[论文解读] A Subjective Model of Human Decision Making Based on Quantum Decision Theory

Chenda Zhang, Hedvig Kjellström|arXiv (Cornell University)|Jan 14, 2021

Decision-Making and Behavioral Economics参考文献 20被引用 6

一句话总结

本文提出了一种基于量子决策理论（QDT）的模型，通过引入捕捉框架效应和时间压力等非理性与主观影响的多模态吸引力因子，提升了人类决策预测能力。该模型在两个数据集上预测个体选择的表现，优于经典累积前景理论（CPT）以及神经网络和随机森林等数据驱动方法。

ABSTRACT

Computer modeling of human decision making is of large importance for, e.g., sustainable transport, urban development, and online recommendation systems. In this paper we present a model for predicting the behavior of an individual during a binary game under different amounts of risk, gain, and time pressure. The model is based on Quantum Decision Theory (QDT), which has been shown to enable modeling of the irrational and subjective aspects of the decision making, not accounted for by the classical Cumulative Prospect Theory (CPT). Experiments on two different datasets show that our QDT-based approach outperforms both a CPT-based approach and data driven approaches such as feed-forward neural networks and random forests.

研究动机与目标

• 通过捕捉超越经典效用理论的非理性与主观认知因素，开发更精确的个体风险决策模型。
• 解决累积前景理论（CPT）在复杂决策中未能考虑干扰效应、后悔情绪和时间压力等局限性。
• 通过引入多组分吸引力因子函数，扩展先前的QDT应用，以同时建模多种情绪与认知影响。
• 通过实证验证该模型在预测个体行为方面，相较于CPT和数据驱动方法（如前馈神经网络与随机森林）的优越性。
• 通过分层参数估计实现个体层面的模型校准，以加快新用户适应速度。

提出的方法

• 该模型使用量子决策理论（QDT）计算前景概率，即经典效用因子与量子启发吸引力因子之和。
• 引入四个参数化的吸引力因子分量：一个用于框架效应，一个用于时间压力，一个用于损失厌恶，一个用于风险厌恶，每种子分量捕捉不同的非理性决策影响。
• 效用因子源自经典期望效用，而吸引力因子则量化了与理性预期相悖的主观偏好。
• 模型通过个体层面数据进行校准，采用分层贝叶斯方法估计参数，以提升跨参与者的泛化能力。
• 通过QDT和CPT进行模拟，生成预测选项概率，并与每位参与者的1,000次模拟中的实证反应进行比较。
• 通过测量模拟反应与真实参与者反应一致的游戏试验比例，评估模型性能。

实验结果

研究问题

• RQ1 在二元选择任务中，基于QDT并引入多模态吸引力因子的模型，是否能比经典CPT更准确地预测个体决策行为？
• RQ2 捕捉框架效应和时间压力的吸引力因子，在多大程度上提升了预测准确性，相较于未包含此类分量的模型？
• RQ3 在预测个体决策方面，QDT模型与数据驱动模型（如前馈神经网络和随机森林）相比表现如何？
• RQ4 是否包含主观与非理性决策因素，会导致概率预测更加极化，从而更真实地反映强烈偏好？
• RQ5 分层参数估计是否能提升模型对新个体的适应能力，同时保持高预测准确性？

主要发现

• 在两个数据集（Dataset 1 和 Dataset 2）中，引入多模态吸引力因子的QDT模型在预测个体决策方面显著优于CPT模型，响应相似性更高。
• QDT模型在模拟参与者分布的多个模式中均表现出更高的响应相似性，表明其更好地捕捉了多样化的决策模式。
• CPT模型的预测集中在平均概率附近（0.5–0.75），而QDT模型则产生更极化的概率，反映出对某一选项的更强偏好。
• QDT模型捕捉到了CPT模型所忽略的潜意识效应，如框架效应和时间压力，从而在表现出这些行为的参与者中实现了更准确的预测。
• 该模型在高风险或强主观影响的情境下，优于数据驱动方法（如前馈神经网络和随机森林）。
• 模拟结果表明，QDT模型在更多模拟参与者中表现出高响应相似性（峰值分别出现在0.75和0.625），而CPT模型在多个参与者群体中表现均较低。