Ett flödesschema som sammanfattar forskarnas tillvägagångssätt. Först, de genererade syntetisk beteendedata genom att tillämpa en beteendemodell från psykologi på en stor samling beslutsproblem. De tränade sedan ett neuralt nätverk för att förutsäga detta syntetiska beteende, effektivt överföra beteendemodellen till nätverket. När nätverket väl hade lärt sig de syntetiska data finjusterade de det på riktig mänsklig data, så att den kan bygga vidare på den kognitiva modellen och uppnå bättre förutsägelser. Kredit:Bourgin et al.
Mänskligt beslutsfattande är ofta svårt att förutsäga och teoretiskt avgränsa. Ändå, under de senaste decennierna, flera forskare har utvecklat teoretiska modeller som syftar till att förklara beslutsfattande, samt maskininlärningsmodeller (ML) som försöker förutsäga mänskligt beteende. Trots prestationerna förknippade med vissa av dessa modeller, Att korrekt förutsäga mänskliga beslut är fortfarande en betydande forskningsutmaning.
ML-tekniker kan tyckas vara idealiska för att ta itu med problem med beslutsfattande, men det är fortfarande oklart om de faktiskt kan förbättra förutsägelser gjorda av teoretiska modeller. Forskare vid University of California (UC) Berkeley och Princeton University har nyligen genomfört en studie som undersöker effektiviteten av ML för att fånga mänskligt beteende. I deras tidning, kommer att presenteras på den internationella konferensen om maskininlärning och förpubliceras på arXiv, de föreslår ett nytt tillvägagångssätt för att förutsäga mänskliga beslut, som de refererar till som "kognitiva modellföregångare."
"ML har revolutionerat vår förmåga att förutsäga fenomen inom ett antal vetenskapliga domäner, "David Bourgin, en av forskarna som genomförde studien, berättade för TechXplore. "Inom psykologi och ekonomi, dock, ML-metoder för förutsägelseändamål är fortfarande relativt sällsynta. En anledning till detta är att många vanliga ML-modeller kräver en betydande mängd data för att träna, och beteendedatauppsättningar tenderar att vara ganska små."
I maskininlärningsstudier, standardmetoden för att hantera problem relaterade till små datamängder är att begränsa utrymmet för möjliga lösningar. Dock, det här är inte alltid en enkel uppgift, speciellt när man arbetar med neurala nätverk, eftersom en tillräckligt allmän och lättapplicerbar metod för att hantera små datamängder ännu inte existerar.
"Vi motiverades av tanken att vi skulle kunna förbättra i vilken utsträckning vi kunde förutsäga vissa beteendefenomen om vi på något sätt kunde översätta insikter från psykologiska teorier till induktiva fördomar inom en maskininlärningsmodell, sa Bourgin.
Studien utförd av Bourgin och hans kollegor gav två betydande bidrag till studien av ML för mänskligt beslutsfattande förutsägelse. För det första, forskarna introducerade begreppet "kognitiv modell priors, " som innebär förträning av neurala nätverk med syntetiska data härledda med hjälp av etablerade teoretiska modeller utvecklade av kognitiva psykologer. Detta tillvägagångssätt gjorde det möjligt för dem att också introducera den allra första storskaliga datamängden för träning av algoritmer för mänskliga beslutsfattande uppgifter.
"Vårt tillvägagångssätt kombinerar befintliga vetenskapliga teorier om mänskligt beteende med flexibiliteten hos neurala nätverk för att anpassa sig för att på bästa sätt förutsäga mänskliga riskabla monetära beslut, "Joshua Peterson, en annan forskare involverad i studien, berättade för TechXplore. "Vi gör detta genom att konvertera en beteendemodell till en mer flexibel form genom att träna ett neuralt nätverk för att approximera det. Efter detta steg, det neurala nätverket kommer redan att vara nästan lika prediktivt som beteendemodellen, och är nu på en plats för att få ut det mesta av ytterligare lärande från verkliga exempel på mänskligt beteende."
Med hjälp av "kognitiva modellprioriteringar" uppnådde forskarna toppmoderna resultat på två befintliga benchmark-datauppsättningar. Dessa fynd tyder på att det verkligen är möjligt för ML-modeller att göra korrekta beslutsförutsägelser, även om tillgängliga datauppsättningar är små. I deras fall, detta uppnåddes genom förträningsmodeller på artificiell data som härrör från kognitiva modeller.
"Vårt viktigaste teoretiska bidrag är införandet av ett allmänt sätt att översätta mellan psykologiska modeller och metoder för maskininlärning, "Sa Bourgin. "Resultatet är att detta kan hjälpa forskare att tillämpa maskininlärningsmodeller på beteendedatauppsättningar som annars skulle vara för små. Vi hoppas att detta kommer att uppmuntra större samarbete mellan maskininlärning och beteendevetenskapliga gemenskaper genom att tillhandahålla ett sätt att utvärdera en bredare klass av modeller för mänskligt beslutsfattande."
I deras studie, Bourgin, Peterson och deras kollegor har gjort betydande framsteg i studiet av ML-verktyg för att fånga mänskligt beteende, med deras tillvägagångssätt att uppnå oöverträffad prestanda på två begränsade datauppsättningar av mänskliga beslut. De presenterade också en ny datauppsättning som innehåller 240, 000 mänskliga bedömningar över 13, 000 beslutsproblem, som skulle kunna användas av andra forskargrupper för att träna sina egna ML-modeller. Ur praktisk synvinkel, deras arbete skulle kunna spara forskare den avsevärda tid som vanligtvis ägnas åt att samla in data för ML mänskliga förutsägelsemodeller.
"Vi är glada över att se vilka andra domäner av mänskligt beteende som kan dra nytta av vårt tillvägagångssätt, speciellt i mer naturliga miljöer, ", sa Peterson. "Vi är också intresserade av att hitta sätt att sluta kretsen genom att använda de förbättrade maskininlärningsmodellerna för att upptäcka nya vetenskapliga teorier."
© 2019 Science X Network
