[論文レビュー] Machine learning and behavioral economics for personalized choice architecture

Emir Hrnjić, Nikodem Tomczak|arXiv (Cornell University)|Jul 3, 2019

Innovation Diffusion and Forecasting参考文献 82被引用数 7

ひとこと要約

本論文は、機械学習（ML）と行動経済学の融合である精度の高いナッジ（precision nudging）を提案する。これは、個々のナッジ反応を予測することで、一様なアプローチにとどまらない政策効果を著しく向上させる、パーソナライズされた干渉を設計することを目的としている。個々の特徴と心理的変数を活用することで、スケーラブルでデータドリブンなナッジが、多様な集団に一般化可能になる。

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.

研究の動機と目的

• 行動経済学における伝統的なナッジの一般化の限界に取り組む。これは、集団レベルでは成功するが、個別レベルでは失敗する傾向がある。
• 一様な政策干渉の非効率性を克服し、個別化され、文脈に応じたナッジを可能にする。
• データサイエンスと機械学習の進展を活用し、特定のナッジに対する個々の行動反応を高精度に予測する。
• 個々の自律性を保ちながら望ましい行動結果を最適化する、スケーラブルなパーソナライズド意思決定フレームワークを開発する。
• 政策立案者や組織が、医療、金融、環境保護の分野で、豊富な行動的および人口統計的データに基づいて訓練された予測モデルを用いて、ターゲティングされたナッジを展開できるようにする。

提案手法

• 行動経済学の原則（特に選択アーキテクチャとナッジ）と機械学習を統合し、認知バイアスの下での個人の意思決定をモデル化する。
• 個々の特徴、心理的変数、および歴史的行動反応を含むデータセットを用いて、教師あり機械学習モデルを訓練し、個々の人に最適なナッジを予測する。
• ナッジ干渉の現実世界の結果に基づいて予測を更新することで、反復的にモデルのパフォーマンスを改善するフィードバックループを活用する。
• 特徴工学的手法を用いて、個別ナッジに強い予測変数（例：性格特性、過去の行動、社会的文脈）を同定する。
• 背景に依存しない、実行可能で解釈可能な実験を設計し、多様な集団と文脈におけるモデルの一般化を検証する。
• 時間依存変数と縦断的データを活用し、動的で文脈に応じたナッジ戦略の予測力を高める。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、集団レベルの効果を超えて、個別レベルの行動予測にまで一般化するナッジをどのように改善できるか？
• RQ2 どの個別レベルの心理的および人口統計的変数が、特定のナッジに対する反応の強力な予測因子となるか？
• RQ3 MLモデルは、個々の特徴と文脈に基づいて、特定の個人に最も効果的なナッジを同定できるように訓練できるか？
• RQ4 大規模で多様な集団にわたり、パーソナライズドナッジをスケーリングするために必要な主なデータ要件とモデルアーキテクチャは何か？
• RQ5 医療、企業政策、環境保護のような現実世界の設定で、精度の高いナッジをどのように検証し、展開できるか？

主な発見

• 機械学習モデルは、一様なアプローチに比べて、ナッジに対する個々の反応を著しく高い精度で予測できる。
• 個々の特徴と心理的変数に基づくパーソナライズドナッジは、予防接種率、薬の服用遵守、食事管理の改善といった結果に顕著な改善をもたらす。
• 医療分野において、精度の高いナッジは、患者の行動とバイアスに合わせて退院後の指示をカスタマイズすることで、再入院率の低減が可能となる。
• 企業の現地実験では、パーソナライズドプロンプトがインfluenza予防接種率を向上させた。MLは、各従業員に最も効果的なプロンプトを最適化するのに役立つ。
• MLと行動経済学の統合により、個々の人に一般化可能で、選択と自律性を保ちながら、スケーラブルでデータドリブンな政策設計が可能になる。
• 縦断的で時間依存のデータは、モデルのパフォーマンスを向上させ、動的で文脈に応じたナッジ戦略を可能にするために不可欠である。