Технологические достижения, такие как машинное обучение, оказали большое влияние на многие физические науки - в меньшей степени на некоторые науки о поведении. Хотя усилия по обнаружению и оценке новых моделей человеческих суждений были усилены с использованием современных методов, основанных на данных, им часто препятствуют небольшие наборы данных, что ограничивает их способность полностью объяснять поведение.
Чтобы решить эту проблему, Петерсон и группа исследователей собрали большой набор данных о человеческих решениях почти для 10 000 проблем «рискованного выбора» - результат крупнейшего на сегодняшний день эксперимента по рискованному выбору - и применили его к машинному обучению, чтобы обнаружить новые и оценить конкурирующие решения. -создание теорий.
Рискованный выбор - одна из самых основных и широко изученных проблем в классической теории принятия решений - оценивает, как человек делает выбор между двумя неравными играми или лотереями: например, выбор 20% -ного шанса получить 100 долларов или 80% -ного шанса на 50 долларов.
«Термин риска отражает неопределенность результата», - сказал Дэниел Райхман, исследователь Вустерского политехнического института и соавтор исследования. «Когда мы выбираем лотерею, мы не знаем наверняка, какой денежный результат мы получим.
Хотя Райхман отмечал, что рискованный выбор - всего лишь абстракция огромной сложности, лежащей в основе решений, которые люди обычно принимают в своей повседневной жизни, рискованных выборов между реальными играми предостаточно.
В то время как предыдущие исследования были сосредоточены только на нескольких проблемах выбора одновременно, Петерсон, Райхман и исследователи использовали краудсорсинговую службу Amazon Mechanical Turk, чтобы найти ответы примерно на 10 000 уникальных проблем.
Исследователи обнаружили, что глубокие нейронные сети, основанные на этом наборе данных, могут имитировать человеческие решения с удивительной степенью точности - существенно превосходя существующие, созданные человеком модели рискованного выбора. Обучаясь имитировать человеческие решения, сети выявляли многие психологические свойства, лежащие в основе установленных поведенческих теорий, что позволяло их оценивать и уточнять.
«Лучшая теория, которую мы обнаружили, подчеркивает то, что некоторые психологи ранее подозревали в отношении принятия решений человеком: то, как мы определяем ценность для выбора вариантов, очень чувствительно к контексту конкурирующих вариантов, даже если объективная ценность не меняется», - сказал Петерсон. .
По словам Петерсона, этот подход подчеркивает уровень сложности и объем данных, необходимых для того, чтобы теория, не использующая вспомогательные средства, понятная человеку, начала делать прогнозы с той же точностью, что и алгоритмы машинного обучения.
«Ученые обучены генерировать простейшие возможные теории-кандидаты, и для этого есть очень веская причина», - сказал Петерсон. «Но важно понимать, что это также может служить ограничением для самостоятельной разработки теории».
По словам Петерсона, такой метод потенциально может сэкономить годы - даже десятилетия - на открытие и уточнение теорий принятия решений.
«Я думаю, что наше исследование представляет собой действительно захватывающий новый пример того, как поведенческая наука будет развиваться в будущем».