用行为理论与机器学习预测人类决策
人工智能
2025-07-29 v3 计算机科学与博弈论
机器学习
摘要
预测人类在风险与不确定性下的决策仍是跨学科的根本挑战。现有模型即使在彩票间选择这类高度简化任务中也常表现不佳。我们提出 BEAST Gradient Boosting (BEAST-GB)，一种将行为理论（BEAST）与机器学习相融合的混合模型。我们首先介绍 CPC18——一个预测风险选择的竞赛，BEAST-GB 在其中获胜。随后，利用两个大型数据集，我们证明 BEAST-GB 比基于大量数据训练的神经网络及数十种现有行为模型预测更准确。BEAST-GB 还能在未见过的实验情境中稳健泛化，超越直接的经验泛化，并有助于精炼和改进行为理论本身。我们的分析凸显了即便在数据丰富情境下、即便理论单独使用失效时，以行为理论为预测锚点的潜力。结果强调了将机器学习与理论框架（尤其是如 BEAST 般为预测而设计者）相融合，可提升我们预测和理解人类行为的能力。
引用
@article{arxiv.1904.06866,
title = {Predicting human decisions with behavioral theories and machine learning},
author = {Ori Plonsky and Reut Apel and Eyal Ert and Moshe Tennenholtz and David Bourgin and Joshua C. Peterson and Daniel Reichman and Thomas L. Griffiths and Stuart J. Russell and Evan C. Carter and James F. Cavanagh and Ido Erev},
journal= {arXiv preprint arXiv:1904.06866},
year = {2025}
}