[論文レビュー] A Subjective Model of Human Decision Making Based on Quantum Decision Theory

Chenda Zhang, Hedvig Kjellström|arXiv (Cornell University)|Jan 14, 2021

Decision-Making and Behavioral Economics参考文献 20被引用数 6

ひとこと要約

本稿では、フレーミング効果や時間的圧迫などの非合理的で主観的な要因を捉えるマルチモーダルな吸引力要因を組み込んだ、量子意思決定理論（QDT）に基づくモデルを提案する。このモデルは、2つのデータセットにおける個人の意思決定予測において、古典的累積展望理論（CPT）およびニューラルネットワークやランダムフォレストなどのデータ駆動型手法を凌駕する性能を示した。

ABSTRACT

Computer modeling of human decision making is of large importance for, e.g., sustainable transport, urban development, and online recommendation systems. In this paper we present a model for predicting the behavior of an individual during a binary game under different amounts of risk, gain, and time pressure. The model is based on Quantum Decision Theory (QDT), which has been shown to enable modeling of the irrational and subjective aspects of the decision making, not accounted for by the classical Cumulative Prospect Theory (CPT). Experiments on two different datasets show that our QDT-based approach outperforms both a CPT-based approach and data driven approaches such as feed-forward neural networks and random forests.

研究の動機と目的

• 古典的効用理論を超える非合理的で主観的な認知要因を捉えることで、リスク下での個人的意思決定のより正確なモデル化を図ること。
• 複雑な意思決定において干渉効果、後悔、時間的圧迫を捉えられないというCPTの限界を解消すること。
• 複数の感情的および認知的影響を同時にモデル化できる多成分の吸引力要因関数を導入することで、先行するQDTの応用を拡張すること。
• フィードフォワードニューラルネットワークやランダムフォレストなどのデータ駆動型アプローチと比較して、個人行動の予測において本モデルの優位性を実証的に検証すること。
• 階層的パrameter推定を用いた個別レベルのキャリブレーションにより、新しいユーザーへの迅速な適応を可能にすること。

提案手法

• モデルは、古典的効用要因と量子的インスピレーションを受ける吸引力要因の和として、見込みの確率を計算する量子意思決定理論（QDT）を用いる。
• フレーミング効果、時間的圧迫、損失回避、リスク回避の4つのパラメータ化された吸引力要因成分を導入し、それぞれが異なる非合理的な意思決定要因を捉える。
• 効用要因は古典的期待効用から導出され、吸引力要因は合理的な期待から逸脱する主観的好みを定量化する。
• モデルは個人レベルのデータを用いてキャリブレーションされ、参加者全体にわたる一般化を向上させるために階層ベイズ法によるパラメータ推定が行われる。
• QDTとCPTを用いてシミュレーションを行い、1人あたり1,000回のシミュレーションで予測された選択確率を、実際の参加者の反応と比較する。
• モデルのパフォーマンスは、シミュレートされた反応が実際の参加者反応と一致するゲーム試行の割合を測定することで評価される。

実験結果

リサーチクエスチョン

• RQ1 2値選択課題において、マルチモーダルな吸引力要因を有するQDTベースのモデルは、古典的CPTよりも個人の意思決定行動をよりよく予測できるか？
• RQ2 フレーミング効果や時間的圧迫を捉える吸引力要因を含むモデルは、これらの成分を含まないモデルに比べて、予測精度をどの程度向上させるか？
• RQ3 フィードフォワードニューラルネットワークやランダムフォレストなどのデータ駆動型モデルと比較して、QDTモデルは個人レベルの意思決定をどの程度正確に予測できるか？
• RQ4 主観的で非合理的な意思決定要因を組み込むことで、予測確率がより極端な傾向（強い好ましさの反映）を示すようになるか？
• RQ5 階層的パrameter推定を導入することで、新しい個人への適応性が向上し、高い予測精度を維持できるか？

主な発見

• マルチモーダルな吸引力要因を有するQDTモデルは、両方のデータセット（Dataset 1およびDataset 2）において、CPTモデルを著しく上回る個人の意思決定予測性能を示した。
• QDTモデルは、シミュレートされた参加者の分布における複数のモードで高い反応類似度を達成しており、多様な意思決定パターンをよりよく捉えている。
• CPTモデルの予測は平均確率（0.5–0.75）の周辺に集中している一方、QDTモデルはより極端な確率を生成し、一方の選択肢に対する強い好みを反映している。
• QDTモデルは、CPTモデルが捉えられない無意識的要因（フレーミング効果や時間的圧迫）を捉えており、これらの行動を示す参加者に対してより正確な予測が得られている。
• 特に高いリスクや強い主観的影響が関与する状況において、QDTモデルはフィードフォワードニューラルネットワークやランダムフォレストなどのデータ駆動型アプローチを上回っている。
• シミュレーション結果から、QDTモデルは高反応類似度（ピークは0.75および0.625）を示すシミュレート参加者が多く、CPTモデルは複数の参加者グループで低い性能を示している。