La toma de decisiones humana es a menudo difícil de predecir y delinear teóricamente. Sin embargo, en décadas recientes, varios investigadores han desarrollado modelos teóricos destinados a explicar la toma de decisiones, así como modelos de aprendizaje automático (ML) que intentan predecir el comportamiento humano. A pesar de los logros asociados con algunos de estos modelos, predecir con precisión las decisiones humanas sigue siendo un importante desafío de investigación.

Las técnicas de aprendizaje automático pueden parecer ideales para abordar problemas de predicción en la toma de decisiones, sin embargo, todavía no está claro si realmente pueden mejorar las predicciones hechas por modelos teóricos. Investigadores de la Universidad de California (UC) Berkeley y la Universidad de Princeton han llevado a cabo recientemente un estudio que explora la efectividad del ML para capturar el comportamiento humano. En su papel que se presentará en la Conferencia Internacional sobre Aprendizaje Automático y se publicará previamente en arXiv, proponen un nuevo enfoque para predecir las decisiones humanas, a los que se refieren como "modelos previos cognitivos".

"ML ha revolucionado nuestra capacidad para predecir fenómenos en varios dominios científicos, "David Bourgin, uno de los investigadores que realizó el estudio, dijo a TechXplore. "En psicología y economía, sin embargo, Los enfoques de ML con fines de predicción todavía son relativamente raros. Una razón de esto es que muchos modelos de AA listos para usar requieren una cantidad significativa de datos para entrenar, y los conjuntos de datos de comportamiento tienden a ser bastante pequeños ".

En los estudios de aprendizaje automático, El método estándar para abordar los problemas relacionados con pequeños conjuntos de datos es restringir el espacio de posibles soluciones. Sin embargo, esta no siempre es una tarea sencilla, especialmente cuando se trabaja con redes neuronales, todavía no existe un método suficientemente general y de fácil aplicación para tratar con pequeños conjuntos de datos.

"Nos motivó la idea de que podríamos mejorar la medida en que podríamos predecir ciertos fenómenos de comportamiento si de alguna manera pudiéramos traducir los conocimientos de las teorías psicológicas en sesgos inductivos dentro de un modelo de aprendizaje automático, "Dijo Bourgin.

El estudio realizado por Bourgin y sus colegas hizo dos contribuciones significativas al estudio de ML para la predicción de la toma de decisiones en humanos. Primeramente, los investigadores introdujeron el concepto de 'modelos cognitivos previos, "que implica el entrenamiento previo de redes neuronales con datos sintéticos derivados de modelos teóricos establecidos desarrollados por psicólogos cognitivos. Este enfoque les permitió también introducir el primer conjunto de datos a gran escala para entrenar algoritmos en tareas de toma de decisiones humanas.

"Nuestro enfoque combina las teorías científicas existentes sobre el comportamiento humano con la flexibilidad de las redes neuronales para adaptarse y predecir mejor las decisiones monetarias arriesgadas de los humanos, "Joshua Peterson, otro investigador involucrado en el estudio, dijo a TechXplore. "Hacemos esto convirtiendo un modelo de comportamiento en una forma más flexible entrenando una red neuronal para aproximarlo. Después de este paso, la red neuronal ya será casi tan predictiva como el modelo de comportamiento, y ahora está en un lugar para aprovechar al máximo el aprendizaje adicional de ejemplos reales de comportamiento humano ".

Usando 'modelos cognitivos previos', los investigadores obtuvieron resultados de vanguardia en dos conjuntos de datos de referencia existentes. Estos hallazgos sugieren que, de hecho, es posible que los modelos de AA realicen predicciones precisas para la toma de decisiones, incluso si los conjuntos de datos disponibles son pequeños. En su caso, esto se logró mediante modelos de preentrenamiento sobre datos artificiales derivados de modelos cognitivos.

"Nuestra contribución teórica clave es la introducción de una forma general de traducir entre modelos psicológicos y enfoques de aprendizaje automático, ", Dijo Bourgin." El resultado es que esto puede ayudar a los investigadores a aplicar modelos de aprendizaje automático a conjuntos de datos de comportamiento que de otro modo serían demasiado pequeños. Esperamos que esto fomente una mayor colaboración entre las comunidades de aprendizaje automático y ciencia del comportamiento al proporcionar una forma de evaluar una clase más amplia de modelos de toma de decisiones humanas ".

En su estudio, Bourgin, Peterson y sus colegas han logrado avances significativos en el estudio de las herramientas de aprendizaje automático para capturar el comportamiento humano, con su enfoque logrando un rendimiento sin precedentes en dos conjuntos de datos restringidos de decisiones humanas. También presentaron un nuevo conjunto de datos que contiene 240, 000 juicios humanos en 13, 000 problemas de decisión, que podrían ser utilizados por otros grupos de investigación para entrenar sus propios modelos de ML. Desde un punto de vista práctico, su trabajo podría ahorrarles a los investigadores la cantidad significativa de tiempo que normalmente se dedica a recopilar datos para los modelos de predicción humana de ML.

"Estamos entusiasmados de ver qué otros dominios del comportamiento humano podrían beneficiarse de nuestro enfoque, especialmente en entornos más naturales, ", Dijo Peterson." También estamos interesados ​​en encontrar formas de cerrar el ciclo mediante el uso de modelos mejorados de aprendizaje automático para descubrir nuevas teorías científicas ".

© 2019 Science X Network