[論文レビュー] Predicting human decisions with behavioral theories and machine learning

Ori Plonsky, Reut Apel+10 more|arXiv (Cornell University)|Apr 15, 2019

Decision-Making and Behavioral Economics参考文献 47被引用数 59

ひとこと要約

BEAST Gradient Boosting (BEAST-GB) は機械学習と組み合わせた行動理論を用いてリスクのある選択を予測し、ニューラルネットや多くの行動モデルを上回り、文脈を超えて一般化する。

ABSTRACT

Predicting human decisions under risk and uncertainty remains a fundamental challenge across disciplines. Existing models often struggle even in highly stylized tasks like choice between lotteries. We introduce BEAST Gradient Boosting (BEAST-GB), a hybrid model integrating behavioral theory (BEAST) with machine learning. We first present CPC18, a competition for predicting risky choice, in which BEAST-GB won. Then, using two large datasets, we demonstrate BEAST-GB predicts more accurately than neural networks trained on extensive data and dozens of existing behavioral models. BEAST-GB also generalizes robustly across unseen experimental contexts, surpassing direct empirical generalization, and helps refine and improve the behavioral theory itself. Our analyses highlight the potential of anchoring predictions on behavioral theory even in data-rich settings and even when the theory alone falters. Our results underscore how integrating machine learning with theoretical frameworks, especially those-like BEAST-designed for prediction, can improve our ability to predict and understand human behavior.

研究の動機と目的

• さまざまな分野におけるリスクと不確実性の下での人間の意思決定を正確に予測することの動機付け。
• BEAST Gradient Boosting (BEAST-GB) をハイブリッドモデリング手法として紹介する。
• 予測を行動理論に基づいて固定化することがデータに豊富な設定での性能を向上させることを示す。
• 未知の実験コンテキストに対する BEAST-GB の一般化と、それが理論を洗練させる可能性を示す。

提案手法

• BEAST-GB を紹介する。BEAST と勾配ブースティングを組み合わせたハイブリッドモデル。
• リスクのある選択を予測する競技 CPC18 を説明する。BEAST-GB が勝利した。
• BEAST-GB を大規模データセットで訓練されたニューラルネットワークおよび複数の行動モデルと比較する。
• 2つの大規模データセットにまたがる未知の実験文脈への一般化を評価する。
• データ駆動の調整を通じて、ML が基盤となる行動理論をどのように強化・洗練するかを分析する。）

実験結果

リサーチクエスチョン

• RQ1 BEAST-GB は広範なデータで訓練されたニューラルネットを上回ってリスクのある選択を予測できるか。
• RQ2 機械学習の予測を BEAST に基づかせることは、新しい実験文脈への一般化を改善するか。
• RQ3 予測精度の観点で、BEAST-GB は既存の行動モデルとどう比較されるか？
• RQ4 BEAST と機械学習の統合は、行動理論自体を洗練・改善する可能性があるか？

主な発見

• BEAST-GB は広範なデータで訓練されたニューラルネットよりも正確に予測する。
• BEAST-GB は数十の既存の行動モデルを上回る。
• BEAST-GB は未知の実験文脈に対して堅牢に一般化する。
• このアプローチは基盤となる行動理論を洗練・改善するのに寄与する。
• データが豊富な設定では、予測を行動理論に基づかせることは依然として有用である。