 0,32 más en cantidad
que para la trayectoria fácil promedio. Este resultado no se reflejó en la entropía de la muestra, un ratón
59
seguimiento de la medición de la irregularidad de la trayectoria y la imprevisibilidad. Para calcular la entropía de la muestra,
la trayectoria se normaliza en el tiempo a 101 pasos de tiempo y se compara en un análisis de desorden espacial para
diferentes secuencias de la trayectoria (Hehman et al., 2015). En qué secuencia, complejidad de la trayectoria
fue el que más no pudo ser analizado descriptivamente. Aún así, gráficamente, como se ve en la Figura 15,
Las irregularidades de la trayectoria agregada difícil se acumulan en las secuencias iniciales de mouse
movimientos Al comparar visualmente las dos trayectorias promedio, es reconocible que el
la curva difícil del ratón muestra muchas más irregularidades y movimientos impredecibles que la curva fácil
curva de raton Ya se dio una posible explicación para el resultado descriptivo en “ÿ.2 Results from
R”. Sin embargo, dos de cada tres mediciones indicaron que las decisiones difíciles provocan más
movimientos complejos del ratón que decisiones fáciles y se asume la corrección de la hipótesis. X
flips y x-reversals se orientan exclusivamente de acuerdo con los movimientos a lo largo del eje x. Todavía,
como el diseño de decisión utilizado apoya la importancia de las medidas a lo largo de este eje, cualquier preocupación en este
la consideración puede ser descuidada. Según Koop y Johnson, los x-flips representan un cambio momentáneo en
preferencias y x-reversals un cambio definitivo en las preferencias de modo que se puede concluir que en difícil
decisiones, esta competencia de preferencias es más activa que para las decisiones fáciles (Koop & Johnson,
2013). La resolución motora y temporal de esta competencia de preferencia se discutirá más adelante,
pero por ahora, se puede suponer la presencia de tales. Lo que hay que señalar es que el rápido, intuitivo
y emocional El Sistema 1 de pensamiento está sujeto a una función de control del Sistema reflexivo y lento
2 de pensamiento. X-flips y x-reversals podrían representar esta corrección en pleno vuelo, que se puede ver en
la trayectoria del ratón (Stillman et al., 2018). Un método de análisis más adecuado para respaldar esta afirmación
podrían ser medidas de curvatura de trayectoria, que son parte de la segunda hipótesis de esta tesis.
La hipótesis dos mostró que las mediciones de curvatura para decisiones difíciles son consistentemente más grandes
que para decisiones fáciles. El AUC en promedio es 4811.32 más alto para las opciones difíciles que para las fáciles. También,
MAD para trayectorias clasificadas como difíciles fue en promedio, 40.77 más grande que trayectorias en condición
fácil. Concluyendo con estos resultados, las mediciones de curvatura muestran que las decisiones difíciles evocan una
competencia de mayor respuesta. AUC y MAD indicaron que la alternativa no seleccionada generó una
tirón cuyas dimensiones dependían del atractivo alternativo del escenario de elección. Este hallazgo está en
de acuerdo con Schneider et al. en 2015, quien investigó la ambivalencia de las alternativas de elección.
Al mirar la trayectoria agregada en la Figura 15, una presencia notable de dos pensamientos distintos
Los procesos no pueden ser reconocidos. Una de esas trayectorias tendría que tener un cambio extremo de
dirección en lugar de un arco para que sea posible ver una dicotomía. Para esta tesis, los dos
procesos de pensamiento no se consideran operaciones independientes y separadas, sino más bien como
procesos complementarios y superpuestos que interactúan dinámicamente entre sí. Dar y
Gorlin hizo una idea comparable en 2013, quien investigó la interacción entre intuitivo y
60
procesos deliberados. Además, Trueblood en 2006 introdujo un modelo dinámico de dos partes de
pensamiento.
Para determinar una dualidad de cognición, las medidas de curvatura de seguimiento del ratón se probaron en
bimodalidad con el coeficiente de bimodalidad y el estadístico DIP de Hartigan. Para decisiones fáciles y difíciles
en cuanto al AUC, ni la BC ni la HDS mostraron resultados significativos en cuanto a la bimodalidad. debe ser
señaló que para decisiones difíciles, los resultados de bimodalidad estaban más cerca de la significación que para decisiones fáciles
decisiones En cuanto a MAD, la medida HDS confirma la bimodalidad en ambos casos, mientras que
Las decisiones son más significativas que las decisiones fáciles. Freeman y Ambady en 2010 afirmaron que
AUC es un mejor índice de atracción general hacia la alternativa de respuesta no seleccionada, mientras que
MAD es un mejor índice de la máxima atracción. El experimento muestra que las decisiones difíciles
evocar una desviación absoluta máxima más alta en una tarea cognitiva desafiante. El punto donde el
la trayectoria cambia de dirección, lo que sucede en el MAD, podría representar la transición suave
del sistema intuitivo al sistema deliberado. Freeman y Dale en 2013 investigados
mediciones de bimodalidad como fundamento de la existencia de procesos cognitivos duales. vinieron a
el resultado de que la medida HDS representa una explicación más confiable. MAD siendo bimodal en eso
aspecto representa la prueba de que dos procesos cognitivos están activos en una tarea de elección. por dificil
decisiones, que necesitan más esfuerzo cognitivo, se puede priorizar este reconocimiento. Para inspeccionar cómo esto
el proceso se resuelve temporalmente, se investigó la hipótesis tres.
El punto de tiempo cuando MAD alcanzó su máximo se cumplió más tarde para decisiones difíciles por 662.34
en comparación con las decisiones fáciles. Cuando se seleccionó una alternativa, el tiempo de reacción fue más tarde por
1189.28 en una tarea de elección difícil a una tarea de elección fácil. La investigación de la Teoría del Proceso Dual identificó que
los dos procesos cognitivos siguen una secuencia temporal. El intuitivo Sistema 1 está activo para el
parte inicial del proceso de decisión y el Sistema 2 deliberado está activo durante la última parte del proceso.
proceso de decisión (Kahneman & Frederick, 2012; Dhar & Gorlin, 2013; Stillman et al., 2018). tan dificil
las decisiones toman más tiempo en el tiempo de reacción, muestra que dos procesos están activos durante la decisión.
Que las decisiones difíciles se encuentren con MAD más tarde es una prueba de la competencia continua de System 1 y System
2. Qué sistema es responsable en última instancia del resultado de la decisión puede depender de varios
factores como el carácter de la tarea, el tiempo disponible para la deliberación, el estado de ánimo del encuestado,
inteligencia y pensamiento estadístico (Kahneman & Frederick, 2012). Como este estudio se limita a un
análisis de trayectoria en un escenario de elección, se supone que un punto de transición posterior, representado por
El punto de tiempo de MAD, es un signo de activación del proceso cognitivo deliberado dos en una elección difícil
tarea.
61
6.2 Implicaciones
Este estudio pretendía utilizar el seguimiento del ratón para descubrir los procesos cognitivos en un escenario de elección.
