A tomada de decisões é um aspecto fundamental da vida cotidiana. Ela ocorre em vários contextos, desde a escolha do que comer no café da manhã até decisões complexas, como escolhas de carreira ou estratégias de negócios. Nesse contexto, uma pergunta natural é: poderíamos prever a decisão de uma pessoa? Para ajudar a responder a essa pergunta, levantamos a hipótese de que o estado do corpo é fundamental para algumas classes de tomada de decisão, por exemplo, decisões de raciocínio rápido e intuitivo realizadas pelo Sistema 1 (modelo de Kahneman). Para medir o estado fisiológico do corpo, propomos usar a interocepçào. É interessante notar que podemos medir a interocepção por meio da variabilidade da frequência cardíaca. Projetamos um experimento em que uma pessoa assiste a um trailer e decide se quer ou não assistir ao filme para testar nossa hipótese. Utilizando um modelo de machine learning, demonstramos que a previsão da escolha de uma pessoa é mais eficaz quando se combina a variabilidade da frequência cardíaca com medidas emocionais, em comparação ao uso isolado das emoções ou das preferências de género do filme, alcançando uma taxa de acurácia de 73%. Esses resultados evidencian1 que o estado fisiológico do corpo está associado ã tomada de decisões, as quais podem ser previstas com base nesses parâmetros com uma precisão aceitável.

Decision-making is a fundamental aspect of everyday life. It takes place in a variety of contexts, from choosing what to eat for breakfast to complex decisions such as career choices or business strategies. In this context, a natural question is: could we predict a persons decision? To help answer this question, we hypothesized that the state of the body is fundamental to some classes of decision-making, for example, fast and intuitive reasoning decisions made by System 1 (Kahneman model). To measure the physiological state of the body, we propose using interoception. It is interesting to note that we can measure interoception through heart rate variability. We designed an experiment in which a person watches a trailer and decides whether or not to watch the movie to test our hypothesis. Using a machine learning model, we demonstrated that predicting a person's choice is more effective when heart rate variability is combined with emotional measures, compared to using emotions or movie genre preferences alone, achieving an accuracy rate of 73%. These results show that the physiological state of the body is associated with decision-making, which can be predicted based on these parameters with acceptable accuracy.