Um fluxograma que resume a abordagem dos pesquisadores. Primeiro, eles geraram dados sintéticos de comportamento aplicando um modelo comportamental da psicologia a uma grande coleção de problemas de decisão. Eles então treinaram uma rede neural para prever esse comportamento sintético, efetivamente transferindo o modelo comportamental para a rede. Depois que a rede terminou de aprender os dados sintéticos, eles os ajustaram em dados humanos reais, permitindo que ele se baseie ainda mais no modelo cognitivo e alcance melhores previsões. Crédito:Bourgin et al.
A tomada de decisão humana é freqüentemente difícil de prever e delinear teoricamente. Apesar disso, nas décadas recentes, vários pesquisadores desenvolveram modelos teóricos com o objetivo de explicar a tomada de decisão, bem como modelos de aprendizado de máquina (ML) que tentam prever o comportamento humano. Apesar das conquistas associadas a alguns desses modelos, prever com precisão as decisões humanas continua sendo um desafio significativo para a pesquisa.
As técnicas de ML podem parecer ideais para resolver problemas de previsão de tomada de decisão, no entanto, ainda não está claro se eles podem realmente melhorar as previsões feitas por modelos teóricos. Pesquisadores da Universidade da Califórnia (UC) em Berkeley e da Universidade de Princeton realizaram recentemente um estudo explorando a eficácia do ML na captura do comportamento humano. Em seu jornal, definido para ser apresentado na Conferência Internacional sobre Aprendizado de Máquina e pré-publicado no arXiv, eles propõem uma nova abordagem para prever as decisões humanas, aos quais eles se referem como 'modelos anteriores do modelo cognitivo ".
"ML revolucionou nossa capacidade de prever fenômenos em vários domínios científicos, "David Bourgin, um dos pesquisadores que realizou o estudo, disse TechXplore. "Em psicologia e economia, Contudo, As abordagens de ML para fins de previsão ainda são relativamente raras. Um motivo para isso é que muitos modelos de ML disponíveis no mercado exigem uma quantidade significativa de dados para treinar, e os conjuntos de dados comportamentais tendem a ser bastante pequenos. "
Em estudos de aprendizado de máquina, o método padrão de lidar com questões relacionadas a pequenos conjuntos de dados é restringir o espaço de soluções possíveis. Contudo, nem sempre é uma tarefa direta, particularmente ao trabalhar com redes neurais, como um método suficientemente geral e facilmente aplicável para lidar com pequenos conjuntos de dados ainda não existe.
"Fomos motivados pela ideia de que poderíamos melhorar a extensão em que poderíamos prever certos fenômenos comportamentais se pudéssemos de alguma forma traduzir insights de teorias psicológicas em vieses indutivos dentro de um modelo de aprendizado de máquina, "Bourgin disse.
O estudo realizado por Bourgin e seus colegas fez duas contribuições significativas para o estudo do ML para a previsão da tomada de decisão humana. Em primeiro lugar, os pesquisadores introduziram o conceito de 'modelos cognitivos anteriores, "que envolve redes neurais de pré-treinamento com dados sintéticos derivados de modelos teóricos estabelecidos desenvolvidos por psicólogos cognitivos. Essa abordagem permitiu que eles também apresentassem o primeiro conjunto de dados em grande escala para algoritmos de treinamento em tarefas de tomada de decisão humana.
"Nossa abordagem combina as teorias científicas existentes do comportamento humano com a flexibilidade das redes neurais para se adaptar a melhor prever decisões monetárias de risco humanas, "Joshua Peterson, outro pesquisador envolvido no estudo, disse TechXplore. "Fazemos isso convertendo um modelo comportamental em uma forma mais flexível, treinando uma rede neural para se aproximar dele. Após esta etapa, a rede neural já será quase tão preditiva quanto o modelo comportamental, e agora está em condições de aproveitar ao máximo o aprendizado adicional de exemplos reais de comportamento humano. "
Usando 'modelos cognitivos anteriores', os pesquisadores alcançaram resultados de última geração em dois conjuntos de dados de referência existentes. Essas descobertas sugerem que é realmente possível para os modelos de ML fazerem previsões precisas de tomada de decisão, mesmo se os conjuntos de dados disponíveis forem pequenos. No caso deles, isso foi alcançado por modelos de pré-treinamento em dados artificiais derivados de modelos cognitivos.
"Nossa principal contribuição teórica é a introdução de uma maneira geral de traduzir modelos psicológicos e abordagens de aprendizado de máquina, "Disse Bourgin." O resultado é que isso pode ajudar os pesquisadores a aplicar modelos de aprendizado de máquina a conjuntos de dados comportamentais que, de outra forma, seriam muito pequenos. Esperamos que isso incentive uma maior colaboração entre as comunidades de aprendizado de máquina e ciências comportamentais, fornecendo uma maneira de avaliar uma classe mais ampla de modelos de tomada de decisão humana. "
Em seu estudo, Bourgin, Peterson e seus colegas fizeram avanços significativos no estudo de ferramentas de ML para capturar o comportamento humano, com sua abordagem alcançando desempenho sem precedentes em dois conjuntos de dados restritos de decisões humanas. Eles também apresentaram um novo conjunto de dados que contém 240, 000 julgamentos humanos em 13, 000 problemas de decisão, que podem ser usados por outros grupos de pesquisa para treinar seus próprios modelos de ML. Do ponto de vista prático, O trabalho deles pode economizar aos pesquisadores uma quantidade significativa de tempo que normalmente é gasto na coleta de dados para modelos de predição humana de ML.
"Estamos entusiasmados para ver quais outros domínios do comportamento humano podem se beneficiar de nossa abordagem, especialmente em ambientes mais naturais, "Peterson disse." Também estamos interessados em encontrar maneiras de fechar o ciclo usando os modelos de aprendizado de máquina aprimorados para descobrir novas teorias científicas. "
© 2019 Science X Network
