以下文章來源于數(shù)據(jù)實戰(zhàn)派 ，作者林檎

在經(jīng)濟學領(lǐng)域，這個問題與一個著名的理論息息相關(guān)。那便是諾貝爾經(jīng)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(quán)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(guī)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(jīng)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(qū)。

決策是很重要的，因為它最終決定了某些生活和社會結(jié)果，并且是相當多的經(jīng)濟行為的基礎(chǔ)。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(xiàn)，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(qū)分。更致命的是，大多數(shù)這些理論在現(xiàn)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(shù)現(xiàn)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(chuàng)性，而是該領(lǐng)域已經(jīng)形成了這樣的一個傳統(tǒng)：新進展取決于理論和實驗之間的迭代循環(huán)，但一個理論家能夠投入的時間畢竟有限，加上該領(lǐng)域缺乏像其他科學中出現(xiàn)的新工具，使得理論發(fā)展的速度很難在過去幾十年得到實質(zhì)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(jīng)網(wǎng)絡。正如 “數(shù)據(jù)實戰(zhàn)派” 所多次報道過，深度神經(jīng)網(wǎng)絡已經(jīng)對自然科學產(chǎn)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(fā)表于 Science 的研究，便論證了機器學習為行為科學領(lǐng)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(fā)了一個大型的風險決策數(shù)據(jù)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(fā)圍繞人類風險決策的新理論。

據(jù)了解，這也是迄今為止最大規(guī)模的風險選擇實驗產(chǎn)物。由于依賴大量初始假設(shè)，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(shù)據(jù)集，每次只關(guān)注少數(shù)幾個選擇問題。過去，利用現(xiàn)代數(shù)據(jù)驅(qū)動技術(shù)發(fā)現(xiàn)和評估人類判斷的新模型也時有出現(xiàn)，但它們往往受限于小數(shù)據(jù)集，因而無法真正發(fā)揮其解釋行為的能力。

然后，他們利用這個數(shù)據(jù)集來訓練了一個深度神經(jīng)網(wǎng)絡，用以來預測人類行為，并系統(tǒng)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(jié)果發(fā)現(xiàn)，由這個數(shù)據(jù)集驅(qū)動的深度神經(jīng)網(wǎng)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(xiàn)有的、由人類產(chǎn)生的風險選擇模型，深度神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡的模型，以及傳統(tǒng)模型對風險決策預測誤差的對比

但是，這個模型所產(chǎn)生的理論見解是什么？

風險決策本身已經(jīng)是經(jīng)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(jīng)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(tǒng)的風險選擇理論按照層次結(jié)構(gòu)進行分類，然后不依靠具體的理論，訓練神經(jīng)網(wǎng)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(shù)據(jù)集加上機器學習算法，為發(fā)現(xiàn)新的認知和行為現(xiàn)象提供了巨大的潛力，如果沒有這些工具，這些現(xiàn)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(fā)展?！?這種方法有可能在發(fā)現(xiàn)和完善決策理論方面幫助節(jié)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