Model BEAST-GB: połączenie uczenia maszynowego i nauk behawioralnych przewiduje decyzje

Naukowcy z Technion (Izrael) i kilku amerykańskich instytutów stworzyli model obliczeniowy BEAST-GB, który ma za zadanie przewidywać ludzkie decyzje w sytuacjach obarczonych ryzykiem i niepewnością. Artykuł na ten temat ukazał się w czasopiśmie „Nature Human Behaviour”.

Kluczowym celem badań nad zachowaniami jest zrozumienie, jak ludzie podejmują decyzje w obliczu nieznanych lub niepewnych konsekwencji, czyli w sytuacjach, w których występuje pewien stopień ryzyka. Umiejętność przewidywania tych wyborów otwiera nowe możliwości, zwłaszcza w kontekście tworzenia inicjatyw, które mogłyby skłaniać ludzi do podejmowania lepszych decyzji – zarówno dla siebie, jak i dla otoczenia.

Hybryda algorytmów i teorii behawioralnych

Model BEAST-GB łączy zaawansowane algorytmy uczenia maszynowego z dorobkiem teorii nauk behawioralnych. Jak wyjaśnia Ori Plonsky, pierwszy autor publikacji, dotychczasowe badania nad ludzkimi decyzjami obfitują w konkurencyjne teorie, jednak żadna z nich nie jest w stanie niezawodnie i dokładnie przewidywać wyborów w różnych kontekstach. „Zorganizowaliśmy konkurs 'choice prediction competition’, w którym każdy mógł zgłosić model obliczeniowy przewidujący ludzkie decyzje w warunkach ryzyka i niepewności. Interesowało nas, czy lepiej poradzą sobie modele oparte na danych, modele behawioralne oparte na teorii, czy też hybryda.”

Rdzeniem modelu jest framework BEAST (Best Estimate and Sampling Tools), bazujący na teoriach psychologicznych, które wcześniej wykazywały obiecującą dokładność w prognozowaniu decyzji. BEAST zakłada, że ludzie w sytuacjach wyboru mieszają różne strategie, takie jak minimalizowanie ryzyka natychmiastowego żalu lub zabezpieczanie się przed najgorszymi scenariuszami. Każda ze strategii została przekształcona w „cechę behawioralną”, czyli formułę, która określa, jak wrażliwy jest podejmujący decyzję na daną kwestię. Te „cechy” wraz z obiektywnymi danymi opisującymi zadanie, zostały wprowadzone do algorytmu Extreme Gradient Boosting – stąd nazwa BEAST-GB.

Zwycięstwo i dalsze plany

BEAST-GB wygrał wspomniany konkurs CPC18, wychwytując 93% zmienności w danych treningowych i 96% w testach wykorzystujących zbiór danych 40 razy większy. Model pokonał dziesiątki innych modeli behawioralnych i rozwiązań opartych wyłącznie na uczeniu maszynowym. Co więcej, nawet przy użyciu zaledwie 2% danych treningowych, BEAST-GB okazał się lepszy od głębokiej sieci neuronowej wytrenowanej na całości danych. Model jest w stanie dokładnie przewidywać decyzje podejmowane w nowych, nieznanych mu wcześniej eksperymentach, co sugeruje, że wychwytuje on ogólne wzorce ludzkich wyborów. Naukowcy wykorzystali go również do udoskonalenia samej teorii behawioralnej, zwiększając tym samym zdolność do wyjaśniania, a nie tylko przewidywania, ludzkich decyzji.

Plonsky i jego zespół planują współpracę z decydentami i innymi podmiotami zaangażowanymi w projektowanie i wdrażanie inicjatyw z zakresu nauk behawioralnych. Dzięki temu będą mogli przetestować model w warunkach rzeczywistych, zweryfikować jego potencjał i uzyskać informacje zwrotne, które posłużą do jego dalszego rozwoju. W przyszłości zamierzają rozszerzyć zakres badań o problemy decyzyjne formułowane w języku naturalnym, które są bardziej zbliżone do realiów codziennego życia.