[논문 리뷰] Predicting human decisions with behavioral theories and machine learning

Ori Plonsky, Reut Apel외 10명|arXiv (Cornell University)|2019. 04. 15.

Decision-Making and Behavioral Economics참고 문헌 47인용 수 59

한 줄 요약

BEAST Gradient Boosting (BEAST-GB) 하이브리드 행동 이론과 기계 학습을 사용해 위험한 선택을 예측, 신경망 및 많은 행동 모델을 능가하고 맥락 간 일반화.

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.

연구 동기 및 목표

• 위험과 불확실성 하에서 인간의 의사결정을 정확하게 예측하는 동기 부여.
• BEAST Gradient Boosting (BEAST-GB)을 하이브드 모델링 접근 방식으로 도입.
• 데이터가 풍부한 설정에서 예측을 행동 이론에 기반시키는 것이 성능을 향상시킴을 보여준다.
• 보이지 않는 실험 맥락들 간 BEAST-GB의 일반화와 이 이론을 다듬을 잠재력을 시연한다.

제안 방법

• BEAST와 gradient boosting을 결합한 하이브드 모델인 BEAST-GB를 도입.
• BEAST-GB가 이긴 경쟁 CPC18, 위험 선택 예측 대회에 대해 설명.
• 대규모 데이터셋과 다수의 행동 모델을 대상으로 학습된 신경망과 BEAST-GB를 비교.
• 두 개의 대규모 데이터셋에서 보이지 않는 실험 맥락으로의 일반화를 평가.
• 데이터 기반 조정을 통해 ML이 기저의 행동 이론을 어떻게 강화하거나 다듬는지 분석.

실험 결과

연구 질문

• RQ1 BEAST-GB가 광범위한 데이터로 학습된 신경망보다 위험 선택 예측에서 더 잘 수행할 수 있는가?
• RQ2 머신러닝 예측을 BEAST에 근거시킴으로써 새로운 실험 맥락에 대한 일반화를 개선할 수 있는가?
• RQ3 BEAST-GB가 기존 행동 모델과 비교했을 때 예측 정확도 측면에서 어떤 차이를 보이는가?
• RQ4 BEAST와 ML의 통합이 행동 이론 자체를 다듬고 개선할 수 있는가?

주요 결과

• BEAST-GB는 광범위한 데이터로 학습된 신경망보다 더 정확하게 예측한다.
• BEAST-GB는 수십 가지의 기존 행동 모델보다 우월하다.
• BEAST-GB는 보이지 않는 실험 맥락 전반에 걸쳐 강건하게 일반화한다.
• 이 접근 방식은 기저의 행동 이론을 다듬고 향상시키는 데 도움이 된다.
• 행동 이론에 기반한 예측을 데이터가 풍부한 설정에서 여전히 가치 있게 유지한다.