通过科学遗憾最小化扩展心理学研究：以道德决策为例

大规模数据集对心理学家是否有价值？若缺乏处理此类数据集的系统方法，人们有理由担心分析会产生噪声伪影而非真实效应。本文提供了一种方法，使研究者能够在大数据集中系统性地构建模型并识别新现象。一种传统方法是分析模型的残差——即模型在预测数据时产生的最大误差——以发现模型可能缺失的内容。然而，一旦数据集足够大，机器学习算法对真实底层函数的逼近会优于数据本身，这表明应使用这些数据驱动模型的预测来指导模型构建。我们将此方法称为“科学遗憾最小化”（Scientific Regret Minimization, SRM），因为它专注于最小化那些我们已知本应可预测案例的误差。我们在道德机器数据集的一个子集上演示了这一方法，该数据集是一个包含约四千万条道德决策的公开集合。利用SRM，我们发现纳入一组道义论原则（这些原则捕捉了智能体群体可能变化的维度，如性别和年龄）能够改进人类道德判断的计算模型。此外，我们得以识别并独立验证了三种有趣的道德现象：罪犯非人化、责任年龄以及不对称的责任观念。