El seguimiento del ratón es un método relativamente nuevo que se utilizó en varios campos de la investigación científica. Eso
aún no ha recibido aceptación y aplicabilidad en el mundo empresarial, ya que Schoemann et al. en 2019
descubrió que el seguimiento del mouse es muy susceptible a errores, especialmente en relación con el medio ambiente
influencias. Como estos factores externos generalmente solo se pueden controlar de forma limitada, se podría
cuestionar el significado de la trayectoria de un ratón. Las grandes empresas de comercio electrónico podrían minimizar estos
influencias externas mediante la recopilación de grandes cantidades de datos para crear información valiosa por
promediando sus hallazgos. El experimento demuestra que dos procesos cognitivos, uno rápido e intuitivo
y uno lento y deliberado, puede estar activo durante el proceso de decisión. Mayor activación de estos
se pudieron verificar dos procesos en una tarea de decisión difícil, mientras que el proceso dos fue responsable de
el resultado de la decisión en un tipo de decisión difícil. Una conclusión para los especialistas en marketing en comercio electrónico de
estos resultados es que deben manipular las decisiones para que sea relativamente fácil cuando apuntan a un
resultado de decisión intuitivo e irreflexivo. Cuando apuntan a un resultado de decisión con un recuerdo
efecto y una probabilidad de recompra de la alternativa no elegida, tal como lo afirman Liberman y Förster en
2006, deben manipular las decisiones para que sean relativamente difíciles. Predecir las decisiones de compra es un
tarea difícil. Con el desdoblamiento y la inspección de los procesos cognitivos, una aproximación para
se pueden tomar estas decisiones.
6.3 Limitaciones
El experimento de este estudio se realizó durante los tiempos de una pandemia de COVID 19 y, por lo tanto,
la accesibilidad a las ubicaciones de la Universidad era limitada y parcialmente restringida. El único lugar posible para
viabilizar el experimento fue el comedor de la Universidad. En consecuencia, los participantes estaban propensos
a las influencias visuales, acústicas y olfativas. Estas influencias podrían haber representado un importante
manipulación del comportamiento de la trayectoria como Schoenmann et al. en 2019 descubrió que el seguimiento del mouse es muy
propenso a influencias externas. Para hacer el mejor uso posible de la situación dada,
los participantes fueron separados espacialmente con tabiques y colocados de manera que se enfrentaran a un
pared. Para el experimento se utilizaron dos computadoras similares. Se aseguró que la configuración gráfica
eran idénticos; sin embargo, una diferencia en el tamaño de la pantalla aún podría conducir a diferentes percepciones por
Participantes. Otra limitación de este estudio fue que los valores atípicos en el conjunto de datos se trataron relativamente
negligente para mantener la trayectoria promedio lo más cruda posible. Una medida que podría conducir a una
la percepción distorsionada de la cognición en un proceso de toma de decisiones es el tiempo de iniciación del cursor.
62
Los participantes podrían haber determinado el resultado de la decisión incluso antes de mover el mouse. Diferente
Las soluciones a este problema ya se han presentado en la investigación de seguimiento del ratón mediante el establecimiento de
recordatorios para los participantes cuando el ratón se detiene o inicia el experimento de seguimiento, no hasta que
el ratón se mueve (Hehman et al., 2015; Kieslich et al., 2019). Ninguno de estos enfoques se utilizó
en el experimento realizado. Durante el proceso de evaluación de los datos de seguimiento del ratón, se ha
señaló que la mayoría de las decisiones fueron clasificadas como fáciles. En total las decisiones fáciles fueron 3,6 veces
decisiones más frecuentes que difíciles. Una posible explicación podría ser que la prueba previa reunida
Los resultados tuvieron poca influencia en la creación de los escenarios de elección de la prueba principal. Otra explicación
podría ser que las personas busquen justificación para sus elecciones, lo que podría conducir a un compromiso en un
escenario con posibilidades extremas de selección (Simonson & Tversky, 1992). En aplicación a la
experimento realizado, los participantes podrían elegir un valor bajo o medio en una escala de Likert
en lugar de optar por valores extremos como uno o siete.
6.4 Investigación adicional
El seguimiento de los movimientos del ratón todavía es un campo científico poco investigado. La literatura reciente se ocupa de
el seguimiento del mouse como una herramienta de seguimiento de procesos, pero descuida la ventaja del seguimiento del mouse como una herramienta adecuada
medio para explicar el comportamiento en línea. Como Webtrackr es aplicable en casi cualquier navegador web, nuevos
se abren posibilidades de investigación. Los experimentos de seguimiento con este software no tienen que ser
se llevará a cabo en función de la ubicación y será posible simular un escenario en línea perfecto.
En el curso de esta tesis, se ha utilizado la Teoría del Proceso Dual para explicar el comportamiento de decisión.
Sin embargo, se han encontrado signos de procesamiento dinámico, lo que requiere más investigación en un
experimento diferente. También sería interesante ver cómo se desarrolla un análisis cognitivo de forma fácil y
decisiones difíciles así como decisiones clasificadas con una dificultad media. Debido a limitaciones en la
procesamiento de datos, medidas como la velocidad y la aceleración de los movimientos del mouse no se pudieron usar, pero
sería de interés para futuras investigaciones.
6.5 Conclusión
Esta tesis investigó la resolución de procesos cognitivos en una situación de decisión de compra
dificultad con el seguimiento del ratón. Los hallazgos muestran que las decisiones de compra fáciles siguen el Sistema 1 y
las decisiones de compra difíciles siguen el Sistema 2 de la Teoría del Proceso Dual. No obstante, ambos sistemas
puede estar activo durante una tarea de decisión, especialmente cuando las decisiones son difíciles y el tiempo de reacción es
más extenso. El seguimiento del mouse de la computadora demuestra ser una herramienta adecuada para descubrir procesos mentales por
63
analizando los movimientos motores de la mano, aunque es propenso a las influencias ambientales. Un
Se realizó un experimento en el que los participantes tenían que decidir entre dos alternativas y confirmar
su decisión con un clic del mouse en la pantalla de una computadora. Los resultados se analizaron separando los datos
de acuerdo a la dificultad de decisión autoevaluada e investigada gráfica y descriptivamente. Con el
hallazgos mencionados, fue posible ampliar la investigación sobre la dificultad de decisión en el comercio electrónico para
que el análisis de la cognición humana podría tener el potencial de desarrollar y predecir la decisión mental
procesos.
64
Referencias
Akaike, H. (1974). Una nueva mirada a la identificación del modelo estadístico. Transacciones IEEE en automático
Control, AC-19, 716–723. doi:10.1109/TAC.1974.1100705
Allen, CT y Janiszewski, CA (1989). Evaluación del papel de la conciencia de contingencia en la actitud
