• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • Infondere modelli di apprendimento automatico con pregiudizi induttivi per catturare il comportamento umano

    Un diagramma di flusso che riassume l'approccio dei ricercatori. Primo, hanno generato dati sintetici sul comportamento applicando un modello comportamentale dalla psicologia a una vasta raccolta di problemi decisionali. Hanno quindi addestrato una rete neurale per prevedere questo comportamento sintetico, trasferire efficacemente il modello comportamentale nella rete. Una volta che la rete ha finito di apprendere i dati sintetici, li ha sintonizzati su dati umani reali, permettendogli di sviluppare ulteriormente il modello cognitivo e ottenere previsioni migliori. Credito:Bourgin et al.

    Il processo decisionale umano è spesso difficile da prevedere e delineare teoricamente. Ciò nonostante, negli ultimi decenni, diversi ricercatori hanno sviluppato modelli teorici volti a spiegare il processo decisionale, così come modelli di machine learning (ML) che cercano di prevedere il comportamento umano. Nonostante i risultati associati ad alcuni di questi modelli, prevedere con precisione le decisioni umane rimane una sfida significativa per la ricerca.

    Le tecniche di machine learning potrebbero sembrare ideali per affrontare i problemi di previsione del processo decisionale, tuttavia non è ancora chiaro se possano effettivamente migliorare le previsioni fatte dai modelli teorici. I ricercatori dell'Università della California (UC) Berkeley e della Princeton University hanno recentemente condotto uno studio per esplorare l'efficacia del ML nel catturare il comportamento umano. Nella loro carta, programmato per essere presentato alla International Conference on Machine Learning e pre-pubblicato su arXiv, propongono un nuovo approccio per prevedere le decisioni umane, a cui si riferiscono come "priori del modello cognitivo".

    "Il ML ha rivoluzionato la nostra capacità di prevedere i fenomeni in numerosi domini scientifici, "Davide Bourgin, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "In psicologia ed economia, però, Gli approcci ML per scopi di previsione sono ancora relativamente rari. Uno dei motivi è che molti modelli ML standard richiedono una quantità significativa di dati per il training, e i set di dati comportamentali tendono ad essere abbastanza piccoli".

    Negli studi sull'apprendimento automatico, il metodo standard per affrontare i problemi relativi a piccoli set di dati consiste nel restringere lo spazio delle possibili soluzioni. Però, questo non è sempre un compito semplice, in particolare quando si lavora con reti neurali, non esiste ancora un metodo sufficientemente generale e facilmente applicabile per trattare piccoli set di dati.

    "Siamo stati motivati ​​dall'idea che potremmo migliorare la misura in cui potremmo prevedere determinati fenomeni comportamentali se potessimo in qualche modo tradurre le intuizioni dalle teorie psicologiche in pregiudizi induttivi all'interno di un modello di apprendimento automatico, " ha detto Bourgin.

    Lo studio condotto da Bourgin e dai suoi colleghi ha fornito due contributi significativi allo studio del ML per la previsione del processo decisionale umano. in primo luogo, i ricercatori hanno introdotto il concetto di "modello cognitivo a priori, " che prevede il pre-addestramento delle reti neurali con dati sintetici derivati ​​​​utilizzando modelli teorici consolidati sviluppati da psicologi cognitivi. Questo approccio ha permesso loro di introdurre anche il primo set di dati su larga scala per l'addestramento di algoritmi su compiti decisionali umani.

    "Il nostro approccio combina le teorie scientifiche esistenti del comportamento umano con la flessibilità delle reti neurali per adattarsi per prevedere al meglio le decisioni monetarie rischiose umane, "Giosuè Peterson, un altro ricercatore coinvolto nello studio, ha detto a TechXplore. "Lo facciamo convertendo un modello comportamentale in una forma più flessibile addestrando una rete neurale per approssimarlo. Dopo questo passaggio, la rete neurale sarà già predittiva quasi quanto il modello comportamentale, ed è ora in grado di sfruttare al meglio l'ulteriore apprendimento da esempi reali di comportamento umano".

    Utilizzando i "priori del modello cognitivo", i ricercatori hanno ottenuto risultati all'avanguardia su due set di dati di riferimento esistenti. Questi risultati suggeriscono che è effettivamente possibile per i modelli ML fare previsioni decisionali accurate, anche se i dataset disponibili sono piccoli. Nel loro caso, ciò è stato ottenuto mediante modelli di pre-addestramento su dati artificiali derivati ​​da modelli cognitivi.

    "Il nostro contributo teorico chiave è l'introduzione di un modo generale di tradurre tra modelli psicologici e approcci di apprendimento automatico, " Bourgin ha detto. "Il risultato è che questo può aiutare i ricercatori ad applicare modelli di apprendimento automatico a set di dati comportamentali che altrimenti sarebbero troppo piccoli. Speriamo che ciò incoraggi una maggiore collaborazione tra le comunità di apprendimento automatico e scienze comportamentali fornendo un modo per valutare una classe più ampia di modelli di processo decisionale umano".

    Nel loro studio, Borgogna, Peterson e i loro colleghi hanno compiuto progressi significativi nello studio degli strumenti di machine learning per catturare il comportamento umano, con il loro approccio ottenendo prestazioni senza precedenti su due set di dati ristretti di decisioni umane. Hanno anche presentato un nuovo set di dati che contiene 240, 000 giudizi umani in 13, 000 problemi decisionali, che potrebbe essere utilizzato da altri gruppi di ricerca per addestrare i propri modelli ML. Dal punto di vista pratico, il loro lavoro potrebbe far risparmiare ai ricercatori la notevole quantità di tempo che in genere viene spesa per la raccolta di dati per i modelli di previsione umana ML.

    "Siamo entusiasti di vedere quali altri domini del comportamento umano potrebbero trarre vantaggio dal nostro approccio, soprattutto in ambienti più naturali, " ha detto Peterson. "Siamo anche interessati a trovare modi per chiudere il cerchio utilizzando i modelli di apprendimento automatico migliorati per scoprire nuove teorie scientifiche".

    © 2019 Science X Network




    © Scienza https://it.scienceaq.com