[论文解读] Humans decompose tasks by trading off utility and computational cost

Carlos G. Correa, Mark K. Ho+3 more|arXiv (Cornell University)|Nov 7, 2022

Decision-Making and Behavioral Economics被引用 7

一句话总结

本文提出了一种资源理性的人类任务分解框架，该框架在规划效用与计算成本之间取得平衡，表明人们会战略性地分解任务以减少规划工作量，同时保持性能。基于11,117个图结构任务和N=806项行为研究，结果表明人类的任务分解最符合基于随机游走价值函数的规范性模型，且最能被中介中心性这一启发式方法所预测。

ABSTRACT

Human behavior emerges from planning over elaborate decompositions of tasks into goals, subgoals, and low-level actions. How are these decompositions created and used? Here, we propose and evaluate a normative framework for task decomposition based on the simple idea that people decompose tasks to reduce the overall cost of planning while maintaining task performance. Analyzing 11,117 distinct graph-structured planning tasks, we find that our framework justifies several existing heuristics for task decomposition and makes predictions that can be distinguished from two alternative normative accounts. We report a behavioral study of task decomposition ($N=806$) that uses 30 randomly sampled graphs, a larger and more diverse set than that of any previous behavioral study on this topic. We find that human responses are more consistent with our framework for task decomposition than alternative normative accounts and are most consistent with a heuristic -- betweenness centrality -- that is justified by our approach. Taken together, our results provide new theoretical insight into the computational principles underlying the intelligent structuring of goal-directed behavior.

研究动机与目标

• 开发一种规范性任务分解框架，明确平衡任务表现与规划成本，以填补现有模型将分解与规划使用分开处理的空白。
• 研究计算成本（以规划算法运行时间衡量）如何影响人类问题解决中层次化任务分解的结构。
• 评估现有任务分解启发式方法（如中介中心性、度中心性）是否在资源理性框架下具有规范性依据，以实现规划效率的最优。
• 通过大规模、预先注册的研究（N=806）在30种不同图结构任务上实证检验人类任务分解行为，比较多种规范性模型的预测结果。
• 建立谱图理论（特征值、特征向量）与规范性任务分解之间的正式联系，特别是将基于随机游走的价值函数与子目标选择相联系。

提出的方法

• 提出一种规范性框架——资源理性任务分解（RRTD），将任务分解建模为任务表现与规划成本之间的权衡，其中规划成本以算法运行时间量化。
• 基于图上的随机游走，推导出子目标Z的价值函数V(Z)，利用图拉普拉斯矩阵的第二特征向量近似子目标效用，其中V(Z) ∝ -v²₂z，以识别高价值子目标。
• 运用谱图理论形式化图结构（如模块性、瓶颈）与最优子目标位置之间的关系，将RRTD与QCut及谱聚类相联系。
• 应用价值函数的秩近似方法，评估度中心性与中介中心性等启发式方法在不同图类型下对规范性模型的近似程度。
• 开展一项大规模行为实验，包含806名参与者，测试其在30个随机采样的图结构任务中的子目标选择行为，将人类反应与RRTD及四种替代模型的预测进行比较。
• 使用相关性与模型比较技术分析模型拟合度，并通过预先注册和对谱近似秩及图模块性的稳健性检验进行统计验证。

实验结果

研究问题

• RQ1 人们如何在任务分解的效用与规划的计算成本之间进行权衡？
• RQ2 在资源理性框架下，现有任务分解启发式方法（如中介中心性、度中心性）是否具有规范性依据？
• RQ3 谱图属性（如谱间隙和特征向量中心性）如何预测任务分解中最佳子目标的位置？
• RQ4 人类任务分解在多大程度上与平衡规划成本与表现的规范性模型预测一致？
• RQ5 启发式近似方法（如度中心性）对规范性模型的近似精度如何随图模块性和谱结构变化？

主要发现

• 人类任务分解最符合所提出的资源理性任务分解（RRTD）框架，在预测参与者行为方面优于四种替代规范性模型。
• 此前仅作为经验性工具使用的中介中心性启发式方法，作为规范性RRTD模型的强近似，在单秩谱近似下表现尤为突出。
• 当使用单个特征向量（单秩近似）时，RRTD与QCut（一种谱聚类方法）的相关性最高，验证了二者之间的理论联系。
• 在具有大谱间隙（高连通性）的图中，度中心性与RRTD高度相关；但在谱间隙较小的模块化图中，相关性下降，此时瓶颈状态更为关键。
• 谱间隙（1−λ₂）可作为图模块性的代理指标：在模块化图中，高中介性的子目标比高程度节点更具价值，这解释了为何中介中心性在这些情况下能更准确预测人类选择。
• 该框架为现有启发式方法（如瓶颈检测与子目标识别）提供了规范性依据，表明它们自然地从规划成本与表现的权衡中产生。