在迄今为止最大规模的研究人类如何“做出风险选择”的实验中，研究人员展示了机器学习如何能被用来测试和改进停滞已久的人类决策理论。长期以来，了解和预测人们如何做出决定一直是心理学和经济学的目标，并由此滋生出了众多相互竞争的有关决策过程的理论和模型。但这些理论中有许多难以相互区分，且它们中很少可对人类行为提供独特新颖的见解。因此，对于何谓最佳决策理论或模型仍然鲜有共识，对其预测能力也几无斩获。用机器学习来发现和评估决策过程新理论的研究近来已得到增强。然而，尽管这些数据驱动的方法可以加速预测人类判断新模型的发现，但其结果则受到数据集偏小的限制，而且结果常常无法解读。为解决这一问题，Joshua Peterson和同事收集了一个包含了近1万个风险性选择问题的人类决策的大型数据集。风险性选择（这是经典决策理论中最基本和最广泛研究的问题之一）评估的是一个人如何在两个机会不等的博弈间做出决定；例如：以 20% 的概率获得 100 美元或以 80% 的概率获得 50 美元。Peterson等人发现，深度神经网络能以惊人的准确度模拟人类的决策过程，它大大优于现有的、由人工生成的风险性选择模型。更重要的是，在学习模仿人类决策的过程中，这些深度神经网络还能揭示许多心理学特性，后者是已确立的行为理论的基础，从而令这些理论能得到评估及细化。Sudeep Bhatia 与 Lisheng He 在一则相关的《视角》中写道：“大型数据集可用性的增加和计算能力的提高最终会使机器学习成为研究决策过程科学家工具箱中的一个不可或缺的组分，它可振兴（或许…彻底改变）有关人类选择行为的理论研究。”
###
Journal
Science