[论文解读] Predicting human decisions with behavioral theories and machine learning
BEAST 梯度提升（BEAST-GB）将行为理论与机器学习相结合，用以预测高风险选择，优于神经网络和多数行为模型，并在不同情境中具泛化能力。
Predicting human decisions under risk and uncertainty remains a fundamental challenge across disciplines. Existing models often struggle even in highly stylized tasks like choice between lotteries. We introduce BEAST Gradient Boosting (BEAST-GB), a hybrid model integrating behavioral theory (BEAST) with machine learning. We first present CPC18, a competition for predicting risky choice, in which BEAST-GB won. Then, using two large datasets, we demonstrate BEAST-GB predicts more accurately than neural networks trained on extensive data and dozens of existing behavioral models. BEAST-GB also generalizes robustly across unseen experimental contexts, surpassing direct empirical generalization, and helps refine and improve the behavioral theory itself. Our analyses highlight the potential of anchoring predictions on behavioral theory even in data-rich settings and even when the theory alone falters. Our results underscore how integrating machine learning with theoretical frameworks, especially those-like BEAST-designed for prediction, can improve our ability to predict and understand human behavior.
研究动机与目标
- 在跨学科领域推动对人类在风险与不确定性情境下决策的准确预测。
- 引入 BEAST Gradient Boosting（BEAST-GB）作为一种混合建模方法。
- 证明将预测锚定在行为理论上在数据丰富的情境中可提升性能。
- 展示 BEAST-GB 在未见实验情境中的泛化能力及其对理论修正的潜力。
提出的方法
- 介绍 BEAST-GB，一种将 BEAST 与梯度提升结合的混合模型。
- 描述 CPC18，一项用于预测高风险选择的竞赛，BEAST-GB 在其中获胜。
- 将 BEAST-GB 与在大规模数据集上训练的神经网络及多种行为模型进行比较。
- 在两个大型数据集上评估对未见实验情境的泛化。
- 通过数据驱动的调整分析机器学习如何增强或细化基础行为理论。
实验结果
研究问题
- RQ1BEAST-GB 是否能在预测高风险选择方面超过在大量数据上训练的神经网络？
- RQ2将机器学习预测建立在 BEAST 上是否能提升对新实验情境的泛化？
- RQ3BEAST-GB 在预测准确性方面与现有行为模型相比如何？
- RQ4将机器学习与 BEAST 相结合是否能进一步完善并改进行为理论自身？
主要发现
- BEAST-GB 在预测精度上优于在大量数据上训练的神经网络。
- BEAST-GB 超越了几十种现有的行为模型。
- BEAST-GB 在未见的实验情境中具有强健的泛化能力。
- 该方法有助于细化和改进基础行为理论。
- 在数据丰富的情境中，将预测锚定在行为理论上仍然具有价值。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。