Обучаемая модель смогла воспроизвести принятие решений человеком
Сводная группа исследователей из Принстонского университета (штат Нью-Джерси) и Политехнического института Уорчестера (Великобритания) нашли способ применения экспериментов с крупномасштабными базами данных и моделей машинного обучения для открытия новых теорий принятия решений.
Люди приходят к решениям, как правило, очень трудными для понимания путями. Соответственно, большинство теорий, призванных обьяснить этот процесс и сделать его более эффективным, как отмечают исследователи, пока имеют низкую прикладную ценность.
В своей работе, представленной в журнале Sciencе, ученые попытались создать инструмент для проверки текущих теорий и для содействия в разработке новых, более совершенных. В их методе для этого задействованы машинное обучение и большие массивы данных.
Теории принятия решений, изложенные в предыдущих публикациях, обычно ограничивались очень небольшими наборами данных из-за их зависимости от множества исходных допущений. И такие теории редко сравниваются друг с другом. Чтобы преодолеть обе проблемы, исследователи пришли к идее использования общего эксперимента по принятию решений, в котором добровольцы делают выбор между двумя очевидными вариантов: например, получить $100 с вероятностью 10% или $50, с вероятностью 90%.
Подобные эксперименты могут проводиться с большим количеством участников и генерирует крупные массивы данных. Конкретно, команда Принстона/Уорчестера получила массив из 10 тысяч ответов. На его основе авторы показали, что предложенный метод способен "имитировать человеческие решения с очень высокой точностью", с большим отрывом превосходя существующие модели.
