Predicting human decisions with behavioral theories and machine learning
Created by
Haebom
저자
Ori Plonsky, Reut Apel, Eyal Ert, Moshe Tennenholtz, David Bourgin, Joshua C. Peterson, Daniel Reichman, Thomas L. Griffiths, Stuart J. Russell, Evan C. Carter, James F. Cavanagh, Ido Erev
개요
본 논문은 위험과 불확실성 하에서의 인간 의사결정 예측이라는 근본적인 문제를 다룹니다. 기존 모델들은 복권 선택과 같은 단순화된 과업에서조차 어려움을 겪는 경우가 많습니다. 본 논문에서는 행동 이론(BEAST)과 기계 학습을 통합한 하이브리드 모델인 BEAST Gradient Boosting (BEAST-GB)을 제시합니다. 리스크 있는 선택 예측 경진대회인 CPC18에서 BEAST-GB가 우승한 사례를 소개하고, 두 개의 대규모 데이터 세트를 사용하여 BEAST-GB가 방대한 데이터로 훈련된 신경망 및 기존의 수십 가지 행동 모델보다 더 정확하게 예측한다는 것을 보여줍니다. 또한 BEAST-GB는 보이지 않는 실험 환경에서도 강력하게 일반화되며, 직접적인 경험적 일반화를 능가하고 행동 이론 자체를 개선하는 데 도움이 됩니다. 데이터가 풍부한 환경에서도, 그리고 이론 자체가 실패하더라도 행동 이론에 예측을 고정하는 잠재력을 강조합니다. 기계 학습과 이론적 프레임워크(특히 예측을 위해 설계된 BEAST와 같은 프레임워크)를 통합하면 인간 행동을 예측하고 이해하는 능력을 향상시킬 수 있음을 보여줍니다.
시사점, 한계점
•
시사점:
◦
BEAST-GB 모델은 기존 모델보다 위험 및 불확실성 하의 인간 의사결정을 더 정확하게 예측합니다.
◦
행동 이론과 기계 학습의 통합은 인간 행동 예측의 정확도와 일반화 성능을 향상시킬 수 있습니다.
◦
데이터가 풍부한 상황에서도 행동 이론을 기반으로 예측하는 것이 유용함을 보여줍니다.
◦
BEAST-GB는 행동 이론 자체를 개선하는 데 기여할 수 있습니다.
•
한계점:
◦
BEAST-GB 모델의 일반화 성능이 모든 상황에서 보장되는 것은 아닙니다. 특정한 실험 환경에 대한 추가적인 검증이 필요할 수 있습니다.