Condicionamiento con implicaciones para la investigación publicitaria. Revista de Investigación de Mercados, 26(1),
30. https://doi.org/10.2307/3172667
Arroyo, E., Selker, T. y Wei, W. (2006). Herramienta de usabilidad para el análisis de diseños web utilizando pistas de mouse,
484. https://doi.org/10.1145/1125451.1125557
Ashman, R., Solomon, MR y Wolny, J. (2015). Un viejo modelo para una nueva era: decisión del consumidor
el hacer en la cultura digital participativa. Revista de comportamiento del cliente, 14(2), 127–146.
https://doi.org/10.1362/147539215x14373846805743
Bang, H. y Wojdynski, BW (2016). Seguimiento de la atención visual y las respuestas de los usuarios a los mensajes personalizados.
publicidad basada en la demanda cognitiva de la tarea. Computadoras en el comportamiento humano, 55, 867–876.
https://doi.org/10.1016/j.chb.2015.10.025
Bause, IM, Brich, IR, Hesse, FW y Wesslein, A. (2020). ¿Se toca información en una superficie?
tablet afectan cómo se evalúa? 16(2), 127–146.
Beißert, H., Koehler, M., Rempel, M. y Beierlein, C. (2014). Una escala corta en alemán para
Messung des Konstrukts Need for Cognition [Escala corta alemana para medir el constructo
necesidad de cognición]. GESIS- Documentos de Trabajo Documentos de Trabajo, 32.
Bernoulli, D. ([1738] 1954). Exposición de una nueva teoría sobre la medición del riesgo. (Ed. y traducción)
Econométrica, 22(1), 23–36. DOI:10.2307/1909829
Bettman, JR, Johnson, EJ y Payne, JW (1991). Toma de decisiones del consumidor. en Manual de
comportamiento del consumidor (págs. 50–84).
Breugelmans, E. Köhler, CF, Dellaert, BGC y de Ruyter, K. (2012). Decisión interactiva de promoción
ayudas en sitios web minoristas: una perspectiva de encuadre de mensajes con consumidores nuevos versus tradicionales
comportamiento. Diario de venta al por menor, 88 (2), 226-235. doi: 10.1016/j.jretai.2011.10.003
sesenta y cinco
Bullens, L., Forster, J., van Harreveld, F. y Liberman, N. (2012). Conflicto decisional autoproducido debido
a metacogniciones incorrectas. Consistencia cognitiva: un principio fundamental en la cognición social,
285–304
Oficina, USC (2015). E-Stats ÿÿÿÿÿÿ Midiendo la Economía Electrónica. 1–5.
Busemeyer, JR y Townsend, JT (1993). Teoría del campo de decisión: un enfoque dinámico-cognitivo para
toma de decisiones en un entorno incierto. Revisión psicológica, 100(3), 432–459.
https://doi.org/10.1037/0033-295X.100.3.432
Büttner OB, Florack A, Leder H, Paul MA, Serfas BG y Schulz AM (2014). Difícil de ignorar:
Los compradores impulsivos muestran un sesgo de atención en las situaciones de compra. Psicosocial y
Ciencia de la personalidad, 5(3), 343–351. https://doi.org/10.1177/1948550613494024
Cacioppo, JT y Petty, RE (1982). La necesidad de cognición. Diario de Personalidad y Social
Psicología, 42(1), 116.
Calluso, C., Commiteri, G., Pezzulo, G., Lepora, N. y Tosoni, A. (2015). Análisis de la cinemática de la mano.
revela diferencias interindividuales en la dinámica de decisión intertemporal. cerebro experimental
Investigación, 233(12), 3597–3611. https://doi.org/10.1007/s00221-015-4427-1
Chandon, P. (2002). ¿Sabemos lo que miramos? Un estudio de seguimiento ocular de la atención visual y
Memoria para Marcas en el Punto de Compra. Revista de Investigación del Consumidor, 60, 1–41.
https://doi.org/10.1300/J103v21n01_03
Conrey, FR, Sherman, JW, Gawronski, B., Hugenberg, K. y Groom, C. (2005). Separando múltiples
Procesos en la cognición social implícita: el modelo Quad de desempeño de tareas implícitas. Diario de
Personalidad y psicología social, 89, 469–487.
Dale, R., Kehoe, C. y Spivey, MJ (2007). Respuestas motoras graduadas en el transcurso del tiempo de categorización
ejemplares atípicos. Memoria y cognición, 35(1), 15– 28, doi:10.3758/BF03195938.
Darley, WK, Blankson, C. y Luethge, DJ (2010). Hacia un marco integrado para Internet
Comportamiento del consumidor y proceso de toma de decisiones: una revisión. Psicología y Marketing, 27(2),
94–116. https://doi.org/10.1002/mar.20322
Davenport, Thomas H. y John C. Beck (2001), La economía de la atención: comprensión de la moneda
de negocios. Boston: Prensa de la Escuela de Negocios de Harvard.
66
Cubierta, C. y Jahedi, S. (2015). El efecto de la carga cognitiva en la toma de decisiones económicas: una encuesta y
nuevos experimentos. Revista Económica Europea, 78, 97–119.
https://doi.org/10.1016/j.euroecorev.2015.05.004
Demsar, U., Cöltekin, A. (2014). Cuantificar las interacciones entre los movimientos del ojo y del ratón en
interfaces visuales espaciales a través de visualizaciones de trayectoria. https://doi.org/10.5167/uzh-105671
Dhar, R. y Gorlin, M. (2013). Un marco de sistema dual para comprender la construcción de preferencias
procesos en elección. Revista de Psicología del Consumidor, 23(4), 528–542.
https://doi.org/10.1016/j.jcps.2013.02.002
Diederich, A. y Trueblood, JS (2018). Un modelo de proceso dual dinámico de decisión arriesgada
haciendo. Revisión psicológica, 125(2), 270–292. https://doi.org/10.1037/rev0000087
Diego-Mas, J. A., Garzon-Leal, D., Poveda-Bautista, R., & Alcaide-Marzal, J. (2019). User- interfaces
optimización del diseño mediante seguimiento ocular, movimientos del ratón y algoritmos genéticos., 78, 197–
209.
Dixon, E., Enos, E., Brodmerkle, S. (2011). ( 12 ) Andrew, examinador primario de patentes de los Estados Unidos
Examinador asistente de Caldwell ÿ Melvin H Pollack. 2(12).
Djamasbi, S. (2014). T ransacciones en I nteración H umano - C omputadora. 6(2), 37–54.
Engel, JF, Kollat, DT y Blackwell, R. . (1968). Comportamiento del consumidor. Nueva York: Rinehart & Winston.
Fiedler, S. y Glöckner, A. (2012). La dinámica de la toma de decisiones en la elección arriesgada: un seguimiento ocular
análisis. Fronteras en Psicología, 3 (OCT). https://doi.org/10.3389/fpsyg.2012.00335
Fiedler, S. y Glöckner, A. (2012). La dinámica de la toma de decisiones en la elección arriesgada: un seguimiento ocular
análisis. Fronteras en Psicología, 3 (OCT). https://doi.org/10.3389/fpsyg.2012.00335
Franco, K. (2010). Teorías del razonamiento de proceso dual y sistema dual. Brújula de Filosofía, 5(10),
914–926. https://doi.org/10.1111/j.1747-9991.2010.00330.x
Freeman, JB (2018). Haciendo ciencia psicológica a mano. Direcciones Actuales en Psicología
Ciencia, 27(5), 315–323. https://doi.org/10.1177/0963721417746793
67
Freeman, JB y Ambady, N. (2009). Los movimientos de la mano exponen la activación parcial y paralela.
de estereotipos: Informe de investigación. Ciencia psicológica, 20(10), 1183–1188.
https://doi.org/10.1111/j.1467-9280.2009.02422.x
Freeman, JB y Ambady, N. (2010). MouseTracker: software para el estudio mental en tiempo real
procesamiento utilizando un método de seguimiento del mouse de la computadora. Métodos de investigación del comportamiento, 42(1), 226–
241. https://doi.org/10.3758/BRM.42.1.226
Freeman, JB y Dale, R. (2013). Evaluar la bimodalidad para detectar la presencia de un sistema cognitivo dual
proceso. Métodos de investigación del comportamiento, 45(1), 83–97. https://doi.org/10.3758/s13428-012-0225-x
Goldberg, JH, Wichansky, AM y Corporation, O. (2003). Eÿe tracking en evaluación de usabilidadÿÿ A

