Infusion af maskinlæringsmodeller med induktive skævheder for at fange menneskelig adfærd

Menneskelig beslutningstagning er ofte svær at forudsige og afgrænse teoretisk. Ikke desto mindre, i de seneste årtier, flere forskere har udviklet teoretiske modeller, der har til formål at forklare beslutningstagning, samt machine learning (ML) modeller, der forsøger at forudsige menneskelig adfærd. På trods af de resultater, der er forbundet med nogle af disse modeller, præcist at forudsige menneskelige beslutninger er fortsat en væsentlig forskningsudfordring.

ML-teknikker kan virke ideelle til at tackle forudsigelsesproblemer i beslutningstagning, men det er stadig uklart, om de faktisk kan forbedre forudsigelser lavet af teoretiske modeller. Forskere ved University of California (UC) Berkeley og Princeton University har for nylig udført en undersøgelse, der undersøger effektiviteten af ​​ML til at fange menneskelig adfærd. I deres papir, indstillet til at blive præsenteret på den internationale konference om maskinlæring og præ-publiceret på arXiv, de foreslår en ny tilgang til at forudsige menneskelige beslutninger, som de refererer til som 'kognitive model priors'.

"ML har revolutioneret vores evne til at forudsige fænomener inden for en række videnskabelige domæner, "David Bourgin, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "I psykologi og økonomi, imidlertid, ML-tilgange til forudsigelsesformål er stadig relativt sjældne. En grund til dette er, at mange ML-modeller, der er klar til brug, kræver en betydelig mængde data for at træne, og adfærdsdatasæt har en tendens til at være ret små."

I maskinlæringsstudier, standardmetoden til at tackle problemer relateret til små datasæt er at begrænse pladsen til mulige løsninger. Imidlertid, det er ikke altid en ligetil opgave, især når du arbejder med neurale netværk, da en tilstrækkelig generel og let anvendelig metode til at håndtere små datasæt endnu ikke eksisterer.

"Vi var motiveret af ideen om, at vi kunne forbedre det omfang, i hvilket vi kunne forudsige visse adfærdsfænomener, hvis vi på en eller anden måde kunne omsætte indsigter fra psykologiske teorier til induktive skævheder inden for en maskinlæringsmodel, " sagde Bourgin.

Studiet udført af Bourgin og hans kolleger gav to væsentlige bidrag til studiet af ML til forudsigelse af menneskelig beslutningstagning. For det første, forskerne introducerede begrebet 'kognitive model priors', " som indebærer fortræning af neurale netværk med syntetiske data udledt ved hjælp af etablerede teoretiske modeller udviklet af kognitive psykologer. Denne tilgang tillod dem også at introducere det allerførste datasæt i stor skala til træning af algoritmer på menneskelige beslutningsopgaver.

"Vores tilgang kombinerer eksisterende videnskabelige teorier om menneskelig adfærd med fleksibiliteten i neurale netværk til at tilpasse sig til bedst muligt at forudsige menneskelige risikable pengebeslutninger, "Joshua Peterson, en anden forsker involveret i undersøgelsen, fortalte TechXplore. "Vi gør dette ved at konvertere en adfærdsmodel til en mere fleksibel form ved at træne et neuralt netværk til at tilnærme det. Efter dette trin, det neurale netværk vil allerede være næsten lige så prædiktivt som adfærdsmodellen, og er nu på et sted, hvor man kan få mest muligt ud af yderligere læring fra virkelige eksempler på menneskelig adfærd."

Ved at bruge 'kognitive model priors' opnåede forskerne avancerede resultater på to eksisterende benchmark-datasæt. Disse resultater tyder på, at det faktisk er muligt for ML-modeller at lave nøjagtige beslutningsforudsigelser, selvom tilgængelige datasæt er små. I deres tilfælde dette blev opnået ved præ-træningsmodeller på kunstige data afledt af kognitive modeller.

"Vores vigtigste teoretiske bidrag er indførelsen af ​​en generel måde at oversætte mellem psykologiske modeller og maskinlæringstilgange, " sagde Bourgin. "Resultatet er, at dette kan hjælpe forskere med at anvende maskinlæringsmodeller til adfærdsdatasæt, der ellers ville være for små. Vi håber, at dette vil tilskynde til et større samarbejde mellem maskinlærings- og adfærdsvidenskabelige samfund ved at give en måde at evaluere en bredere klasse af modeller for menneskelig beslutningstagning."

I deres undersøgelse, Bourgin, Peterson og deres kolleger har gjort betydelige fremskridt i studiet af ML-værktøjer til at fange menneskelig adfærd, med deres tilgang til at opnå hidtil uset ydeevne på to begrænsede datasæt af menneskelige beslutninger. De præsenterede også et nyt datasæt, der indeholder 240, 000 menneskelige domme på tværs af 13, 000 beslutningsproblemer, som kunne bruges af andre forskergrupper til at træne deres egne ML-modeller. Fra et praktisk synspunkt, deres arbejde kunne spare forskerne for den betydelige mængde tid, der typisk bruges på at indsamle data til ML menneskelige forudsigelsesmodeller.

"Vi er spændte på at se, hvilke andre domæner af menneskelig adfærd der kan drage fordel af vores tilgang, især i mere naturlige omgivelser, " sagde Peterson. "Vi er også interesserede i at finde måder at lukke sløjfen ved at bruge de forbedrede maskinlæringsmodeller til at opdage nye videnskabelige teorier."

© 2019 Science X Network