决策树中的Information Gain主要用于衡量选择哪个特征来分割数据，从而使得每次分割能够最大程度地减少结果的不确定性。因此，Information Gain在决策树的构建过程中起到了选择特征的作用。

**正确答案：B: 使树成长**

### 分析：
- **Information Gain的作用**：
- 在构建决策树时，需要不断地选择特征来进行数据集的划分。
- Information Gain用来评估每个特征对数据集的分类效果，选择信息增益最高的特征来进行分裂。
- 它通过计算数据在使用某特征进行划分后的熵变化来进行度量，目标是最大化信息增益，最小化熵。

- **选项分析**：
- **A: 剪枝**：剪枝是防止决策树过拟合的一种技术，通常与Information Gain无直接关系，而是后处理步骤。
- **B: 使树成长**：Information Gain用于选择最佳特征进行分裂，直接推动决策树的构建和成长。
- **C: 处理空值**：Information Gain并不涉及空值的处理，空值处理通常是数据预处理阶段的问题。
- **D: 避免树过度成长**：虽然Information Gain通过选择最优特征影响树的结构，但主要控制机制不是Information Gain，而是剪枝技术。

### 补充内容：
Information Gain的计算公式如下：

\[ \text{Information Gain}(D, A) = \text{Entropy}(D) - \sum_{v \in \text{Values}(A)} \frac{|D_v|}{|D|} \times \text{Entropy}(D_v) \]

- **Entropy(D)**：原始数据集D的熵。
- **D_v**：特征A取某一特定值v时，数据集D的子集。
- **Entropy(D_v)**：子集D_v的熵。

### 示例：
假设数据集关于一个二分类问题有一个特征A，计算其信息增益可以帮助决策树在这个特征上进行分裂以减少分类的不确定性。根据计算结果，选择那个使信息增益最大的特征进行数据集划分，从而使决策树在这个方向上成长。