[論文レビュー] Behavior-Based Machine-Learning: A Hybrid Approach for Predicting Human Decision Making

Gali Noti, Effi Levi+2 more|arXiv (Cornell University)|Nov 30, 2016

Decision-Making and Behavioral Economics参考文献 2被引用数 11

ひとこと要約

本論文は、期待効用理論や累積期待効用理論などの心理的行動特徴——例えば、展望理論や累積展望理論——をサポートベクターマシン（SVM）フレームワークに統合したハイブリッド機械学習手法を提示する。このモデルは、リスクおよび曖昧性下での人間の意思決定を予測する上で、2015年Choice予測コンペティションにおいて、すべての非ベースライン学習ベースのモデルを上回り、テストセットでMSDスコア1.24を達成するとともに、14の古典的選択バイアスをすべて捉えきった。

ABSTRACT

A large body of work in behavioral fields attempts to develop models that describe the way people, as opposed to rational agents, make decisions. A recent Choice Prediction Competition (2015) challenged researchers to suggest a model that captures 14 classic choice biases and can predict human decisions under risk and ambiguity. The competition focused on simple decision problems, in which human subjects were asked to repeatedly choose between two gamble options. In this paper we present our approach for predicting human decision behavior: we suggest to use machine learning algorithms with features that are based on well-established behavioral theories. The basic idea is that these psychological features are essential for the representation of the data and are important for the success of the learning process. We implement a vanilla model in which we train SVM models using behavioral features that rely on the psychological properties underlying the competition baseline model. We show that this basic model captures the 14 choice biases and outperforms all the other learning-based models in the competition. The preliminary results suggest that such hybrid models can significantly improve the prediction of human decision making, and are a promising direction for future research.

研究の動機と目的

• 多様なリスクおよび曖昧性の条件下で一般化可能な人間の意思決定を予測するモデルを開発すること。
• 純粋な統計的または機械学習モデルが体系的な人間の選択バイアスを捉えることの限界を是正すること。
• well-establishedな行動理論（例：展望理論、SCPT）を機械学習特徴に統合し、予測精度を向上させること。
• 心理的特徴工学が人間の意思決定予測における学習性能を向上させるかどうかを評価すること。

提案手法

• 行動理論から導出された24次元の特徴ベクトル（効果的確率、リスク姿勢、累積展望理論指標など）を用いる。
• 正規化のため、100,000件のランダムに生成された問題と90件の推定問題を用いて特徴を標準化する。
• 5つの試行ブロックそれぞれに対して、10-fold交差検証を用いて3次多項式カーネルを備えた別個のSVMモデルを訓練する。
• 予測は逐次的に行われる：ブロック1のBレートを最初に予測し、以降のブロックでは直前の予測結果を入力特徴として用いる。
• 予測後処理の適用：(a) 支配選択肢が明確な「自明な」問題の場合、予測値を支配的選択に近づける調整を行う；(b) ブロック1では、不確実性が高ければSCPTとの混合予測を実施する。
• 推定セットおよびテストセットにおける平均二乗偏差（MSD）を用いてモデルを評価し、14の行動的異常性テストとの整合性を検証する。

実験結果

リサーチクエスチョン

• RQ1 心理的行動特徴を統合した機械学習モデルは、純粋な統計的または学習ベースのモデルに比べ、人間の意思決定を予測する上で優れた性能を示せるか？
• RQ2 展望理論および累積展望理論の特徴統合は、人間の選択バイアスの全範囲を捉えるのにどの程度有効か？
• RQ3 行動特徴の導入は、特に曖昧性およびフィードバック条件下で、多様な意思決定問題構造への一般化性能を向上させるか？
• RQ4 問題構造（例：自明な優位性、初期の不確実性）に基づくモデル調整は、予測精度をどの程度向上させるか？

主な発見

• ハイブリッドモデルは、14のすべての行動的異常性テストに合格し、よく知られた人間の意思決定バイアスを捉える能力を確認した。
• 60件の新しい問題からなるテストセットにおいて、MSDスコア1.24を達成し、すべての非ベースライン学習ベースのモデルを上回った。
• 25件の提出の中での総合順位は14位であり、上位13位のモデルはすべてベースラインモデルの変種であったため、相対的な性能が顕著であった。
• 行動理論を組み込んだ学習ベースのモデルは、心理的特徴工学の重要性を示しており、行動理論を統合しない学習ベースのモデルより優れた性能を示した。
• 推定セットにおけるモデルの平均MSDは0.74であり、ベースラインモデルの0.71よりもわずかに低く、ハイパーパrameterチューニングの改善の余地があることを示唆した。
• 行動理論を機械学習特徴に統合することで、人間の意思決定予測における予測力が著しく向上することを支持する結果となった。