达姆施塔特工业大学认知科学中心和 hessian.AI 的研究人员研究了人工智能自动学习的行为经济理论的属性。

在我们的日常生活中，我们经常面临危险的选择。经济学家、心理学家和认知科学家长期以来，人们在实验室中用等效的赌博来研究人们的风险选择，因为赌博具有定义风险选择的三个组成部分：在替代行动之间进行选择，选择的结果有一定的概率，并且结果有回报。

您愿意选择 100 美元还是购买彩票，赢得 150 美元的机会是 75%，但在剩下的 25% 中你什么也得不到？

这些实验的结果一致表明，人们系统性地偏离了数学最优选择，即他们赔钱了。例如，在上述机会游戏中，第二个选项的期望值较高，但当被问及时，许多人更喜欢第一个选项。

由于这些决策错误对个人生活和整个经济产生严重影响，预测人类如何做出次优决策一直具有科学意义。丹尼尔·卡尼曼（Daniel Kahneman）和阿莫斯·特沃斯基（Amos Tversky）的工作，他们表示他们正在研究“自然的愚蠢而不是人工智能，”通过累积前景理论更好地描述了人类决策，并于 2002 年荣获诺贝尔经济学奖。

然而，仍然存在许多异常情况和背景，无法很好地预测决策。除了预测人们的决定之外，找到对这些决定的解释就更困难了。这包括 Gerd Gigerenzer 等著名观点，即人类决策基于认知捷径，即所谓的启发法。

在一个最近的研究发表于科学美国普林斯顿大学的研究团队利用人工智能更好地理解人类在风险赌博中的决策。

这个想法是如果深度神经网络随着它们在预测数据方面变得越来越成功，它们也许还可以比行为经济理论更好地预测人类决策。然而，这样的神经网络需要大量数据才能进行训练。因此，作为研究的一部分，我们收集了包含 13,000 多个投注的人类决策的数据集。

当根据该数据集预测人们的赌博决策时，受理论假设约束最少的神经网络表现最好。彼得森等人。然后得出了“机器学习的经济决策理论”——对神经网络行为的可解释的总结。

在一个新出版物在日记中自然人类行为达姆施塔特工业大学罗意威“WhiteBox”项目的研究人员系统地研究了将不同机器学习模型与不同决策数据集相结合所产生的预测。

该出版物起源于认知科学硕士课程的一个课程项目，发现人类决策的预测存在显着差异：虽然一些神经网络在根据 2021 年研究数据集预测决策方面最为准确，但它们无法根据 2021 年研究数据集预测人类行为。较小的心理实验。这是一个典型的例子，说明数据集中的偏差如何导致模型和数据集之间的交互效应，从而使一个数据集的发现不会转移到另一个数据集中。

根据这些观察，研究人员能够开发出一种认知生成模型，该模型可以定量解释数据集的实际决策与人工智能模型的预测与人类决策不确定性的经典行为经济学结果之间的差异。

该中心的康斯坦丁·罗斯科普夫教授解释说：“就数据集的预测误差而言，神经网络可能优于人类理论家的所有建议，但这并不能保证它可以转移到人类赌博的其他数据集，甚至更自然的日常决策中。”TU 认知科学专业。

该研究强调认知科学人工智能仍然无法轻易实现自动化，需要仔细结合理论推理、机器学习和数据分析来理解和解释原因人类决策偏离数学最优值。