[论文解读] 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 7

一句话总结

本文提出精确助推（precision nudging）——一种机器学习（ML）与行为经济学相结合的方法，旨在设计能够预测个体对助推反应的个性化干预措施，显著提升政策效果，超越传统‘一刀切’方法。通过利用个体特征和心理变量，机器学习模型可实现可扩展的、数据驱动的助推，适用于异质性人群的广泛推广。

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.

研究动机与目标

• 解决传统助推在行为经济学中泛化能力有限的问题，尽管在群体层面取得成功，但在个体层面常失效。
• 通过实现个性化、情境敏感的助推，克服‘一刀切’政策干预的低效问题。
• 利用数据科学与机器学习的进展，高精度预测个体对特定助推的反应行为。
• 开发可扩展的个性化决策框架，在保障个体自主权的同时优化期望的行为结果。
• 使政策制定者和组织能够基于丰富的行为与人口统计数据训练的预测模型，在医疗、金融和自然保护等领域部署针对性的助推。

提出的方法

• 整合行为经济学原则——尤其是选择架构与助推——与机器学习，以建模个体在认知偏见影响下的决策过程。
• 在包含个体特征、心理变量及历史行为反应的数据集上训练监督式机器学习模型，以预测每个人的最优助推。
• 通过反馈回路迭代提升模型性能，基于助推干预的实际结果更新预测。
• 采用特征工程技术，识别对个体层面助推具有强预测力的变量（例如人格特质、过往行为、社会情境）。
• 设计背景无关、可操作的实验，以验证模型在多样化人群与情境下的泛化能力。
• 利用时变变量与纵向数据，增强对动态、情境敏感助推策略的预测能力。

实验结果

研究问题

• RQ1 机器学习如何将助推的泛化能力从群体效应提升至个体行为预测层面？
• RQ2 哪些个体层面的心理与人口统计变量是预测特定助推响应的强预测因子？
• RQ3 能否训练机器学习模型，基于个体独特特征与情境，识别出对特定个体最有效的助推？
• RQ4 实现大规模、异质性人群的个性化助推，所需的关键数据要求与模型架构是什么？
• RQ5 如何在医疗、企业政策与自然保护等现实场景中验证并部署精确助推？

主要发现

• 机器学习模型在预测个体对助推的反应方面，显著优于传统‘一刀切’方法。
• 基于个体特征与心理变量的个性化助推，可带来可衡量的结果改善，如疫苗接种率、药物依从性与饮食依从性提升。
• 在医疗领域，精确助推可通过根据患者行为与认知偏见定制出院后指导，降低再入院率。
• 企业实地实验表明，个性化提示可提高流感疫苗接种率，而机器学习可优化为每位员工选择最有效的提示。
• 将机器学习与行为经济学结合，可实现可扩展的、数据驱动的政策设计，在保障选择权与自主权的同时实现个体间泛化。
• 纵向与时变数据对提升模型性能至关重要，是实现动态、情境感知助推策略的关键。