Decision Physics & Hick’s Law

1. Overview

의사 결정 물리학 및 힉의 법칙(Decision Physics & Hick’s Law, DPH)은 사용자가 화면 위에서 '무엇을 할지' 결정하는 찰나의 순간을 수리적으로 모델링하고, 선택의 수치적 하중이 물리적 행동 지연으로 전이되는 법칙을 규명하는 '행동 대기 시간 물리학'입니다.

학습자는 선택지의 개수($n$)에 따라 반응 시간($RT$)이 로그 함수적으로 증가하는 힉의 법칙의 수치적 원리와, 뇌가 정보를 물리적으로 찾아가는 정보 채집(Information Foraging) 기제를 배웁니다. 특히, 복잡한 하드웨어 과업을 수리적으로 분해하여 결정 비용 수치를 낮추는 의사 결정 아키텍처를 익힙니다. 이를 통해 사용자가 선택의 늪에 빠지지 않고 하이엔드 목적지로 수치 연산하듯 거침없이 물리 이동하게 만드는 경험 거버넌스 역량을 확보합니다.

2. Scope & Boundaries

In-Scope

• Hick’s Law Equation: $T = a + b \log_2(n + 1)$ 수식을 통한 반응 시간의 물리적 예측
• Choice Overload Mechanics: 선택지 수치가 임계점을 넘을 때 발생하는 수리적 인지 마비 분석
• Response Latency Analytics: 자극 확인부터 물리적 클릭까지의 수치적 소요 시간 분해
• Information Scent Logic: 정보의 물리적 단서(Label, Icon)가 수리적 결정 속도에 미치는 영향
• Step-wise Selection Dynamics: 한 번의 큰 결정 수치를 여러 번의 작은 수치로 물리 분배하는 법

Out-of-Scope

• 결정 이후에 발생하는 데이터의 시스템 처리 성능 (07-XX-XX 영역에서 분담)
• 구매 결정 등을 유도하는 마케팅 심리학 (비학술적 영역)

Boundaries

• DPH vs. Information Architecture: IA가 '정보의 물리적 위치'에 집중한다면, DPH는 '정보를 선택하는 뇌 하드웨어의 수리적 응답 속도'라는 시간적 효율성에 집중하여 구분합니다.

3. Counterexample

• 단순히 "메뉴를 적게 만들기"라 설명하는 것은 DPH 학습이 아닙니다. 왜 선택지를 절반으로 줄여도 반응 시간 수치는 정비례($Linear$)하게 줄어들지 않고 로그($Log$) 단위로 물리 감축되는지 수식으로 증명할 수 있어야 하며, 정보의 단서 수치가 흐릿할 경우 선택지 수치가 적더라도 전체 물리 탐색 시간($Total$ $Time$)이 왜 수리적으로 폭증하는지 논증하지 못한다면 의사 결정 물리학의 본질을 이해하지 못한 것입니다.

4. Prerequisites

• Machine Learning Basics (Basic): 11-01-01의 수치적 로그($Log$) 연산 이해가 필수입니다.
• Cognitive Load & Working Memory (Basic): 12-01-02의 뇌 하드웨어 자원 한계 이해가 필수입니다.

5. Learning Map

1. Cost of Choice: 선택이라는 수적 행위가 사용자의 물리적 에너지를 얼마나 소모하는지 측정합니다.
2. Logarithmic Latency: 선택지가 배로 늘어날 때 뇌의 연산 수치는 완만하게 물리 지연되는 법칙을 이해합니다.
3. Pathfinding Mechanics: 정보를 찾는 시선 수치가 물리적 '냄새'를 따라가는 수리적 과정을 설계합니다.
4. Instantaneous Action: 고민 수치를 0에 수렴시켜, 생각과 행동 사이의 물리적 틈이 없는 하이엔드 흐름을 완성합니다.

6. Learning Topics

Basic

Core: 힉의 법칙 수식과 반응 시간 (Reaction Physics)

• Why to Learn: 선택지가 늘어날수록 사용자는 물리적으로 더 '멍하게' 화면을 바라보게 되므로, 이를 수치적으로 통제하기 위해서입니다.
• What to Learn:
  • Reaction Time ($RT$): 자극 수치 수용 후 물리적 근육 수축까지의 시간적 간격
  • $T = a + b \log_2(n + 1)$: 상수 $a, b$와 선택지 수 $n$이 결정 시간에 미치는 수리적 함수
  • Stimulus-Response Compatibility: 버튼의 물리적 배치와 뇌의 수리적 기대가 물리적으로 일치하는 정도
• How to Learn:
  • 버튼 2개와 버튼 10개인 화면에서 특정 수치를 찾는 데 걸리는 시간을 초시계로 물리 측정하여 로그 그래프와 대조 실습
  • **결정 계수($R^2$)**를 통해 힉의 법칙 수리 모델이 실제 사용자 데이터와 얼마나 물리적으로 일치하는지 검증
• Implement: $n$값에 따른 예상 결정 지연 수치를 계산하는 기초 Hicks_Calculator

Recommended

Core: 선택 과부하와 의사 결정 피로 (Overload Dynamics)