ÿ
facultativo guía de s. Octubre. En J. Hyönä, R. Radach y H. Deubel (Eds.), El ojo de la mente.
Aspectos cognitivos y aplicados de la investigación del movimiento ocular (págs. 492–516). Ámsterdam: Elsevier.
Guadagno, RE y Cialdini, RB (2005). Persuasión y cumplimiento en línea: influencia social en la
Internet y más allá. En The Social Net: The Social Psychology of the Internet (Edición ABRIL 2009,
págs. 91–113). https://doi.org/citeulike-article-id:1291763
Hartigan, JA y Hartigan, PM (1985). La prueba de inmersión de la unimodalidad. Los Anales de Estadística, 13(1),
70–84
Haubl, G. y Trifts, V. (2000). Toma de decisiones del consumidor en entornos de compras en línea: la
efectos de las ayudas interactivas para la toma de decisiones. Ciencias del marketing, 19(1), 4–21.
https://doi.org/10.1287/mksc.19.1.4.15178
Haynes, GA (sin fecha). Probando los límites del fenómeno de sobrecarga de elecciónÿÿ El efecto de
Número de Opciones y Presión de Tiempo sobre la Dificultad de Decisión y Satisfacción. 26 (marzo de 2009),
204–212. https://doi.org/10.1002/mar
Hehman, E., Stolier, RM y Freeman, JB (2015). Técnicas analíticas avanzadas de seguimiento del ratón para
mejorar la ciencia psicológica. Procesos de grupo y relaciones entre grupos, 18(3), 384–401.
https://doi.org/10.1177/1368430214538325
Huang, YF y Kuo, FY (2012). Cómo afecta la impulsividad a la toma de decisiones del consumidor en el comercio electrónico.
Investigación y aplicaciones de comercio electrónico, 11(6), 582–590.
https://doi.org/10.1016/j.elerap.2012.09.004
68
Jacob, RJK y Karn, KS (2003). Eye Tracking en Interacción Humano-Computadora y Usabilidad
Investigarÿÿ Leerÿ para cumplir las promesas. En J. Hyönä, R. Radach y H. Deubel (Eds.), The mind's
ojo. Aspectos cognitivos y aplicados de la investigación del movimiento ocular (págs. 573–605). Ámsterdam:
Elsevier.
Jacoby, LL, Craik, FIM y Begg, I. (1979). Efectos de la dificultad de decisión en el reconocimiento y recuerdo.
Revista de aprendizaje verbal y comportamiento verbal, 18(5), 585–600. https://doi.org/10.1016/S0022-
5371(79)90324-4
Jevremovi, A., Adamovi, S. y Veinovi, M. (2014). Mousetracking de visitantes para evaluar la eficacia de la Web
Diseño del sitio. 11(2), 291–300. https://doi.org/10.2298/SJEE131223023J
Johnson, A., Mulder, B., Sijbinga, A. y Hulsebos, L. (2012). La acción como ventana a la percepción:
Medición de la atención con movimientos del ratón. Psicología Cognitiva Aplicada, 26(5), 802–809.
https://doi.org/10.1002/acp.2862
Kahneman, D. y Frederick, S. (2012). Representatividad revisada: sustitución de atributos en intuitivo
Juicio. En Heurística y sesgos (edición de enero de 2002).
https://doi.org/10.1017/cbo9780511808098.004
Kahneman, D. y Tversky, A. (1982). La psicología de las preferencias. Scientific American, 246(1), 160–
173. https://doi.org/10.1038/scientificamerican0182-160
Kang, Y. y Noh, Y. (2019). Desarrollo de Hartigan s Estadístico de buzamiento ÿcon bimodalidadÿ Coeficiente para
Evaluar Multimodalidad de Distribuciones. 2019.
Khachatryan, H. y Rihn, AL (2014). Metodología de Eye-Tracking y Aplicaciones en Consumo
Investigar. Fuente de información de datos electrónicos de UF/ IFAS Extension, 1–5.
Kieslich, PJ y Henninger, F. (2017). Mousetrap: un rastreador de mouse integrado y de código abierto
paquete. Métodos de investigación del comportamiento, 49(5), 1652–1667. https://doi.org/10.3758/s13428-017-
0900-z
Kieslich, PJ, Henninger, F., Wulff, DU, Haslbeck, JMB y Schulte-Mecklenbeck, M. (2019a).
Mouse-tracking: una guía práctica para la implementación y el análisis. un manual de proceso
Métodos de rastreo. , 111–130. https://github.com/pascalkieslich/mousetrap-os.
69
Kieslich, PJ, Henninger, F., Wullf, D., Haslbeck, J. y Schulte-Mecklenbeck, M. (2018). Ratón
seguimiento: una guía práctica para la implementación y el análisis. En M. Schulte-Mecklenbeck, A.
Kühberger, & JG Johnson (Eds.), Manual de métodos de rastreo de procesos. Nueva York.
https://doi.org/10.31234/osf.io/zuvqa
Kieslich, PJ, Schoemann, M, Grage, T, Hepp, J y Scherbaum, S (2019b). Factores de diseño en ratón.
seguimiento: ¿Qué hace la diferencia? Métodos de investigación del comportamiento.
https://doi.org/10.3758/s13428-019-01228-y
Kim, SH, Dong, Z., Xian, H., Upatising, B. y Yi, JS (2012). ¿Un rastreador ocular dice la verdad sobre
¿Visualizaciones?: Hallazgos al investigar visualizaciones para la toma de decisiones. Transacciones IEEE
on Visualization and Computer Graphics, 18(12), 2421–2430.
https://doi.org/10.1109/TVCG.2012.215
Kim, YA y Srivastava, J. (2007) Impacto de la influencia social en la toma de decisiones de comercio electrónico.
Actas de la 9.ª Conferencia Internacional sobre Comercio Electrónico, Minneapolis, 19-22
Agosto de 2007, 293-302.
http://dx.doi.org/10.1145/1282100.1282157
Koop, GJ y Johnson, JG (2011). Dinámica de respuesta: una nueva ventana al proceso de decisión.
Sentencia y toma de decisiones, 6(8), 750–758.
Koop, GJ y Johnson, JG (2013). La dinámica de respuesta de elección preferencial. COGNITIVO
PSICOLOGÍA, 67(4), 151–185. https://doi.org/10.1016/j.cogpsych.2013.09.001
Kühberger, A. y Schulte-Mecklenbeck, M. (2017). Teorías de la toma de decisiones económicas: valor, riesgo
y afectar Psicología económica, junio, 19–34. https://doi.org/10.1002/9781118926352.ch2
Liberman, N. y Förster, J. (2006). Inferencias a partir de la dificultad de decisión. Diario de Social Experimental
Psicología, 42(3), 290–301. https://doi.org/10.1016/j.jesp.2005.04.007
Longarta, P., Wickensb, E. y Bakirc, A. (2016). Proceso de decisión del consumidor en la selección de restaurantes: una
aplicación del modelo ekb estilizado. Market-Trziste, 28(2), 173–190.
https://doi.org/10.22598/mt/2016.28.2.173
López, RB, Stillman, PE, Heatherton, TF y Freeman, JB (201ÿ). Cuidando el alcance de uno (para comer):
La promesa del seguimiento del mouse por computadora para estudiar la autorregulación de la alimentación. Fronteras en
Nutrición, 5 (mayo), 1–6. https://doi.org/10.3389/fnut.2018.00043
70
Maldonado, M., Dunbar, E. y Chemla, E. (2019). Rastreo del ratón como ventana a la toma de decisiones.
Métodos de investigación del comportamiento, (2011). https://doi.org/10.3758/s13428-018-01194-x
Markman, AB y Brendl, CM (2005). Teorías restrictivas de la cognición incorporada. Psicológico
Ciencia, 16(1), 6–10. https://doi.org/10.1111/j.0956-7976.2005.00772.x
McKinstry, C., Dale, R. y Spivey, MJ (2008). Las dinámicas de acción revelan una competencia paralela en la decisión
haciendo. Ciencia Psicológica, 19(1), 22–24. https://doi.org/10.1111/j.1467-9280.2008.02041.x
Meeker, M. y Meeker, M. (nd). Internet_Trends_2019_CH(1).pdf.
Melnikoff, DE y Bargh, JA (2018). El mítico número dos. Tendencias en Ciencias Cognitivas, 22(4),
280–293. https://doi.org/10.1016/j.tics.2018.02.001
Nagpal, A. y Krishnamurthy, P. (2008). Conflicto de atributos en la toma de decisiones del consumidor: el papel de
Compatibilidad de tareas. Revista de Investigación del Consumidor, 34(5), 696–705.
https://doi.org/10.1086/521903
Neuhauser, M. (2010). Una comparación no paramétrica de dos muestras para datos sesgados con desigual
varianzas Revista de Epidemiología Clínica, 63(6), 691–693.
https://doi.org/10.1016/j.jclinepi.2009.08.026
Oaksford, M. y Hall, S. (2016). Sobre la fuente de la irracionalidad humana. Tendencias en Ciencias Cognitivas,
20(5), 336–344. https://doi.org/10.1016/j.tics.2016.03.002
Pascal J. Kieslich, Dirk U. Wulff, Felix Henninger, Jonas MB Haslbeck, Sarah Brockhaus (2020).
ÿ
Paquete ratonera ÿÿ
Pieters, R. y Wedel, M. (2004). Captación y transferencia de atención en la publicidad: marca, imagen y
Efectos de tamaño de texto. Revista de Marketing, 68(2), 36–50.
https://doi.org/10.1509/jmkg.68.2.36.27794
RW Picard: Informática afectiva, MIT Press, 1997
Instituto SAS Inc. (1989). Guía de usuario. Cary, NC: Instituto de Sistemas de Análisis Estadístico.
Sauer, H. y Sauer, H. (2018). Teoría del proceso dual. Pensamiento moral, rápido y lento, 5–19.
https://doi.org/10.4324/9781315467498-2
71
Schmidt, J. y Bijmolt, THA (2020). Medición precisa de la disposición a pagar por bienes de consumo: una
metanálisis del sesgo hipotético. Revista de la Academia de Ciencias del Marketing, 48(3),
499–518. https://doi.org/10.1007/s11747-019-00666-6
Schneider, IK, van Harreveld, F., Rotteveel, M., Topolinski, S., van der Pligt, J., Schwarz, N. y Koole,
SL (2015). El camino de la ambivalencia: rastreando la atracción de evaluaciones opuestas usando el mouse
