Science論文：諾獎經(jīng)濟學(xué)家的經(jīng)典決策模型，被AI挑戰

以下文章來(lái)源于數據實(shí)戰派 ，作者林檎

在經(jīng)濟學(xué)領(lǐng)域，這個(gè)問(wèn)題與一個(gè)著(zhù)名的理論息息相關(guān)。那便是諾貝爾經(jīng)濟學(xué)獎獲得者卡尼曼在 1979 年提出的前景理論（Prospect Theory）。

這個(gè)理論指出，在權衡 “獲得” 的時(shí)候，人們普遍希望更有把握的選擇，而不想有風(fēng)險。即面臨獲得時(shí)往往小心翼翼、規避風(fēng)險；面對失去時(shí)反而因為不甘心而更容易冒險。這揭示了，人在損失時(shí)的痛苦感與獲得時(shí)的快樂(lè )感并不對等，前者的程度更強烈。

盡管前景理論隸屬于經(jīng)濟學(xué)范疇，另一方面，這個(gè)理論也反映了智能體在決策認知上存在的誤區。

決策是很重要的，因為它最終決定了某些生活和社會(huì )結果，并且是相當多的經(jīng)濟行為的基礎。但實(shí)際情況是，人類(lèi)做出決定的過(guò)程有時(shí)既復雜又看似隨意。

這也導致了大量理論和決策模型的出現，其中的不少理論，要不相互矛盾，要不就是新穎性不足、難以和其他理論相區分。更致命的是，大多數這些理論在現實(shí)世界中都不是很有用，很少有想法能對人類(lèi)行為提供充分的見(jiàn)解，每個(gè)理論往往只能從不斷增加的清單中解釋少數現象。因此，即便雖然前景理論為人是如何進(jìn)行決策提供了一種方法論，但用這個(gè)理論來(lái)模擬選擇行為并非沒(méi)有缺點(diǎn)。

而在普林斯頓大學(xué)的研究人員 Joshua Peterson 看來(lái)，造成這種情況的原因并不是缺乏獨創(chuàng )性，而是該領(lǐng)域已經(jīng)形成了這樣的一個(gè)傳統：新進(jìn)展取決于理論和實(shí)驗之間的迭代循環(huán)，但一個(gè)理論家能夠投入的時(shí)間畢竟有限，加上該領(lǐng)域缺乏像其他科學(xué)中出現的新工具，使得理論發(fā)展的速度很難在過(guò)去幾十年得到實(shí)質(zhì)上的突破。

我們能加快這一進(jìn)程嗎？

Joshua Peterson 選中了一個(gè)新的工具，你不會(huì )陌生，它就是深度神經(jīng)網(wǎng)絡(luò )。正如 “數據實(shí)戰派” 所多次報道過(guò)，深度神經(jīng)網(wǎng)絡(luò )已經(jīng)對自然科學(xué)產(chǎn)生了很大的影響，但在行為科學(xué)上的作用卻不如前者那么大，而 Joshua Peterson 所在的團隊發(fā)表于 Science 的研究，便論證了機器學(xué)習為行為科學(xué)領(lǐng)域帶來(lái)新的可能性。論文題為 Machine-generated theories of human decision-making。

首先，他們通過(guò)亞馬遜的 Mechanical Turk 眾包服務(wù)，開(kāi)發(fā)了一個(gè)大型的風(fēng)險決策數據集，收集了人類(lèi)對近 10000 個(gè) 風(fēng)險選擇問(wèn)題的決定（例如文章開(kāi)頭的 “20% 的機會(huì )獲得 100 美元，80% 的機會(huì )獲得 50 美元” 這樣的問(wèn)題），用于測試和開(kāi)發(fā)圍繞人類(lèi)風(fēng)險決策的新理論。

據了解，這也是迄今為止最大規模的風(fēng)險選擇實(shí)驗產(chǎn)物。由于依賴(lài)大量初始假設，先前在制定決策理論方面的努力通常涉及使用非常小的數據集，每次只關(guān)注少數幾個(gè)選擇問(wèn)題。過(guò)去，利用現代數據驅動(dòng)技術(shù)發(fā)現和評估人類(lèi)判斷的新模型也時(shí)有出現，但它們往往受限于小數據集，因而無(wú)法真正發(fā)揮其解釋行為的能力。

然后，他們利用這個(gè)數據集來(lái)訓練了一個(gè)深度神經(jīng)網(wǎng)絡(luò )，用以來(lái)預測人類(lèi)行為，并系統地比較了這大模型與此前的小模型（如前景理論）對風(fēng)險決策行為的預測能力。

結果發(fā)現，由這個(gè)數據集驅動(dòng)的深度神經(jīng)網(wǎng)絡(luò )可以模仿人類(lèi)的決定，其準確度令人驚訝，已大大超過(guò)了現有的、由人類(lèi)產(chǎn)生的風(fēng)險選擇模型，深度神經(jīng)網(wǎng)絡(luò )的預測能力比前景理論高出幾個(gè)能級（當模型在特定場(chǎng)景下預測出的選擇，和人類(lèi)的預測重合 50% 以上，則該模型能夠預測該場(chǎng)景 ）。

在他們的實(shí)驗中，這個(gè)神經(jīng)網(wǎng)絡(luò )勝過(guò)了所提出的 50 多種風(fēng)險決策理論，這表明目前的理論仍存在著(zhù)差距。

基于神經(jīng)網(wǎng)絡(luò )的模型，以及傳統模型對風(fēng)險決策預測誤差的對比

但是，這個(gè)模型所產(chǎn)生的理論見(jiàn)解是什么？

風(fēng)險決策本身已經(jīng)是經(jīng)典決策理論中最基本和最廣泛研究的問(wèn)題之一。Reichman 指出，風(fēng)險決策模型本來(lái)就只是人們在日常生活中經(jīng)常做出的決定的巨大復雜性的一個(gè)抽象。

為了分析這一點(diǎn)，他們將傳統的風(fēng)險選擇理論按照層次結構進(jìn)行分類(lèi)，然后不依靠具體的理論，訓練神經(jīng)網(wǎng)絡(luò )來(lái)尋找最佳預期效用理論模型、最佳前景理論模型等。即判斷每一類(lèi)理論的預測性如何，在它們之間進(jìn)行比較，便可以確定哪些理論是具有先鋒性的。

總之，論文作者相信，使用大型數據集加上機器學(xué)習算法，為發(fā)現新的認知和行為現象提供了巨大的潛力，如果沒(méi)有這些工具，這些現象甚至將很難識別。

" 我認為我們的研究提供了一個(gè)真正令人興奮的新例子，說(shuō)明行為科學(xué)有望在未來(lái)加速發(fā)展?！?這種方法有可能在發(fā)現和完善決策理論方面幫助節省幾年、甚至幾十年的時(shí)間。

References：

1、Joshua C. Peterson et al, Using large-scale experiments and machine learning to discover theories of human decision-making, Science (2021). DOI: 10.1126/science.abe2629/

2、Sudeep Bhatia et al, Machine-generated theories of human decision-making, Science (2021). DOI: 10.1126/science.abi7668