• Why to Learn: 너무 많은 수치 옵션이 사용자를 물리적으로 압도하여 최종 수리적 과업($Conversion$)을 포기하게 만드는 것을 막기 위함입니다.
• What to Learn:
  • Analysis Paralysis: 수리적 비교 대상이 너무 많아 물리적 행위를 멈추는 현상
  • Decision Fatigue: 반복적인 작은 선택 수치들이 뇌 하드웨어의 수리적 판단력을 물리 박탈하는 과정
  • Satisficing vs Maximizing: 가장 좋은 수치를 찾는 인간과 '적당한' 물리 수치에 만족하는 인간의 수리적 태도
• How to Learn:
  • 24종의 잼과 6종의 잼을 진열했을 때, 실제 물리적 구매 수치가 수리적으로 수십 배 차이 나는 '잼 실험' 분석 실습
  • Default Option (기본값) 수치가 사용자의 물리적 결정 고민을 얼마나 수리적으로 제거해 주는지 연구
• Implement: 선택지 수와 피로도 수치의 상관관계를 시뮬레이션하는 Fatigue_Simulator

Practical

Core: 정보 채집 이론과 스텐트 (Scent Mechanics)

• Why to Learn: 사용자가 정보를 찾을 때 헤매지 않고 물리적 목표를 향해 수리 직선형으로 움직이게 하기 위해서입니다.
• What to Learn:
  • Information Scent: 링크나 버튼의 문구 수치가 목표와 물리적으로 얼마나 닮아 있는가
  • Cost vs Reward: 정보를 얻기 위한 물리적 이동 비용 수치와 정보 가치 수치의 산술적 계산
  • Patch-switching: 한 수리 영역에서 더 얻을 물리 정보가 없을 때 다른 영역으로 수치 이동하는 기준
• How to Learn:
  • "설정" 메뉴와 "고급 설정" 메뉴의 문구 수치를 바꿔보며, 사용자가 물리적으로 마우스를 움직이는 궤적 분석 실습
  • 이탈률($Bounce$ $Rate$) 수치가 정보의 물리적 '냄새 부족'에 의해 수리적으로 어떻게 상승하는지 훈련
• Implement: 사용자의 클릭 궤적 수치를 분석하여 정보 도달 물리 비용을 계산하는 Scent_Surveyor

Advanced

Core: 계층적 결정 구조와 최적화 (Advanced Governance)

• Why to Learn: 1,000개의 선택지를 한 번에 보여주는 물리적 재앙을 10개씩 3단계의 수리적 수순으로 정렬하여 하이엔드 효율을 뽑아내기 위함입니다.
• What to Learn:
  • Nested Choice Structures: 선택지를 수리적 트리(Tree) 구조로 물리 계층화
  • Parallel vs Serial Processing: 한눈에 들어오는 수치들과 넘겨야 보이는 물리 수치들의 연산 차이
  • Decision Support Systems: 사용자의 과거 수치 취향을 물리 반영하여 선택 후보군을 수리적으로 자동 필터링
• How to Learn:
  • 거대한 쇼핑몰 카테고리 수치를 **카드 소팅($Card$ $Sorting$)**을 통해 수리적 뎁스(Depth)로 물리 재조정하는 실습
  • Fitts's Law와 Hick's Law를 수리적으로 결합하여, 가장 누르기 쉽고 결정하기 빠른 물리적 '스위트 스폿' 수치 도출
• Implement: 전체 선택지 수치를 입력받아 최적의 계층 수와 항목 배치를 물리 제안하는 Decision_Architect

7. Terminology

8. References

Primary

• [P1] CS2023 - Human-Computer Interaction (HCI) - Human Performance Modeling — Academic curricula.
• [Hick's Law] W. E. Hick — "On the rate of gain of information", Quarterly Journal of Experimental Psychology.

Secondary

• [Paradox of Choice] Barry Schwartz — Why more choice leads to less satisfaction.
• [Information Foraging Theory] Peter Pirolli — How people navigate the web for information.

Industry

• [Google UX Design Certificate: Reducing Cognitive Load & Choice] — Industrial decision strategy.
• [Nielsen Norman Group: The Impact of Choices on User Experience] — Practical decision metrics.

9. Final Checklist

Primary

• '힉의 법칙' 수식을 활용하여 선택지가 4개에서 8개로 늘어날 때 물리적 결정 시간이 수리적으로 몇 % 증가할지 예측 가능한가? (P1)
• '반응 시간' 수치가 하드웨어 입출력 지연($Input$ $Lag$)과 결합했을 때 전체 물리 경험에 미치는 파급 효과를 기술할 수 있는 가? (P1)

Secondary

• '선택 과부하'가 발생한 수리적 상황에서 사용자의 '포기 수치'를 물리적으로 줄이기 위한 '추천 및 필터링' 전략을 소통 가능한가?
• Information Scent 수치를 강화하기 위해 텍스트 수치 대신 어떤 물리적 아이콘 수치를 보강해야 하는지 논증할 수 있는 가?

Industry

• 실무 서비스의 결제 프로세스에서 '결정 단계' 수치를 물리적으로 쪼갰을 때의 수리적 전환율($CVR$) 상승 가능성을 제안할 수 있는 가? (SFIA)
• A/B Testing 수치를 통해 두 종류의 메뉴 구조 중 어떤 물리적 배치가 사용자의 수리적 결정 피로도를 낮추는지 분석할 수 있는 가?