trayectorias. Frontiers in Psychology, 6 (julio), 1–12. https://doi.org/10.3389/fpsyg.2015.00996
Schoemann, M., Lüken, M., Grage, T., Kieslich, PJ y Scherbaum, S. (2019). ratón de validación
seguimiento: cómo los factores de diseño influyen en la dinámica de acción en la toma de decisiones intertemporal.
Métodos de investigación del comportamiento. https://doi.org/10.3758/s13428-018-1179-4
Ciencia, IF y Prabhala, K. (2019). Una revisión del aumento fenomenal del gasto publicitario con
Publicidad digital. Julio.
Sherman, JW, Gawronski, B., Gonsalkorale, K., Hugenberg, K., Allen, TJ y Groom, CJ (2008). los
Autorregulación de Asociaciones Automáticas e Impulsos Conductuales. revisión psicológica,
115(2), 314–335. https://doi.org/10.1037/0033-295X.115.2.314
Spivey, MJ y Dale, R. (2006). Dinámica continua en la cognición en tiempo real. Direcciones actuales en
Ciencia psicológica, 15(5), 207–211. https://doi.org/10.1111/j.1467-8721.2006.00437.x
Spivey, MJ, Dale, R., Knoblich, G. y Grosjean, M. (2010). ¿Emergen movimientos curvos de alcance?
de percepciones contrapuestas? Una respuesta a van der Wel et al. (2009). Diario de Experimental
Psicología: percepción y rendimiento humanos, 36 (1), 251–254
Stillman, PE, Medvedev, D. y Ferguson, MJ (2017). Resistiendo la tentación: rastreando cómo uno mismo
Los conflictos de control se resuelven con éxito en tiempo real. Ciencia Psicológica, 28(9), 1240–
1258. https://doi.org/10.1177/0956797617705386
Stillman, PE, Shen, X. y Ferguson, MJ (2018). Cómo el seguimiento del mouse puede promover la cognición social
Teoría. Tendencias en Ciencias Cognitivas, 22(6), 531–543. https://doi.org/10.1016/j.tics.2018.03.012
Szaszi, B., Palfi, B., Szollosi, A., Kieslich, PJ y Aczel, B. (2019). Pensamiento dinámico e individual.
diferencias: análisis de seguimiento del ratón de la tarea de negligencia del denominador. Sentencia y Decisión
Fabricación, 14(2), 23–32.
72
Tuan-Pham, M., & Higgins, ET (2005) Promoción y prevención en el consumidor: el estado del arte
y proposiciones teóricas. En: S. Ratneshwar y DG Mick (eds.). Consumo interior ÿ
Motivos, metas y deseos del consumidor (págs. 8-43), Abingdon, NY: Routledge.
Tversky, A. y Simonson, I. (1993). Preferencias dependientes del contexto. Administrar. ciencia 39, 1179–1189.
Van Loo, EJ, Grebitus, C., Nayga, RM, Verbeke, W. y Roosen, J. (2018). Sobre la medida de
Preferencias del consumidor y comportamiento de elección de alimentos: la relación entre la atención visual y
Elecciones. Perspectivas y políticas económicas aplicadas, 40(4), 538–562.
https://doi.org/10.1093/aepp/ppy022
Viswanathan, V. y Jain, V. (2013). Un enfoque de sistema dual para comprender la decisión de la "generación Y"
haciendo. Revista de marketing de consumo, 30(6), 484–492. https://doi.org/10.1108/JCM-07-2013-
0649
Xiao, K. y Yamauchi, T. (2017). El papel de la atención en el procesamiento semántico subliminal: un ratón
estudio de seguimiento PLoS ONE, 12(6), 1–17. https://doi.org/10.1371/journal.pone.0178740
Yu, Z., Wang, F., Wang, D. y Bastin, M. (2012). Más allá de los tiempos de reacción: incorporación del seguimiento del ratón
medidas en la prueba de asociación implícita para examinar su proceso subyacente. Cognición social,
30(3), 289–306. https://doi.org/10.1521/soco.2012.30.3.289
Zimmermann, P., Guttormsen, S., Danuser, B. y Gómez, P. (2003). Computación afectiva: una justificación
para medir el estado de ánimo con el mouse y el teclado. Revista Internacional de Seguridad Ocupacional
y Ergonomía, 9(4), 539–551. https://doi.org/10.1080/10803548.2003.11076589
Freeman, JB y Ambady, N. (2011). Una teoría interactiva dinámica de la interpretación de la persona. 118(2), 247–
279. https://doi.org/10.1037/a0022327
73
Guión R
biblioteca (pista de ratón)
biblioteca (ratonera)
biblioteca (ssPista de ratón)
biblioteca (ggplot2)
biblioteca (lectura masiva)
biblioteca (dplyr)
biblioteca (extranjera)
conjunto_tema(tema_clásico()+
tema(
eje.linea = element_line(color = "negro"),
eje.ticks = element_line(color = "negro"),
eje.texto = elemento_texto(color = "negro"),
panel.border = element_rect(color = "negro", relleno=NA)
))
opciones (ancho = 90)
mt_data_raw <- read_bulk(extension=".txt")
rawdata <- mt_import_wide(mt_data_raw)
datos brutos$trayectorias[,,2]<- datos brutos$trayectorias[,,2] - 1360/2
reasignado<-mt_remap_symmetric(rawdata, use = "trayectorias", save_as = "trayectorias",
dimensiones = c("xpos", "ypos"), remap_xpos = "derecha",
remap_ypos = "abajo")
trayectorias$reasignadas[,,3]<- trayectorias$reasignadas[,,3] + 600
reasignado <- mt_align_start (reasignado)
reasignado <- mt_time_normalize (reasignado)
reasignado <- mt_measures (reasignado)
reasignado <- mt_derivatives (reasignado)
74
mt_plot (reasignado)
total<- merge(reasignado[["datos"]], reasignado[["medidas"]], por="mt_id")
total$númerofila <- 1:nfila(total)
total$númerodeusuario <- techo(total$númerodefila/7)
total$elementoseleccionado <- total$opciones_izquierda
total$selecteditem[total$seleccionado== 1] <- total$options_right[total$seleccionado== 1]
total$rastreador.likert1<- total$rastreador1.likert1
total$rastreador.likert1[total$id=="rastreador2"]<- total$rastreador2.likert1[total$id=="rastreador2"]
75
total$rastreador.WTP<- total$rastreador1.entrada1
total$rastreador.WTP[total$id=="rastreador2"]<- total$rastreador2.input1[total$id=="rastreador2"]
total$rastreador.WTP[total$id=="rastreador6"]<- total$entrada8[total$id=="rastreador6"]
total$rastreador.WTP[total$id=="rastreador7"]<- total$input9[total$id=="rastreador7"]
total$dropitem<-0
total$dropitem[total$item.consideration==total$selecteditem] <- 1
total <- total[,!grepl("cantidad$",nombres(total))]
total <- total[,!grepl("*rastreador1",nombres(total))]
total <- total[,!grepl("^rastreador2",nombres(total))]
total <- total[,!grepl("^tracker5",nombres(total))]
total <- total[,!grepl("^entrada8",nombres(total))]
total <- total[,!grepl("^input9",nombres(total))]
#Desarrollo a escala
escribir.csv2(total,"total.csv", fila.nombres = FALSO)
#### agregar trayectorias
#mt_data_raw$númerofila <- 1:nfila(total)
76
#total<- merge(total, mt_data_raw, by="rownumber")
#write.csv2(total,"all.csv", fila.nombres = FALSO)
#rm(total)
#DividirDatos en decisiones fáciles y difíciles
reasignado$datos$condición <- "condición"
reasignado$datos$condición[total$rastreador.likert4 >= 5] <- "fácil"
reasignado$datos$condición[total$rastreador.likert4 <= 2] <- "difícil"
reasignado2 <- mt_subset(reasignado, condición == "fácil" | condición == "difícil")
reasignado_fácil <- mt_subset(reasignado, condición == "fácil")
reasignado_diff <- mt_subset(reasignado, condición == "difícil")
#Filtrar los objetos ratonera para valores atípicos identificados en SPSS
reasignado_fácil<-mt_subset(reasignado_fácil, RT<21090, check="medidas")
reasignado_fácil<-mt_subset(reasignado_fácil, AUC<186621, verificación="medidas")
reasignado_fácil<-mt_subset(reasignado_fácil, xpos_flips<17, check="medidas")
reasignado_fácil<-mt_subset(reasignado_fácil, inicio_tiempo<4510, verificación="medidas")
reasignado_fácil<-mt_subset(reasignado_fácil, MAD<854.019, check="medidas")
reasignado_fácil<-mt_subset(reasignado_fácil, MAD_time<7200, check="medidas")
reasignado_fácil<-mt_subset(reasignado_fácil, AD<475.114, check="medidas")
diferencia_remapeada<-mt_subset(diff_remapeada, RT<21090, check="medidas")
diferencia_remapeada<-mt_subset(diff_remapeada, AUC<186621, check="medidas")
reasignado_diff<-mt_subset(reasignado_diff, xpos_flips<17, check="medidas")
diferencia_reasignada<-mt_subset(diff_reasignada, tiempo_de_iniciación<4510, verificación="medidas")
diferencia_remapeada<-mt_subset(diff_remapeada, MAD<854.019, check="medidas")
reasignado_diff<-mt_subset(reasignado_diff, MAD_time<7200, check="medidas")
diferencia_reasignada<-mt_subset(diff_reasignada, AD<475.114, check="medidas")
reasignado2<-mt_subset(reasignado2, RT<21090, check="medidas")
77
reasignado2<-mt_subset(reasignado2, AUC<186621, check="medidas")
reasignado2<-mt_subset(reasignado2, xpos_flips<17, check="medidas")
reasignado2<-mt_subset(reasignado2, tiempo_de_iniciación<4510, verificación="medidas")
reasignado2<-mt_subset(reasignado2, MAD<854.019, check="medidas")
reasignado2<-mt_subset(reasignado2, MAD_time<7200, check="medidas")
reasignado2<-mt_subset(reasignado2, AD<475.114, check="medidas")
#Calcula la entropía de la muestra para decisiones fáciles y difíciles
remapped_easy_sampleentropy<-mt_sample_entropy(remapped_easy, use = "tn_trajectories", save_as = "measures",

