[논문 리뷰] Learning what they think vs. learning what they do: The micro-foundations of vicarious learning

Sanghyun Park, Phanish Puranam|arXiv (Cornell University)|2020. 07. 30.

Game Theory and Applications인용 수 1

한 줄 요약

이 논문은 두 가지 비관찰 학습 메커니즘—다른 이의 행동을 관찰하는 것(무엇을 하는지 배우기)과 신념을 공유하는 것(무엇을 생각하는지 배우기)—을 모델링하며, 시간 압박이 없고 변동성이 낮고 보상 차이가 큰 환경에서는 관찰 학습이 신념 공유보다 더 뛰어난 성능을 보임을 발견한다. 핵심 통찰은 신념 공유가 행동의 다양성을 감소시키고 대체 가능한 학습 기회를 줄여 자기확인 편향을 증가시키지만, 관찰 학습은 탐색과 학습 효율성을 더 잘 유지한다는 데 있다.

ABSTRACT

Vicarious learning is a vital component of organizational learning. We theorize and model two fundamental processes underlying vicarious learning: observation of actions (learning what they do) vs. belief sharing (learning what they think). The analysis of our model points to three key insights. First, vicarious learning through either process is beneficial even when no agent in a system of vicarious learners begins with a knowledge advantage. Second, vicarious learning through belief sharing is not universally better than mutual observation of actions and outcomes. Specifically, enabling mutual observability of actions and outcomes is superior to sharing of beliefs when the task environment features few alternatives with large differences in their value and there are no time pressures. Third, symmetry in vicarious learning in fact adversely affects belief sharing but improves observational learning. All three results are shown to be the consequence of how vicarious learning affects self-confirming biased beliefs.

연구 동기 및 목표

• 비관찰 학습의 미시적 기초를 관찰 학습과 신념 공유라는 두 가지 별개의 과정을 통해 이론화하고 모델링하기.
• 이러한 두 메커니즘이 쌍방향 및 체계적 학습 맥락에서 각각 어떤 조건에서 상대적으로 더 뛰어난 성능을 보이는지 분석하기.
• 자기확인 편향이 민감한 신념이 이 두 메커니즘을 통해 비관찰 학습의 효율성에 미치는 영향을 조사하기.
• 조직 학습에서 신념 공유가 항상 슈퍼리어하다는 가정을 도전하며, 특히 원격 또는 인간-AI 협업 환경에서의 적용을 고려하기.

제안 방법

• 연구는 개인 간 상호작용을 시뮬레이션하는 쌍방향 수준의 연합적(강화) 학습 형식 모델을 사용한다.
• 두 메커니즘을 비교한다: (1) 행동과 결과를 관찰하는 것(관찰 학습), (2) 기대값에 대한 신념을 교환하는 것(신념 공유).
• 피드백 루프로 인해 행동으로 검증되지 않는 자기확인 편향 신념을 학습 동역학에 통합한다.
• 각 메커니즘이 대체 가능한 상황 탐색 범위와 최적 행동으로의 수렴 속도에 미치는 영향을 분석한다.
• 비관찰 학습의 대칭성 영향을 평가하기 위해 체계적 환경으로 모델을 확장한다.
• 비교 정적 분석을 통해 다양한 작업 환경 조건—선택지 수, 보상 차이, 시간 제약—에서의 성능 평가를 수행한다.

실험 결과

연구 질문

• RQ1 비관찰 학습에서 관찰 학습이 신념 공유보다 더 효과적인 조건은 무엇인가?
• RQ2 자기확인 편향 신념의 존재가 각 비관찰 학습 메커니즘의 성능에 어떤 영향을 미치는가?
• RQ3 왜 비관찰 학습의 대칭성은 신념 공유의 효과를 떨어뜨리지만 관찰 학습의 효과를 향상시키는가?
• RQ4 학습자 간 초기 지식 우위가 없더라도 비관찰 학습이 여전히 유익한가?
• RQ5 어떤 작업 환경에서 행동과 결과의 상호 관찰이 신념 공유보다 열등한가?

주요 결과

• 초기 지식 우위가 없더라도 관찰 학습 또는 신념 공유를 통한 비관찰 학습은 성능 향상을 이룬다.
• 선택지가 적고 보상 차이가 크며 시간 압박이 없는 환경에서는 관찰 학습이 신념 공유를 능가한다. 이는 행동의 다양성과 대체 가능한 학습 기회를 더 잘 유지하기 때문이다.
• 비관찰 학습의 대칭성은 신념 공유의 성능을 저하시키며 행동의 상관관계를 높이고 탐색 범위를 좁히지만, 관찰 학습에는 상호 피드백을 강화함으로써 유익하다.
• 신념 공유의 상대적 우월성은 뛰어난 개인적 통찰력 때문이 아니라 자기확인 편향에 대한 체계적 제약 때문이라는 점이 드러난다.
• 신념 공유가 항상 관찰 학습보다 뛰어나지 않으며, 그 효과는 작업 환경의 구조와 시간 제약 조건에 따라 결정된다.
• 인간-AI 협업 환경에서는 AI의 설명 가능성(즉, 신념 공유)을 향상시키는 것보다 행동과 결과의 관찰 가능성을 높이는 것이 더 효과적일 수 있다. 특히 AI 시스템이 투명하지 않은 경우에 더욱 그렇다.