Модель Beast-GB сочетает в себе машинное обучение и поведенческую науку, чтобы предсказать решения людей

Ключевой целью исследований в области поведенческой науки является лучше понять, как люди принимают решения в ситуациях, когда результаты неизвестны или неопределенны, что влечет за собой определенную степень риска.

Способность предсказать выбор людей в этих ситуациях может быть очень выгодной, поскольку это может помочь разработать эффективные инициативы, направленные на побуждение людей принимать лучшие решения для себя и других в их сообществе.

Исследователи из Техниона (Израильский технологический институт) и различные институты в Соединенных Штатах недавно разработали новую вычислительную модель под названием «Зверя-ГБ», которая, как было установлено, предсказывает решения людей в ситуациях, которые влекут за собой риск и неопределенность.

Их предлагаемая модель, изложенная в статье опубликовано в Природа человеческое поведениеобъединяет передовые алгоритмы машинного обучения с теорией поведенческой науки.

«Исследования в отношении решения людей богаты конкурирующими теориями, но ни одно надежно и точно не предсказывает человеческий выбор в разных контекстах»,-сказал Ори Плонски, первый автор статьи, сказал Tech Xplore.

«Чтобы увидеть, какие идеи действительно работают, мы организовали CPC18,« конкурс прогнозирования выбора », в котором кто -то может представить вычислительная модель предсказать решения людей под риском и неопределенностью. Мы были особенно заинтересованы в том, чтобы узнать, будет ли машинное обучение, управляемое данными, модели поведенческих теории, или, как и было нашим предположением, будет преуспеть гибрид, который внедряет поведенческую теорию в ML.

Новая модель машинного обучения, разработанная Плонским и его коллегами, основана на рамках поведенческой науки, известной как зверь (лучшая оценка и инструменты выборки). Это модель, основанная на психологических теориях, которые ранее были обнаружены для прогнозирования решений людей с хорошей точностью.

«Зверь предполагает, что по выбору под риском и неопределенностью люди смешивают несколько стратегий, такие как минимизация шансов немедленного сожаления или хеджирование против наихудших результатов», – пояснил Плонский.

«Мы перевели каждую стратегию в« поведенческую функцию », краткую формулу, которая отражает, насколько чувствительным должен быть принят решения, к этому рассмотрению в любом данном задаче выбора. Затем мы накормили эти теоретические функции, а также чисто объективные дескрипторы задач, в экстремальное повышение градиента (алгоритм машинного обучения, известно, очень полезны в турнирах предсказания)-в той мере

С учетом усовершенствований, реализованных исследователями, модель Beast-GB может анализировать поведенческие данные и получать мотивы, управляющие решениями, а также влияние этих мотивов в различных сценариях принятия решений.

Примечательно, что Beast-GB выиграл CPC18 Выбор конкуренции с прогнозированием в 2018 годуПоглощение 93% предсказуемых вариаций в данных, которые они подавали, и 96% в последующих тестах с использованием набора данных, который был в 40 раз больше.

«Beast-GB превзошел десятки основных поведенческих моделей и чисто управляемого данными машинного обучения»,-сказал Плонски.

“С учетом 2% учебных данных уже превзошла глубокую нейронную сеть, обученную всем Данные обученияПолем Модель даже точно предсказывает выбор, которые люди делают в новых экспериментах, которую она никогда не видела, подразумевая, что она отражает общие модели выбора человека. Наконец, мы использовали его для улучшения и улучшения основной интерпретируемой поведенческой теории, поэтому она повышает нашу способность объяснять, а не только предсказывать, принимающему человеческое принятие решений ».

Эта недавняя работа подчеркивает обещание моделей машинного обучения, которые также основаны на поведенческой науке для прогнозирования решений и ответов людей в реальных сценариях. В будущем Beast-GB и другие подобные модели могут направлять дизайн новых крупномасштабных вмешательств, направленных на улучшение решений людей с помощью подталкиваний, стимулов или других поведенческих научных стратегий.

Плонский и его коллеги в конечном итоге планируют сотрудничать с политиками и другими сторонами, участвующими в разработке или реализации инициатив по поведенческой науке. Это позволило бы им проверить свою модель «в дикой природе», подтверждая свой потенциал в реальных условиях, а также дает представление, которое может проинформировать о его дальнейшем прогрессе.

«Другие недавние публикации предполагают, что принятие решений человеком и другие поведения могут быть очень эффективно предсказаны с использованием передовых методов машинного обучения, основанных на данных, таких как крупные языковые модели, настроенные на большие поведенческие данные»,-добавил Плонский.

«Теперь мы планируем продолжать исследовать, когда и как теория, подобная зверям, может улучшить такие методы, управляемые данными, в прогнозировании поведения. В частности, мы планируем расширить нашу область исследований, включив проблемы с природным языком, в большей степени связаны с реальным миром».

© 2025 Science X Network