Henríquez-Jara, B., Guevara, C. A., Munizaga, M., & Pérez, O. D. (2025). Habits and the subexploration of better transportation options: A dual-system approach. Travel Behaviour and Society, 38, 100877. https://doi.org/10.1016/j.tbs.2024.100877
– ¿Cuál es el gap que buscaban resolver y por qué es importante?
El estudio busca abordar la brecha en la investigación sobre el comportamiento de viaje al explorar cómo los hábitos, específicamente aquellos modelados como comportamiento libre de modelos (model free-MF), afectan la disposición de los viajeros para explorar opciones de transporte nuevas y potencialmente mejores.
Los investigadores argumentan que la modelación tradicional de hábitos como inercia, aunque es valiosa, no captura completamente la naturaleza automática y no compensatoria de las elecciones habituales.
Introducen el concepto de comportamiento MF, basado en la neurociencia y la psicología, que sugiere que las personas con fuertes tendencias habituales toman decisiones basadas en recompensas pasadas y no consideran completamente nuevas alternativas.
Esta falta de exploración puede llevar a una subutilización de nuevos modos o rutas de transporte, incluso si son superiores a las opciones existentes.
La importancia de abordar esta brecha radica en que:
Tiene implicaciones significativas para las políticas de transporte, ya que sugiere que las inversiones en nuevas infraestructuras o servicios pueden no producir los beneficios esperados si no se abordan los hábitos de viaje existentes.
Resalta la necesidad de desarrollar estrategias conductuales que interrumpan los patrones de comportamiento automático (como proporcionar información destacada sobre nuevas opciones o incentivos para probarlas) y fomenten la exploración de alternativas.
En resumen, el estudio destaca cómo la comprensión de la influencia del comportamiento habitual en la elección de transporte es crucial para optimizar las inversiones en transporte y promover la adopción de opciones más eficientes y sostenibles.
– Breve reseña de metodología y datos que utilizaron
Para investigar cómo los hábitos influyen en la exploración de nuevas alternativas de transporte, los autores realizaron dos experimentos, uno de laboratorio (N=34) y otro en línea (N=200), utilizando una tarea de aprendizaje por refuerzo (RL).
Diseño Experimental:
Tarea de Dos Etapas: Se pidió a los participantes que asumieran el rol de un viajero que busca llegar al trabajo a tiempo en autobús. La tarea constaba de dos fases, cada una con 200 ensayos.
Fase 1: Los participantes elegían entre dos paradas de autobús (A y B), lo que los llevaba probabilísticamente a un autobús rojo o azul. La parada B ofrecía una mayor probabilidad de tomar el autobús con mayor probabilidad de llegar a tiempo (azul). Esta fase permitía determinar si las elecciones de los sujetos estaban más influenciadas por un sistema de aprendizaje basado en modelos (MB) o libre de modelos (MF).
Fase 2: Se introducía una tercera parada (C) con mayor probabilidad de llevar a un autobús verde, el cual tenía la mayor probabilidad de llegar a tiempo. Esta fase medía la tendencia de los participantes a explorar la nueva alternativa, incluso si ya habían desarrollado una preferencia por la opción B en la fase 1.
Recompensas: En cada ensayo, los participantes recibían una recompensa (llegar a tiempo) o no (llegar tarde). La probabilidad de recompensa variaba según el autobús, siendo mayor para el verde, luego el azul y finalmente el rojo.
Cuestionarios Psicométricos: Tras la tarea, se aplicó una batería de cuestionarios para evaluar la influencia de factores psicológicos en los hábitos y el comportamiento exploratorio. Estos incluían el cuestionario “Creatures of Habits” para medir la automaticidad del comportamiento en la vida diaria, y los cuestionarios STAI-T y STAI-S para evaluar los estados y rasgos psicológicos relacionados con el estrés.
Modelado Computacional:
Aprendizaje por Refuerzo (RL): Se empleó un algoritmo Q-learning para modelar el proceso de toma de decisiones de los participantes.
-Componente MF: Representa el sistema habitual, donde las decisiones se basan únicamente en recompensas pasadas, ignorando las probabilidades de transición entre estados (autobuses).
-Componente MB: Representa el sistema dirigido a objetivos, donde se aprende la estructura del entorno (probabilidades de transición) y se utiliza para maximizar la recompensa esperada.
-Tasa de Exploración (ϕE): Se calculó la proporción de elecciones exploratorias, definidas como la elección de la opción C cuando su valor QNET (una combinación ponderada de los valores MB y MF) era menor que el de las otras alternativas.
En resumen, la metodología combinó un diseño experimental controlado con modelado computacional para analizar cómo la tendencia hacia un comportamiento habitual (MF) influye en la exploración de nuevas opciones de transporte, incluso cuando son objetivamente mejores.
– Impacto potencial de los resultados obtenidos en el estado de la práctica y/o diseño de políticas de transporte en Chile
Los resultados del estudio, aunque basados en un experimento controlado y no en datos de transporte reales de Chile, sugieren que la prevalencia del comportamiento habitual, particularmente el modelado como comportamiento libre de modelos (MF), podría tener un impacto significativo en la efectividad de las políticas de transporte diseñadas para promover la adopción de nuevas opciones de movilidad en Chile.
Aquí se detallan algunas implicaciones potenciales:
Subutilización de Nuevas Opciones: El estudio encontró una correlación negativa entre el comportamiento MF y la exploración de nuevas alternativas. Esto sugiere que las personas con fuertes hábitos de viaje podrían ser menos propensas a considerar y adoptar nuevas opciones de transporte, incluso si son objetivamente mejores, como una nueva línea de metro o un servicio de transporte público mejorado.
Necesidad de Estrategias Conductuales: Para superar la barrera de los hábitos, las políticas de transporte en Chile deberían ir más allá de la mera provisión de infraestructura o servicios. Se necesitan estrategias conductuales que interrumpan los patrones de comportamiento automático y fomenten la exploración de nuevas alternativas. Ejemplos de estas estrategias podrían ser:
Campañas de información: Proporcionar información clara, concisa y atractiva sobre los beneficios de las nuevas opciones de transporte, haciendo hincapié en aspectos como el ahorro de tiempo, dinero o la reducción del estrés.
Incentivos: Ofrecer incentivos económicos, como descuentos o pruebas gratuitas, para alentar a las personas a probar nuevas opciones.
Simplificación del acceso: Facilitar el uso de nuevos servicios mediante la integración tarifaria, la mejora de la información en tiempo real y la simplificación de los procesos de pago.
Importancia del Diseño Centrado en el Usuario: Al diseñar nuevas opciones de transporte, es fundamental considerar los hábitos existentes y las barreras psicológicas que podrían impedir su adopción. La investigación de mercado y el análisis del comportamiento del usuario son cruciales para comprender cómo integrar mejor las nuevas opciones en la vida cotidiana de las personas.
Efectos del Estrés: El estudio encontró que el estrés puede aumentar la tendencia hacia un comportamiento habitual. Esto sugiere que las políticas que abordan los factores estresantes en el transporte, como la aglomeración o la falta de confiabilidad, podrían tener un doble beneficio: reducir el estrés y fomentar la adopción de nuevas opciones.
Es importante destacar que el estudio utiliza una tarea experimental que, si bien es a usuarios chileno, por lo que se necesita más investigación para confirmar estos hallazgos en el contexto global del país. Sin embargo, los resultados plantean interrogantes cruciales y sugieren la necesidad de un enfoque más holístico para el diseño e implementación de políticas de transporte en Chile, considerando no solo la infraestructura y los servicios, sino también el comportamiento humano y la influencia de los hábitos.