dimension = "xpos", m = 3, r = NULL, verbose = FALSE)
remapped_diff_sampleentropy<-mt_sample_entropy(remapped_diff, use = "tn_trajectories", save_as = "measures",

dimension = "xpos", m = 3, r = NULL, detallado = FALSO)
media(remapped_easy_sampleentropy$medidas$sample_entropy)
media(remapped_diff_sampleentropy$medidas$sample_entropy)
#Media de medidas
media(reasignada_fácil$medida$RT)
media(remapped_diff$medidas$RT)
#Boxplot para medidas
boxplot(remapped_easy$medidas$MAD_time, main="MAD_time para condición fácil", ylab="MAD_time",

xlab="MAD_time para condición fácil")
boxplot(remapped_diff$medidas$MAD_time, main="MAD_time para diferencia de condición",

ylab="MAD_time", xlab="MAD_time para diferencia de condición")
boxplot.stats(remapped_diff$medidas$xpos_reversals)
boxplot.stats(remapped_diff$medidas$xpos_reversals)
#Histograma y diagrama de densidad para medidas
78
hist(remapped_easy$medidas$RT, main="Histograma de RT para condición fácil", xlab="RT")
hist(remapped_diff$medidas$RT, main="Histograma de RT para condición difícil", xlab="RT")
#diagrama de densidad por condición para todas las medidas
densidad_medidas_fácil <- densidad(reasignado_fácil$medidas$MAD_tiempo)
plot (density_measures_easy, main="Gráfico de densidad de MAD_time en condición fácil")
densidad_medidas_diff <- densidad(remapped_diff$medidas$MAD_tiempo)
plot (density_measures_diff, main="Density Plot of MAD_time in condition diff ")
#qqplot por condición para todas las medidas
qqnorm(remapped_easy$medidas$RT, xlab="qq-plot RT condition easy")
qqline(reasignado_fácil$medidas$RT, col="rojo")
qqnorm(remapped_diff$medidas$RT, xlab="qq-plot RT condición difícil")
qqline(remapped_diff$medidas$RT, col="rojo")
#verifique la bimodalidad (bc, prueba de inmersión) para todas las medidas por condición
mt_check_bimodality(remapped_easy,use = "medidas",métodos = c("BC", "HDS"),B = 2000)
mt_check_bimodality(remapped_diff,use = "medidas",métodos = c("BC", "HDS"),B = 2000)
Prueba de #Shapiro Wilk para distribución normal
shapiro.test(reasignado_fácil$medidas$RT)
shapiro.test(remapped_diff$medidas$RT)
Prueba de #kolgomorov para distribución normal
ks.test(remapped_easy$medidas$MAD_time,remapped_diff$medidas$MAD, c="dos.lados")
Prueba t de #welch para las medias
79
describir(reasignado_fácil$medidas$RT)
describir(remapped_diff$medidas$RT)
agg_welch <- mt_aggregate_per_subject(remapped2,use_variables="RT",

