人类的决定通常很难从理论上预测和描述.然而，近几十年来，一些研究人员开发了解释决策的理论模型和预测人类行为的机器学习模型。尽管这些模型中的一些取得了相关的成就，但准确预测人类决策仍然是一个重大的研究挑战。

ML技术看似是解决决策预测问题的理想方法，但目前尚不清楚它们是否能实际改善理论模型做出的预测。加州大学伯克利分校和普林斯顿大学的研究人员最近进行了一项研究，探索人工智能在捕捉人类行为方面的有效性。他们的论文将在国际机器学习会议上发表，并在ar Xiv上预发布。他们提出了一种预测人类决策的新方法，他们称之为“先验认知模型”。

进行这项研究的研究人员之一大卫伯金告诉TechXplore:“ML彻底改变了我们在许多科学领域预测现象的能力。然而，在心理学和经济学中，用于预测目的的ML方法仍然相对较少。原因之一是很多现成的ML模型需要大量的数据进行训练，行为数据集往往相当小。

在机器学习研究中，处理与小数据集相关的问题的标准方法是限制可能解决方案的空间。然而，这并不总是一项简单的任务，尤其是在使用神经网络时，因为还不存在一种足够通用且易于应用于处理小数据集的方法。

布尔金说：“我们的动机是，如果我们能以某种方式将心理学理论中的洞察力转化为机器学习模型中的归纳偏见，我们能在多大程度上预测某些行为现象。”

本研究由Bourgin及其同事进行，对ML在人类决策预测方面的研究做出了两个重要贡献。首先，研究人员引入了“认知模型先验”的概念，包括通过使用从认知心理学家开发的已建立的理论模型中导出的合成数据来预训练神经网络。这种方法也使他们能够引入第一个大规模数据集来训练人类决策任务的算法。

另一位参与这项研究的研究员Joshua Peterson告诉TechXplore:“我们的方法将人类行为的现有科学理论与神经网络的灵活性相结合，以适应人类风险货币决策的最佳预测。”“我们通过训练神经网络来逼近并将行为模型转换为更灵活的形式来实现这一点。经过这一步，神经网络将几乎和行为模型一样具有可预测性，现在它处于充分利用人类行为的实际例子的位置。

使用“认知模型优先级”，研究人员在两个现有的基准数据集上获得了最先进的结果。这些发现表明，即使可用的数据集很小，ML模型也确实有可能做出准确的决策预测。在他们的例子中，这是通过预先训练来自认知模型的人工数据来实现的。

Bukin说：“我们的关键理论贡献是引入了心智模型和机器学习方法之间的通用翻译方法。”因此，这可以帮助研究人员将机器学习模型应用于行为数据集，否则它将太小。我们希望这将通过提供一种方法来评估更广泛的人类决策模型，从而鼓励机器学习和行为科学社区之间的更大合作。"

在他们的研究中，Bourgin、Peterson和他们的同事在研究捕捉人类行为的ML工具方面取得了巨大进展，他们的方法在人类决策的两个受限数据集上取得了前所未有的性能。他们还提出了一个新的数据集，其中包含了24万人对1.3万个决策问题的判断，其他研究小组可以利用这些数据集来训练自己的ML模型。从实用的角度来看，他们的工作可以节省研究人员通常花费在收集ML人体预测模型数据上的大量时间。

彼得森说：“我们非常高兴地看到，人类行为的其他领域可以从我们的方法中受益，尤其是在更自然的环境中。”我们也有兴趣找到一种方法，通过使用改进的机器学习模型来发现新的科学理论，从而结束这一循环。"