En muchos contextos, las personas deben dar puntuaciones numéricas a entidades de un conjunto discreto pequeño, por ejemplo, calificar la atractividad física de 1 a 5 en sitios de citas, o puntuar trabajos de 1 a 10 en revisiones de conferencias. Estudiamos el problema de comprender cuándo es óptimo utilizar un número diferente de opciones. Consideramos el caso en el que las puntuaciones son aleatorias uniformes y gaussianas. Estudiamos computacionalmente cuándo es óptimo usar 2, 3, 4, 5 y 10 opciones de un total de 100 en estos modelos (aunque nuestro análisis teórico es para un entorno más general con opciones de un total de opciones, así como un espacio subyacente continuo). Se podría esperar que usar más opciones siempre mejoraría el rendimiento en este modelo, pero mostramos que este no es necesariamente el caso, y que usar menos opciones, incluso solo dos, puede ser sorprendentemente óptimo en ciertas situaciones. Aunque en teoría para este entorno sería óptimo usar las 100 opciones, en la práctica esto es prohibitivo, y es preferible utilizar un número menor de opciones debido a los recursos computacionales limitados de los humanos. Nuestros resultados podrían tener muchas aplicaciones potenciales, ya que los entornos que requieren que las entidades sean clasificadas por humanos son ubicuos. También podría haber aplicaciones en otros campos como el procesamiento de señales o imágenes donde los valores de entrada de un conjunto grande deben ser mapeados a valores de salida en un conjunto más pequeño.