use2_variables="condición",subject_id="mt_id")
t.test(RT~condición, datos=agg_welch, emparejado=FALSO)
Prueba de #wilcox para medias si la distribución no es normal
agg_wilcox <- mt_aggregate_per_subject(remapped2,use_variables="RT",

wilcox.test(RT~condición, datos=agg_wilcox, emparejado=FALSO)
#prueba mediana por medida (¿igual que la prueba de Wilcoxon?)
agg_median <- mt_aggregate_per_subject(remapped2,use_variables="MAD",

mood.medtest(MAD~condición, data=agg_median, paired=FALSE)
#trayectorias agregadas por condición
mt_plot_aggregate(reasignado2, uso="tn_trayectorias", x="xpos", y="ypos", color="condición")
#trayectorias agregadas por condición, análisis de tiempo por pasos
mt_plot_aggregate(reasignado2, uso="tn_trayectorias", x="xpos", y="pasos", color="condición", subject_id="mt_id",

puntos=VERDADERO) + scale_color_manual(valores=c("naranja oscuro"," azul acero"))
80
Java – Script para Experimento

var jsonfile = {
"obligatorio": {
"ID de prueba": '002',
},
"bloques": [
"opciones": {
"aleatorio": falso,
},
"páginas": [
"elementos": [
"tipo": "infotexto",
"id": "infotexto1",
"text": "¡Hola! Gracias por su participación. Para que pueda prepararse para nuestro experimento, necesitamos uno
prueba de funcionamiento. A continuación, siempre se le mostrará un par de productos. ¡Utilice el ratón para seleccionar el producto que más le guste!"
},
"tipo": "siguiente",
"id": "siguiente1",
"texto": "continuar"
},
"elementos": [
"tipo": "rastreador",
"type_tracker": "imagen",
"id": "rastreador1",
"title": "¡Seleccione el producto que preferiría comprar!",
"desc": "Rastreador de imágenes",
"aleatorio": cierto,
"elementos": [
"nombre": "13-A",
81
"contenido": "./lib/bilder_experiment/13-A.jpg",
},
"nombre": "13-B",
"contenido": "./lib/bilder_experiment/13-B.jpg"
},
"tipo": "me gusta",
"id": "rastreador1-likert1",
"ref": "rastreador",
"pregunta": "¿Te gusta el producto?",
"caption_left": "en absoluto",
"caption_right": "Me encantaría",
"number_selectors": "7"
},
"elementos": [
"elementos": [
"nombre": "0-A",
},
"nombre": "0-B",
82
},
"tipo": "me gusta",
"ref": "rastreador",
"pregunta": "¿Te gusta el producto?",
"caption_left": "en absoluto",
"caption_right": "Me encantaría",
},
"elementos": [
"id": "infotexto2",
"text": "<a href=file:///C:/Users/Heimrich/Desktop/MousetrackerV0.15/index.html> ¡Gracias! Haga clic aquí para comenzar el
experimento para llegar.</a>"
],
};
var jsonfile = {
"obligatorio": {
"ID de prueba": '001',
"Prefijo de nombre de archivo": 'dinámico'
},
"bloques": [
"opciones": {
"aleatorio": falso,
},
"páginas": [
83
"elementos": [
"id": "infotexto1",
"text": "Gracias por tomarse el tiempo para hacer nuestro experimento. Siempre se le mostrará un par de productos a continuación
de la cual deberás seleccionar el producto que más te guste. Tenga en cuenta que su entrada ya no se puede cambiar una vez que haya hecho clic en ella.
(Después, responda las preguntas que se muestran sobre su selección)."
},
"id": "siguiente1",
},
"elementos": [
"id": "infotexto2",
"text": "Antes de que comience la encuesta, responda algunas preguntas más. Por supuesto, toda la información es anónima
y solo se evaluará en un contexto científico."
},
"tipo": "entrada de texto",
"id": "entrada1",
"texto": "¿Cuántos años tienes?"
},
"tipo": "me gusta",
"id": "likert1",
"pregunta": "Sexo",
"caption_left": "mujer",
"caption_right": "masculino",
},
"id": "entrada2",
"text": "¿Cuánto dinero tienes mensualmente? (en euros) (incl. alquiler y gastos fijos)"
84
},
"tipo": "me gusta",
"id": "likert2",
"pregunta": "¿Con qué frecuencia usas el mouse de la computadora?",
"caption_left": "nie",
"caption_right": "inmersión",
},
"tipo": "me gusta",
"id": "likert3",
"pregunta": "¿Con qué frecuencia compra en línea?",
"caption_left": "muy raro",
"caption_right": "muy a menudo",
},
"id": "siguiente2",
},
"elementos": [
"id": "infotexto3",
"text": "Seleccione su estado de ánimo actual en esta página. "
},
"tipo": "me gusta",
"id": "likert4",
"pregunta": "¿Cómo te sientes ahora mismo? ",
"caption_left": " traurig ",
"caption_right": " fröhlich ",
85
},
"tipo": "me gusta",
"id": "likert5",
"pregunta": "",
"caption_left": " schlecht ",
"caption_right": " trip ",
},
"tipo": "me gusta",
"id": "likert6",
"pregunta": "",
"caption_left": " negativo ",
"caption_right": " positivo ",
},
"tipo": "me gusta",
"id": "likert7",
"pregunta": "",
"caption_left": " unwohl ",
"caption_right": " wohl ",
},
"id": "siguiente3",
},
"elementos": [
"id": "infotexto4",
"text": "Las siguientes declaraciones pueden aplicarse más o menos a usted. Para cada declaración, indique
en qué medida esto generalmente se aplica a usted personalmente".
86
},
"tipo": "me gusta",
"id": "likert8",
"question": "Me basta con saber la respuesta sin entender las razones de la respuesta de un problema. ",
"caption_left": "no se aplica en absoluto",
"caption_right": "completamente correcto",
},
"tipo": "me gusta",
"id": "likert9",
"question": "Me gusta cuando mi vida está llena de tareas difíciles que tengo que resolver. ",
},
"tipo": "me gusta",
"id": "likert10",
"question": "Preferiría problemas complicados a problemas simples. ",
},
"tipo": "me gusta",
"id": "likert11",
"question": "En primer lugar, creo que porque tengo que hacerlo. ",
},
"id": "siguientes4",
87
],
},
"opciones": {
},
"páginas": [
"elementos": [
"elementos": [
"nombre": "1-A",
},
"nombre": "1-B",
},
"tipo": "me gusta",
"ref": "rastreador1",
"question": "Tengo un sentido personal de propiedad de este producto.",
},
88
"tipo": "me gusta",
"question": "Parece que ahora tengo el producto.",
},
"id": "rastreador1-entrada1",
"text": "¿Cuánto estaría dispuesto a pagar por este producto? (en euros)"
},
"tipo": "me gusta",
"question": "¿Qué tan difícil fue la decisión para ti?",
"caption_left": " muy difícil",
"caption_right": "muy fácil",
},
"tipo": "me gusta",
"pregunta": "Estoy de acuerdo con esta decisión...",
"caption_left": "bastante incierto",
"caption_right": "bastante seguro",
},
"elementos": [
89
"elementos": [
"nombre": "2-A",
},
"nombre": "2-B",
},
"tipo": "me gusta",
"caption_left": "No estoy de acuerdo en absoluto",
"caption_right": "Estoy totalmente de acuerdo",
},
"tipo": "me gusta",
},
90
},
"tipo": "me gusta",
},
"tipo": "me gusta",
},
"elementos": [
"elementos": [
"nombre": "3-A",
},
91
"nombre": "3-B",
},
"tipo": "me gusta",
},
"tipo": "me gusta",
"id": "tracker3-likert2",
},
},
"tipo": "me gusta",
},
92
"tipo": "me gusta",
"caption_right": "bastante cierto",
},
"elementos": [
"elementos": [
"nombre": "4-A",
},
"nombre": "4-B",
},
"tipo": "me gusta",
93
},
"tipo": "me gusta",
},
},
"tipo": "me gusta",
},
"tipo": "me gusta",
},
94
"elementos": [
"elementos": [
"nombre": "5-A",
},
"nombre": "5-B",
},
"tipo": "me gusta",
},
"tipo": "me gusta",
},
95
},
"tipo": "me gusta",
},
"tipo": "me gusta",
},
"elementos": [
"elementos": [
"nombre": "6-A",
96
},
"nombre": "6-B",
},
"tipo": "me gusta",
},
"tipo": "me gusta",
},
"id": "entrada8",
},
"tipo": "me gusta",
97
},
"tipo": "me gusta",
"caption_right": "bastante cierto",
},
"elementos": [
"elementos": [
"nombre": "7-A",
},
"nombre": "7-B",
},
"tipo": "me gusta",
98
},
"tipo": "me gusta",
},
"id": "entrada9",
},
"tipo": "me gusta",
},
"tipo": "me gusta",
99
],
},
"opciones": {
"aleatorio": falso,
},
"páginas": [
"elementos": [
"tipo": "consideración",
"id": "consideración",
//"incluir_texto": falso,
"title": "Lo sentimos, su carrito de compras está demasiado lleno. ¿Qué artículo le gustaría volver a colocar? (Haga clic en el artículo que desea
Lo que menos gusta) ",
"subtitle": "Solo puedes seleccionar 1 elemento"
},
],
},
"opciones": {
"aleatorio": falso,
},
"páginas": [
"elementos": [
"tipo": "enviar",
"id": "enviar",
"text": "¡Gracias por participar!",
"btn_value": "enviar"
],
};
100
Declaración jurada
Por la presente declaro que esta tesis de Diploma ha sido escrita únicamente por el abajo firmante y sin ningún
asistencia de terceros. Confirmo que no se han utilizado fuentes en la preparación de este
tesis distintas a las indicadas en la propia tesis.
Esta tesis de Diploma no se ha presentado ni publicado hasta ahora en ningún otro lugar, ni en su forma actual.
formulario, ni en una versión similar.
Innsbruck, 13.10.2020,
Lugar, Fecha, Firma
101

