EN
Mark học AIThe Jam Study · Sheena Iyengar và Mark Lepper, "When choice is demotivating" (2000)
Nhiều lựa chọn hơn có luôn tốt hơn không? Thí nghiệm thử mứt nói: có khi nhiều quá làm người ta bỏ đi tay không. Kiểm chứng hiện nay nói: chuyện đó có xảy ra, nhưng chỉ trong vài điều kiện, và trung bình thì gần như không thấy.
Một bàn thử mứt, hai thứ Bảy, và một tờ phiếu giảm giá để đếm xem ai mua thật.
Ba bối cảnh, cùng một hướng. Đây là lý do bài báo thuyết phục. Nhưng cả ba đều do một nhóm làm, mẫu vừa phải.
10 điều hay được nói về thí nghiệm, đối chiếu với nghiên cứu hiện nay. Bấm từng dòng để xem lý do.
Chernev, Böckenholt và Goodman (2015) gộp 99 quan sát, 7.202 người: khi tính đến bốn điều kiện này, hiệu ứng có ý nghĩa thống kê. Đây là cách hiểu đúng nhất hiện nay.
Trong phân tích gộp của Scheibehenne và cộng sự (2010), chuyên môn hoặc sở thích có sẵn nghiêng kết quả về phía "nhiều lựa chọn có lợi". Phân tích năm 2015 cũng thấy sở thích chưa rõ làm quá tải mạnh hơn.
Đúng số liệu gốc (Iyengar và Lepper, 2000), nhưng chỉ một siêu thị, hai thứ Bảy, và số người mua rất ít (31 so với 4). Scheibehenne (2008) làm lại ở một siêu thị Đức và không thấy hiệu ứng.
Một lớp học ở Stanford, 193 sinh viên, khác biệt vừa đủ ý nghĩa thống kê. Hợp lý nhưng chưa thấy được lặp lại rộng.
134 người trong phòng thí nghiệm: 48% nhóm 6 viên lấy sô-cô-la thay vì tiền, so với 12% nhóm 30 viên. Greifeneder (2008, trích trong phân tích gộp 2010) làm lại với sô-cô-la và không thấy khác biệt.
Iyengar, Huberman và Jiang (2004) xem dữ liệu gần 800.000 nhân viên: chương trình có vài quỹ có tỷ lệ tham gia cao hơn chương trình có từ 10 quỹ trở lên. Đây là số liệu quan sát, không phải thí nghiệm, nên có thể có lý do khác.
Redelmeier và Shafir (1995): bác sĩ được gợi ý 1 thuốc thì 72% kê, được gợi ý 2 thuốc thì chỉ 53% kê. Nhưng một thử nghiệm ngẫu nhiên với 402 bác sĩ (Altinger và cộng sự, 2025) thấy ngược lại: có từ 2 lựa chọn, nhiều người chọn đổi hơn.
Phân tích gộp 63 điều kiện, 50 thí nghiệm, 5.036 người: hiệu ứng trung bình D = 0,02, gần như bằng 0 (Scheibehenne và cộng sự, 2010). Nghiên cứu mới hơn ít thấy hiệu ứng hơn nghiên cứu cũ.
Câu này đi xa hơn dữ liệu. Cùng phân tích gộp cho thấy nhiều khi nhiều lựa chọn có lợi, nhất là với khách đã biết mình muốn gì. Cắt bừa có thể mất đúng món khách cần.
Scheibehenne và cộng sự (2010) không thấy quan hệ rõ giữa số phương án trong nhóm lớn và mức hiệu ứng. Con số 6 chỉ là cách bày của một thí nghiệm.
Thí nghiệm khéo, kết quả đẹp, nhưng không lặp lại đều. Giữ lấy câu hỏi "lúc nào nhiều lựa chọn gây hại", bỏ khẩu hiệu "ít luôn là nhiều".
Năm 2010, nhóm Scheibehenne gộp mọi thí nghiệm họ tìm được, cả đã đăng và chưa đăng, rồi tính trung bình: gần 0. Họ cũng thấy nghiên cứu đã đăng báo hay thấy hiệu ứng hơn, và nghiên cứu càng mới càng ít thấy. Đây là dấu hiệu quen thuộc của kết quả đầu tiên quá đẹp.
Năm 2015, nhóm Chernev đặt câu hỏi khác: không hỏi "trung bình bao nhiêu" mà hỏi "khi nào". Khi đưa bốn điều kiện vào mô hình, hiệu ứng hiện ra rõ. Hai kết quả không mâu thuẫn: trung bình gần 0 vì phần lớn tình huống thiếu các điều kiện ấy.
Với người đi làm, phiên bản 2015 hữu ích hơn: nó chỉ ra lúc nào nên rút gọn phương án, lúc nào cứ để nhiều cũng được.
Kỹ năng làm việc: trình phương án cho sếp, cho khách sao cho họ chốt được. Đây là gợi ý của Mark dựa trên bốn điều kiện ở trên, chưa phải kết quả thử nghiệm ở văn phòng.
| Tình huống | Nên đưa | Vì sao |
|---|---|---|
| Sếp bận, cần chốt trong buổi họp | 2–3 phương án + đề xuất | việc khó, muốn xong nhanh |
| Khách mới, chưa rõ nhu cầu | hỏi trước, rồi 2–3 gói | chưa rõ ý mình |
| Kỹ sư chọn linh kiện quen thuộc | danh sách đủ + bộ lọc | người rành ít bị quá tải |
| Đưa 10 phương án "cho sếp tự chọn" | tránh | đẩy việc lọc sang người bận nhất |
Mọi con số trong bài, bộ ảnh Facebook và chú thích đều lấy từ các nghiên cứu dưới đây.