Science論文：諾獎經濟學家的經典決策模型，被AI挑戰

以下文章來源于數據實戰派 ，作者林檎

在經濟學領域，這個問題與一個著名的理論息息相關。那便是諾貝爾經濟學獎獲得者卡尼曼在 1979 年提出的前景理論（Prospect Theory）。

這個理論指出，在權衡 “獲得” 的時候，人們普遍希望更有把握的選擇，而不想有風險。即面臨獲得時往往小心翼翼、規避風險；面對失去時反而因為不甘心而更容易冒險。這揭示了，人在損失時的痛苦感與獲得時的快樂感并不對等，前者的程度更強烈。

盡管前景理論隸屬于經濟學范疇，另一方面，這個理論也反映了智能體在決策認知上存在的誤區。

決策是很重要的，因為它最終決定了某些生活和社會結果，并且是相當多的經濟行為的基礎。但實際情況是，人類做出決定的過程有時既復雜又看似隨意。

這也導致了大量理論和決策模型的出現，其中的不少理論，要不相互矛盾，要不就是新穎性不足、難以和其他理論相區分。更致命的是，大多數這些理論在現實世界中都不是很有用，很少有想法能對人類行為提供充分的見解，每個理論往往只能從不斷增加的清單中解釋少數現象。因此，即便雖然前景理論為人是如何進行決策提供了一種方法論，但用這個理論來模擬選擇行為并非沒有缺點。

而在普林斯頓大學的研究人員 Joshua Peterson 看來，造成這種情況的原因并不是缺乏獨創性，而是該領域已經形成了這樣的一個傳統：新進展取決于理論和實驗之間的迭代循環，但一個理論家能夠投入的時間畢竟有限，加上該領域缺乏像其他科學中出現的新工具，使得理論發展的速度很難在過去幾十年得到實質上的突破。

我們能加快這一進程嗎？

Joshua Peterson 選中了一個新的工具，你不會陌生，它就是深度神經網絡。正如 “數據實戰派” 所多次報道過，深度神經網絡已經對自然科學產生了很大的影響，但在行為科學上的作用卻不如前者那么大，而 Joshua Peterson 所在的團隊發表于 Science 的研究，便論證了機器學習為行為科學領域帶來新的可能性。論文題為 Machine-generated theories of human decision-making。

首先，他們通過亞馬遜的 Mechanical Turk 眾包服務，開發了一個大型的風險決策數據集，收集了人類對近 10000 個 風險選擇問題的決定（例如文章開頭的 “20% 的機會獲得 100 美元，80% 的機會獲得 50 美元” 這樣的問題），用于測試和開發圍繞人類風險決策的新理論。

據了解，這也是迄今為止最大規模的風險選擇實驗產物。由于依賴大量初始假設，先前在制定決策理論方面的努力通常涉及使用非常小的數據集，每次只關注少數幾個選擇問題。過去，利用現代數據驅動技術發現和評估人類判斷的新模型也時有出現，但它們往往受限于小數據集，因而無法真正發揮其解釋行為的能力。

然后，他們利用這個數據集來訓練了一個深度神經網絡，用以來預測人類行為，并系統地比較了這大模型與此前的小模型（如前景理論）對風險決策行為的預測能力。

結果發現，由這個數據集驅動的深度神經網絡可以模仿人類的決定，其準確度令人驚訝，已大大超過了現有的、由人類產生的風險選擇模型，深度神經網絡的預測能力比前景理論高出幾個能級（當模型在特定場景下預測出的選擇，和人類的預測重合 50% 以上，則該模型能夠預測該場景 ）。

在他們的實驗中，這個神經網絡勝過了所提出的 50 多種風險決策理論，這表明目前的理論仍存在著差距。

基于神經網絡的模型，以及傳統模型對風險決策預測誤差的對比

但是，這個模型所產生的理論見解是什么？

風險決策本身已經是經典決策理論中最基本和最廣泛研究的問題之一。Reichman 指出，風險決策模型本來就只是人們在日常生活中經常做出的決定的巨大復雜性的一個抽象。

為了分析這一點，他們將傳統的風險選擇理論按照層次結構進行分類，然后不依靠具體的理論，訓練神經網絡來尋找最佳預期效用理論模型、最佳前景理論模型等。即判斷每一類理論的預測性如何，在它們之間進行比較，便可以確定哪些理論是具有先鋒性的。

總之，論文作者相信，使用大型數據集加上機器學習算法，為發現新的認知和行為現象提供了巨大的潛力，如果沒有這些工具，這些現象甚至將很難識別。

" 我認為我們的研究提供了一個真正令人興奮的新例子，說明行為科學有望在未來加速發展。” 這種方法有可能在發現和完善決策理論方面幫助節省幾年、甚至幾十年的時間。

References：

1、Joshua C. Peterson et al, Using large-scale experiments and machine learning to discover theories of human decision-making, Science (2021). DOI: 10.1126/science.abe2629/

2、Sudeep Bhatia et al, Machine-generated theories of human decision-making, Science (2021). DOI: 10.1126/science.abi7668