用于预测人类决策的认知模型先验

人类决策是所有经济行为的基础。过去四十年来，不确定性下的人类决策持续由基于前景理论的理论模型解释，该框架曾获诺贝尔经济学奖。然而此类理论模型发展缓慢，稳健、高精度的人类决策预测模型仍具挑战。尽管机器学习是解决这些问题的天然候选，目前尚不清楚其能在多大程度上改进现有理论所得的预测。我们认为这主要源于数据稀缺，因为嘈杂的人类行为需要海量样本才能被现成机器学习方法准确刻画。为解决此问题，需要具有适配归纳偏置以捕捉人类行为的机器学习模型，以及更大数据集。我们朝此方向提供两点贡献：首先，我们利用认知模型(即认知心理学家开发的理论模型)生成的合成数据预训练神经网络，构建“认知模型先验”。我们发现将这些网络在真实人类决策的小数据集上微调，可在两个基准数据集上取得前所未有的最先进改进。其次，我们呈现首个大规模人类决策数据集，包含超过13,000个决策问题上的240,000余条人类判断。该数据集揭示了认知模型先验有用的情形，并为不确定性下人类决策预测提供了新基准。