En el mayor experimento hasta la fecha para el estudio de las "elecciones arriesgadas" de las personas, los investigadores muestran cómo el aprendizaje automático se puede utilizar para probar y mejorar las teorías estancadas de la toma de decisiones en humanos. Comprender y predecir cómo las personas toman decisiones ha sido un objetivo de larga data en psicología y economía, lo que ha conducido a una proliferación de teorías y modelos de toma de decisiones que compiten entre sí. Sin embargo, muchas de estas teorías son a menudo difíciles de distinguir entre sí y son pocas las que ofrecen información discreta o novedosa sobre el comportamiento humano. En consecuencia, existe muy poco consenso sobre cuál es la mejor teoría o modelo de decisión y poca ganancia en su poder predictivo. Recientemente se han mejorado los esfuerzos para descubrir y evaluar nuevas teorías de toma de decisiones mediante el aprendizaje automático. Sin embargo, aunque estos enfoques basados en datos pueden acelerar el descubrimiento de nuevos modelos predictivos de los juicios humanos, los resultados están limitados por lo reducido de los conjuntos de datos y con frecuencia no son interpretables. Para abordar esta situación, Joshua Peterson y sus colegas recopilaron un extenso conjunto de datos de decisiones humanas para casi 10 000 problemas de elección arriesgada. La elección arriesgada -uno de los problemas más básicos y estudiados en la teoría clásica de la decisión- evalúa cómo una persona decide entre dos apuestas desiguales: conseguir 100 dólares con una probabilidad del 20 % o 50 dólares con una probabilidad del 80 %, por ejemplo. Peterson et al. descubrieron que las redes neuronales profundas podían imitar las decisiones humanas con un sorprendente grado de precisión, superando sustancialmente los modelos existentes de elección de riesgo generados por humanos. Es más, al aprender a imitar las decisiones humanas, las redes también revelaron muchas de las propiedades psicológicas subyacentes a las teorías conductuales establecidas, lo que les permitió ser evaluadas y refinadas. "En última instancia, la mayor disponibilidad de grandes conjuntos de datos y las mejoras en la potencia informática harán que el aprendizaje automático sea un componente indispensable de las herramientas del científico que estudia las decisiones, revitalizando (e incluso, tal vez, revolucionando) la investigación teórica sobre el comportamiento de elección humana", escriben Sudeep Bhatia y Lisheng He en un artículo de Perspective relacionado.
###
Journal
Science