Menselijke besluitvorming is vaak moeilijk theoretisch te voorspellen en af ​​te bakenen. Niettemin, in de afgelopen decennia, verschillende onderzoekers hebben theoretische modellen ontwikkeld om besluitvorming te verklaren, evenals machine learning (ML) -modellen die menselijk gedrag proberen te voorspellen. Ondanks de prestaties die aan sommige van deze modellen zijn gekoppeld, het nauwkeurig voorspellen van menselijke beslissingen blijft een belangrijke onderzoeksuitdaging.

ML-technieken lijken misschien ideaal voor het aanpakken van voorspellingsproblemen bij het nemen van beslissingen, toch is het nog steeds onduidelijk of ze de voorspellingen van theoretische modellen daadwerkelijk kunnen verbeteren. Onderzoekers van de University of California (UC) Berkeley en Princeton University hebben onlangs een onderzoek uitgevoerd naar de effectiviteit van ML bij het vastleggen van menselijk gedrag. In hun krant ingesteld om te worden gepresenteerd op de International Conference on Machine Learning en vooraf gepubliceerd op arXiv, ze stellen een nieuwe benadering voor om menselijke beslissingen te voorspellen, die ze 'cognitieve modelprioriteiten' noemen.

"ML heeft een revolutie teweeggebracht in ons vermogen om fenomenen in een aantal wetenschappelijke domeinen te voorspellen, "David Bourgin, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "In psychologie en economie, echter, ML-benaderingen voor voorspellingsdoeleinden zijn nog relatief zeldzaam. Een reden hiervoor is dat veel kant-en-klare ML-modellen een aanzienlijke hoeveelheid gegevens nodig hebben om te trainen, en gedragsdatasets zijn meestal vrij klein."

In machine learning-studies, de standaardmethode om problemen met kleine datasets aan te pakken, is de ruimte van mogelijke oplossingen te beperken. Echter, dit is niet altijd een eenvoudige taak, vooral bij het werken met neurale netwerken, aangezien een voldoende algemene en gemakkelijk toepasbare methode voor het omgaan met kleine datasets nog niet bestaat.

"We werden gemotiveerd door het idee dat we de mate waarin we bepaalde gedragsfenomenen konden voorspellen zouden kunnen verbeteren als we op de een of andere manier inzichten uit psychologische theorieën zouden kunnen vertalen in inductieve vooroordelen binnen een machine learning-model, ' zei Bourgin.

De studie uitgevoerd door Bourgin en zijn collega's leverde twee belangrijke bijdragen aan de studie van ML voor voorspelling van menselijke besluitvorming. Ten eerste, introduceerden de onderzoekers het concept van 'cognitieve modelprioriteiten, " wat inhoudt dat neurale netwerken vooraf worden getraind met synthetische gegevens die zijn afgeleid met behulp van gevestigde theoretische modellen die zijn ontwikkeld door cognitieve psychologen. Deze aanpak stelde hen in staat om ook de allereerste grootschalige dataset te introduceren voor trainingsalgoritmen voor menselijke besluitvormingstaken.

"Onze aanpak combineert bestaande wetenschappelijke theorieën over menselijk gedrag met de flexibiliteit van neurale netwerken om zich aan te passen om menselijke risicovolle monetaire beslissingen het best te voorspellen, "Jozua Peterson, een andere onderzoeker die bij het onderzoek betrokken was, vertelde TechXplore. "We doen dit door een gedragsmodel om te zetten in een flexibelere vorm door een neuraal netwerk te trainen om het te benaderen. Na deze stap, het neurale netwerk zal al bijna net zo voorspellend zijn als het gedragsmodel, en is nu op een plek om het meeste te halen uit verder leren van echte voorbeelden van menselijk gedrag."

Met behulp van 'cognitive model priors' bereikten de onderzoekers state-of-the-art resultaten op twee bestaande benchmark-datasets. Deze bevindingen suggereren dat het inderdaad mogelijk is voor ML-modellen om nauwkeurige voorspellingen te doen, zelfs als de beschikbare datasets klein zijn. In hun geval, dit werd bereikt door pre-trainingsmodellen op kunstmatige gegevens die zijn afgeleid van cognitieve modellen.

"Onze belangrijkste theoretische bijdrage is de introductie van een algemene manier om te vertalen tussen psychologische modellen en machine learning-benaderingen, " zei Bourgin. "Het resultaat is dat dit onderzoekers kan helpen om modellen voor machinaal leren toe te passen op gedragsgegevenssets die anders te klein zouden zijn. We hopen dat dit een grotere samenwerking tussen de machine learning- en gedragswetenschappelijke gemeenschappen zal aanmoedigen door een manier te bieden om een ​​bredere klasse modellen van menselijke besluitvorming te evalueren."

In hun studie hebben Bourgin, Peterson en hun collega's hebben aanzienlijke vooruitgang geboekt in de studie van ML-tools voor het vastleggen van menselijk gedrag, met hun aanpak ongeëvenaarde prestaties op twee beperkte datasets van menselijke beslissingen. Ze presenteerden ook een nieuwe dataset met 240, 000 menselijke oordelen verdeeld over 13, 000 beslissingsproblemen, die door andere onderzoeksgroepen kunnen worden gebruikt om hun eigen ML-modellen te trainen. Vanuit praktisch oogpunt, hun werk kan onderzoekers de aanzienlijke hoeveelheid tijd besparen die doorgaans wordt besteed aan het verzamelen van gegevens voor menselijke ML-voorspellingsmodellen.

"We zijn verheugd om te zien welke andere domeinen van menselijk gedrag kunnen profiteren van onze aanpak, vooral in meer natuurlijke omgevingen, "Zei Peterson. "We zijn ook geïnteresseerd om manieren te vinden om de cirkel te sluiten door de verbeterde machine learning-modellen te gebruiken om nieuwe wetenschappelijke theorieën te ontdekken."

© 2019 Wetenschap X Netwerk