यह शोधपत्र डिस्क्रीट चॉइस मॉडल (DCM) के लिए एक नवीन दृष्टिकोण प्रस्तुत करता है, जो मानव निर्णय-निर्माण प्रक्रियाओं के मॉडलिंग के लिए आवश्यक है, जिसे डिफरेंशियल डिस्क्रीट चॉइस मॉडल (Diff-DCM) कहा जाता है। जहाँ पारंपरिक DCM विशेषज्ञों के डोमेन ज्ञान पर अत्यधिक निर्भर करते हैं, वहीं डिफ-DCM डिफरेंशियल प्रोग्रामिंग के माध्यम से डेटा के आधार पर व्याख्या योग्य मॉडलों को स्वचालित रूप से सीख, पूर्वानुमान और नियंत्रित कर सकता है। यह एक व्याख्या योग्य क्लोज्ड-फॉर्म यूटिलिटी फंक्शन का अनुमान लगाता है जो बिना किसी पूर्व ज्ञान के केवल इनपुट फीचर्स और चयन परिणामों के साथ देखे गए व्यवहारों को पुन: प्रस्तुत करता है, और सिंथेटिक और वास्तविक डेटा पर किए गए प्रयोगों से पता चलता है कि यह विभिन्न प्रकार के डेटा पर लागू होता है और कम मात्रा में कम्प्यूटेशनल संसाधनों के साथ इसका शीघ्रता से अनुमान लगाया जा सकता है। इसके अतिरिक्त, यह दर्शाता है कि प्रभावी व्यवहार परिवर्तन के लिए इष्टतम हस्तक्षेप पथ जैसी अंतर्दृष्टि प्रदान करने के लिए डिफरेंशियलेबिलिटी का उपयोग किया जा सकता है।