Neuromarketing in E-Commerce - Compressed - Compressed

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Neuromarketing in E-Commerce - Compressed - Compressed

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Neuromarketing en E-Commerce: Mouse tracking como

En cumplimiento parcial de los requisitos para el título.

Máster en Asuntos Sociales y Económicos, (Mag. rer. soc. oec.)

Estudios Económicos y Empresariales Internacionales

Prof. Dr. Oliver Koll

Departamento de Dirección Estratégica, Marketing y Turismo

Escuela de Administración de la Universidad de Innsbruck

Innsbruck, octubre de 2020

Tabla de contenido ............................................... .................................................... ....................................1

Lista de Figuras…………………………………………………………………………………………………………………………. ………….3

Lista de tablas…………………………………………………………………………………………………………………………… …………5

Lista de abreviaciones……………………………………………………………………………………….............. ........................5

1. Introducción............................................... .................................................... ........................................6

2. Antecedentes teóricos ............................................... .................................................... .......................8

2.1 Toma de decisiones del consumidor ............................................... .................................................... ..8

2.1.1 Toma de decisiones económicas y dificultad de decisión ........................................... ..........8

2.1.2 Modelo BCE .............................................. .. .................................................. ... .............11

2.1.3 Teoría del Proceso Dual.................................................... .......................................................14

2.2 Rastreo del Ratón................................................... .................................................... ..........17

2.2.1 Investigación de seguimiento de ratones .................................. ..........................................17

2.2.2 Rastreador de ratón ............................................. .................................................... .....20

2.2.3 Ratonera ............................................... .................................................... ..........21

2.2.4 Webtrackr................................................ .................................................... ..........22

2.2.5 Seguimiento ocular................................................ .................................................... ..........22

2.3 Análisis de trayectoria.................................................... .................................................... .............23

2.3.1 Análisis de curvatura................................................ ..........................................................23

2.3.2 Análisis temporal.................................................. .................................................... 25

2.3.3 Complejidad de la trayectoria ............................................... .............................................26

2.3.4 Distribución de respuestas ........................................... ..........................................27

2.3.5 Análisis de componentes principales........................................... ..........................29

3. Hipótesis.................................................... .................................................... ..........................................31

3.1 Complejidad de la Trayectoria como Consecuencia de la Dificultad de Decisión – Hipótesis 1.................33

3.2 Curvatura de la trayectoria como consecuencia de la dificultad de decisión – Hipótesis 2 ...............35

3.3 Comportamiento Temporal como Consecuencia de la Dificultad de Decisión – Hipótesis 3..........................35

4. Metodología.................................................. .................................................... ....................................35

4.1 Prueba previa................................................ .................................................... ..............................35

4.2 Experimento.................................................. .................................................... .......................39

4.2.1 Recopilación de datos ............................................. .................................................... ....39

4.2.2 Configuración del experimento ........................................... .................................................... 40

4.2.3 Diseño del experimento y procedimiento de prueba .................................. .......................41

5. Hallazgos empíricos ............................................... .................................................... ..............................42

5.1 Preparación de datos ............................................... .................................................... ...............42

5.2 Resultados de R ............................................... .................................................... .....................44

6. Discusión.................................................. .................................................... .............................................57

6.1 Discusión general................................................... .................................................... .............58

6.2 Implicaciones................................................... .................................................... ......................61

6.3 Limitaciones................................................... .................................................... ........................61

6.4 Investigación adicional .................................................. .................................................... ...............62

6.5 Conclusión................................................. .................................................... ........................62

investigación del comportamiento.

(Stillman et al., 2017, p. 1242) .................................. .................................................... ............................

(Freeman & Ambady, 2010, p. 229).................................... .................................................... ..................

54 a 95 (Kieslich et. al., 2019) ........................................... .................................................. .. ........................

p.396).................................................. .................................................... .................................................... .......

Figura 11 Compilación de productos para el pretest........................................... ..........................................

Figura 12 Gráfico de Barras de Dificultad de Decisión ........................................... .................................................... ....

Figura 13 Gráfico de Barras de Apelación de los Productos Elegidos........................................... .....................................

Figura 14 Gráfico de barras de simpatía de los productos elegidos........................................... ...............................

Figura 16 Ejemplo de elección de un producto en el experimento........................................... ................................

Figura 21 Histograma para inversiones de x en condición fácil y difícil ........................................... .....................

Figura 22 Trayectorias agregadas por condición, reasignadas al lado derecho........................................... .....