Un organigramme résumant la démarche des chercheurs. D'abord, ils ont généré des données de comportement synthétiques en appliquant un modèle comportemental de la psychologie à une vaste collection de problèmes de décision. Ils ont ensuite formé un réseau de neurones pour prédire ce comportement synthétique, transférer efficacement le modèle comportemental dans le réseau. Une fois que le réseau a fini d'apprendre les données synthétiques, ils l'ont affiné sur des données humaines réelles, lui permettant de s'appuyer davantage sur le modèle cognitif et d'obtenir de meilleures prédictions. Crédit :Bourgin et al.
La prise de décision humaine est souvent difficile à prévoir et à délimiter théoriquement. Néanmoins, au cours des dernières décennies, plusieurs chercheurs ont développé des modèles théoriques visant à expliquer la prise de décision, ainsi que des modèles d'apprentissage automatique (ML) qui tentent de prédire le comportement humain. Malgré les réalisations associées à certains de ces modèles, prédire avec précision les décisions humaines reste un défi de recherche important.
Les techniques de ML peuvent sembler idéales pour résoudre les problèmes de prédiction de prise de décision, Pourtant, on ne sait toujours pas s'ils peuvent réellement améliorer les prédictions faites par les modèles théoriques. Des chercheurs de l'Université de Californie (UC) Berkeley et de l'Université de Princeton ont récemment mené une étude explorant l'efficacité du ML pour capturer le comportement humain. Dans leur papier, qui sera présenté à la Conférence internationale sur l'apprentissage automatique et pré-publié sur arXiv, ils proposent une nouvelle approche pour prédire les décisions humaines, qu'ils appellent des « modèles a priori cognitifs ».
"Le ML a révolutionné notre capacité à prédire des phénomènes dans de nombreux domaines scientifiques, " David Bourgin, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. « En psychologie et en économie, cependant, Les approches ML à des fins de prédiction sont encore relativement rares. L'une des raisons à cela est que de nombreux modèles de ML prêts à l'emploi nécessitent une quantité importante de données pour s'entraîner, et les ensembles de données comportementales ont tendance à être assez petits."
Dans les études d'apprentissage automatique, la méthode standard pour résoudre les problèmes liés aux petits ensembles de données consiste à restreindre l'espace des solutions possibles. Cependant, ce n'est pas toujours une tâche simple, en particulier lorsque vous travaillez avec des réseaux de neurones, comme une méthode suffisamment générale et facilement applicable pour traiter de petits ensembles de données n'existe pas encore.
"Nous étions motivés par l'idée que nous pourrions améliorer la mesure dans laquelle nous pouvions prédire certains phénomènes comportementaux si nous pouvions en quelque sorte traduire les idées des théories psychologiques en biais inductifs dans un modèle d'apprentissage automatique, ", a déclaré Bourgin.
L'étude menée par Bourgin et ses collègues a apporté deux contributions importantes à l'étude de la ML pour la prédiction de la prise de décision humaine. Premièrement, les chercheurs ont introduit le concept de « modèles a priori cognitifs », " qui implique un pré-entraînement des réseaux de neurones avec des données synthétiques dérivées à l'aide de modèles théoriques établis développés par des psychologues cognitifs. Cette approche leur a également permis d'introduire le tout premier ensemble de données à grande échelle pour la formation d'algorithmes sur des tâches de prise de décision humaine.
"Notre approche combine les théories scientifiques existantes du comportement humain avec la flexibilité des réseaux de neurones pour s'adapter afin de prédire au mieux les décisions monétaires risquées humaines, " Joshua Peterson, un autre chercheur impliqué dans l'étude, a déclaré TechXplore. « Nous le faisons en convertissant un modèle comportemental en une forme plus flexible en entraînant un réseau de neurones pour l'approcher. Après cette étape, le réseau de neurones sera déjà presque aussi prédictif que le modèle comportemental, et est maintenant en mesure de tirer le meilleur parti de l'apprentissage à partir d'exemples réels de comportement humain."
À l'aide de « modèles a priori cognitifs », les chercheurs ont obtenu des résultats de pointe sur deux ensembles de données de référence existants. Ces résultats suggèrent qu'il est en effet possible pour les modèles ML de faire des prédictions de prise de décision précises, même si les ensembles de données disponibles sont petits. Dans leur cas, ceci a été réalisé par des modèles de pré-formation sur des données artificielles dérivées de modèles cognitifs.
"Notre contribution théorique clé est l'introduction d'une manière générale de traduire entre les modèles psychologiques et les approches d'apprentissage automatique, " a déclaré Bourgin. " Le résultat est que cela peut aider les chercheurs à appliquer des modèles d'apprentissage automatique à des ensembles de données comportementales qui seraient autrement trop petits. Nous espérons que cela encouragera une plus grande collaboration entre les communautés de l'apprentissage automatique et des sciences du comportement en fournissant un moyen d'évaluer une classe plus large de modèles de prise de décision humaine. »
Dans leur étude, Bourgin, Peterson et leurs collègues ont réalisé des progrès significatifs dans l'étude des outils de ML pour capturer le comportement humain, avec leur approche atteignant des performances sans précédent sur deux ensembles de données restreints de décisions humaines. Ils ont également présenté un nouvel ensemble de données contenant 240, 000 jugements humains sur 13, 000 problèmes de décision, qui pourraient être utilisés par d'autres groupes de recherche pour former leurs propres modèles de ML. D'un point de vue pratique, leur travail pourrait faire économiser aux chercheurs le temps considérable qui est généralement consacré à la collecte de données pour les modèles de prédiction humaine ML.
« Nous sommes ravis de voir quels autres domaines du comportement humain pourraient bénéficier de notre approche, surtout dans des milieux plus naturels, " a déclaré Peterson. " Nous sommes également intéressés à trouver des moyens de boucler la boucle en utilisant les modèles d'apprentissage automatique améliorés pour découvrir de nouvelles théories scientifiques. "
© 2019 Réseau Science X
