[논문 리뷰] Machine learning and behavioral economics for personalized choice architecture

Emir Hrnjić, Nikodem Tomczak|arXiv (Cornell University)|2019. 07. 03.

Innovation Diffusion and Forecasting참고 문헌 82인용 수 7

한 줄 요약

이 논문은 기계학습(ML)과 행동경제학을 융합한 정밀 노크(정밀 낙인)를 제안한다. 이는 개인의 반응을 예측하는 개인 맞춤형 간섭을 설계함으로써, 일률적인 접근 방식을 뛰어넘어 정책 효과를 크게 향상시킨다. 개인의 특성과 심리적 변수를 활용함으로써, 기계학습 모델은 다양한 인구 집단에 일반화 가능한 확장 가능한 데이터 기반의 낙인을 가능하게 한다.

ABSTRACT

Behavioral economics changed the way we think about market participants and revolutionized policy-making by introducing the concept of choice architecture. However, even though effective on the level of a population, interventions from behavioral economics, nudges, are often characterized by weak generalisation as they struggle on the level of individuals. Recent developments in data science, artificial intelligence (AI) and machine learning (ML) have shown ability to alleviate some of the problems of weak generalisation by providing tools and methods that result in models with stronger predictive power. This paper aims to describe how ML and AI can work with behavioral economics to support and augment decision-making and inform policy decisions by designing personalized interventions, assuming that enough personalized traits and psychological variables can be sampled.

연구 동기 및 목표

• 기존 행동경제학에서의 낙인 적용이 인구 집단 수준에선 성공하나 개인 수준에선 일반화에 한계를 가짐을 해결할 것.
• 일률적인 정책 간섭의 비효율성을 극복하기 위해 개인 맞춤형이고 맥락에 민감한 낙인을 가능하게 할 것.
• 데이터 과학과 기계학습의 발전을 활용해 특정 낙인에 대한 개인의 행동 반응을 높은 정확도로 예측할 것.
• 개인의 자율성을 유지하면서도 원하는 행동 결과를 최적화하는 확장 가능한 개인 맞춤형 의사결정 프레임워크를 개발할 것.
• 정책 입안자와 조직이 의료, 금융, 보존 분야 등에서 예측 모델을 활용해 개인 맞춤형 낙인을 배포할 수 있도록 지원할 것. 이 모델은 풍부한 행동 및 인구통계 데이터 기반으로 훈련된다.

제안 방법

• 인지 편향 하에서의 개인의 의사결정을 모델링하기 위해 행동경제학 원리(특히 선택 구조 및 낙인)를 기계학습과 융합할 것.
• 개인의 특성, 심리적 변수, 이력 행동 반응을 포함한 데이터셋을 기반으로 지도 기계학습 모델을 훈련하여 개인별 최적의 낙인을 예측할 것.
• 실제 낙인 간섭의 결과를 바탕으로 예측을 업데이트함으로써 반복적으로 모델 성능을 향상시키기 위한 피드백 루프를 활용할 것.
• 특성 공학 기법을 적용해 개인 수준의 낙인에 강력한 예측 변수(예: 성격 특성, 과거 행동, 사회적 맥락)를 식별할 것.
• 배경에 의존하지 않으며 실행 가능성이 높은 실험을 설계하여 다양한 인구 집단과 맥락에서 모델의 일반화 능력을 검증할 것.
• 시간에 따라 변화하는 변수와 종단적 데이터를 활용해 동적인, 맥락에 민감한 낙인 전략을 위한 예측 능력을 향상시킬 것.

실험 결과

연구 질문

• RQ1 기계학습은 어떻게 인구 집단 수준의 효과를 뛰어나 개인 수준의 행동 예측으로까지 낙인의 일반화를 향상시킬 수 있는가?
• RQ2 어떤 개인 수준의 심리적 및 인구통계 변수들이 특정 낙인에 대한 반응을 강력하게 예측할 수 있는가?
• RQ3 기계학습 모델은 개인의 고유한 특성과 맥락을 바탕으로 가장 효과적인 낙인을 특정 개인에게 식별할 수 있는가?
• RQ4 대규모이고 이질적인 인구 집단에 걸쳐 개인 맞춤형 낙인을 확장하기 위해 필요한 핵심 데이터 요구사항과 모델 아키텍처는 무엇인가?
• RQ5 정밀 낙인은 의료, 기업 정책, 보존 분야와 같은 실제 환경에서 어떻게 검증되고 구현될 수 있는가?

주요 결과

• 기계학습 모델은 기존의 일률적인 접근 방식에 비해 개인의 낙인 반응을 훨씬 더 정확하게 예측할 수 있다.
• 개인의 특성과 심리적 변수를 기반으로 한 개인 맞춤형 낙인은 예방접종률, 약물 복용 준수율, 식이 규칙 준수율 등의 결과에서 측정 가능한 향상을 이끌 수 있다.
• 의료 분야에서 정밀 낙인은 환자의 행동과 편향에 맞춰 퇴원 후 지침을 맞춤화함으로써 병원 재입원률을 줄일 잠재력을 지닌다.
• 기업 현장 실험 결과, 개인 맞춤형 프롬프트가 인플루엔자 예방접종률을 높였으며, 기계학습을 통해 각 직원에게 가장 효과적인 프롬프트를 최적화할 수 있었다.
• 기계학습과 행동경제학의 융합은 개인 간 일반화 가능하면서도 선택의 자유와 자율성을 유지하는 확장 가능한 데이터 기반의 정책 설계를 가능하게 한다.
• 종단적이고 시간에 따라 변화하는 데이터는 모델 성능 향상과 함께 동적인, 맥락 인식형 낙인 전략을 가능하게 하기 위해 필수적이다.