人类的决策往往难以从理论上进行预测和描绘..尽管如此，近几十年来，一些研究人员开发了旨在解释决策的理论模型，以及试图预测人类行为的机器学习（M L）模型。尽管与其中一些模型相关的成就，准确预测人类决策仍然是一个重大的研究挑战。

ML技术似乎是解决决策预测问题的理想方法，但目前还不清楚它们是否能够实际改进理论模型所做的预测。加州大学伯克利分校和普林斯顿大学的研究人员最近进行了一项研究，探索ML在捕捉人类行为方面的有效性。他们的论文将在国际机器学习会议上提出，并在ar Xiv上预先发表，他们提出了一种预测人类决策的新方法，他们称之为“认知模型先验”。

开展这项研究的研究人员之一大卫·布尔金告诉TechXplore说：“ML彻底改变了我们在许多科学领域预测现象的能力。然而，在心理学和经济学中，用于预测目的的ML方法仍然相对较少。其中一个原因是，许多现成的ML模型需要大量的数据来训练，而行为数据集往往相当小。

在机器学习研究中，处理与小数据集相关的问题的标准方法是限制可能的解决方案的空间。然而，这并不总是一项直截了当的任务，特别是在与神经网络一起工作时，因为处理小数据集的一种足够通用和容易适用的方法还不存在。

布尔金说：“我们的动机是，如果我们能以某种方式将心理学理论中的洞察力转化为机器学习模型中的归纳偏差，我们就能在多大程度上预测某些行为现象。”

本研究由Bourgin和他的同事进行，为ML对人类决策预测的研究做出了两个重要贡献。首先，研究人员引入了“认知模型先验”的概念，包括利用认知心理学家开发的既定理论模型导出的合成数据进行神经网络的预训练。这种方法也使他们能够引入第一个大规模数据集来训练人类决策任务的算法。

参与这项研究的另一位研究人员乔舒亚·彼得森（Joshua Peterson）告诉TechXplore说：“我们的方法将现有的人类行为科学理论与神经网络的灵活性相结合，以适应最好地预测人类的风险货币决策。”“我们通过训练一个神经网络来近似，将一个行为模型转换成一个更灵活的形式来做到这一点。在这一步之后，神经网络将几乎与行为模型一样具有预测性，现在正处于一个充分利用人类行为的实际例子的地方。

利用“认知模型优先”，研究人员在现有的两个基准数据集上获得了最先进的结果。这些发现表明，ML模型确实有可能做出准确的决策预测，即使可用的数据集很小。在他们的例子中，这是通过对来自认知模型的人工数据进行预训练模型来实现的。

布金说：“我们的关键理论贡献是引入了一种在心理模型和机器学习方法之间进行翻译的通用方法。“结果是，这可以帮助研究人员将机器学习模型应用于行为数据集，否则会太小。我们希望，这将通过提供一种方法来评估更广泛的人类决策模型，鼓励机器学习和行为科学社区之间的更大合作。”

在他们的研究中，Bourgin、Peterson和他们的同事在研究用于捕捉人类行为的ML工具方面取得了重大进展，他们的方法在人类决策的两个受限数据集上取得了前所未有的性能。他们还提出了一个新的数据集，其中包含24万人对13，000个决策问题的判断，其他研究小组可以使用这些数据集来训练他们自己的ML模型。从实际的角度来看，他们的工作可以节省研究人员通常花费在收集ML人类预测模型数据上的大量时间。

彼得森说：“我们很高兴看到人类行为的其他领域可以从我们的方法中获益，特别是在更自然的环境中。“我们还有兴趣通过使用改进后的机器学习模型来发现新的科学理论来找到关闭循环的方法。”