人类行为建模 Part II -- 认知方法与不确定性
本文简明扼要地综述了人类行为量化模型领域中最重要的两个方法：基于探索和反馈学习模型或策略的技术以及直接模拟人类推理机制（思想和偏见）而无需通过试错法进行学习。
May, 2022
本文提出了两个贡献：通过预训练神经网络和构建 “认知模型先验” 以捕捉人类行为的归纳偏见，使得机器学习方法在小样本数据集上能够显著提高预测准确率；基于超过 240,000 项人类决策的大规模数据集，揭示出认知模型先验适用的情况，并为人类决策预测建立了新的基准。
May, 2019
本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差，在人机协作中扮演更加重要的角色，并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域，并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。
Oct, 2022
通过理解人类认知中心的特点，提出了使用 “上下文重要性和效用（Contextual Importance and Utility method）” 等方法去实现可解释的 AI 决策。
Jan, 2021
在设计与人交互的自主系统时，计算认知科学提供了人类决策制定背后的洞见，聚焦于如何提供人类决策的前向模型和如何理解人类对他人决策的反向模型，并回顾了近期相关进展，提供了框架、方法论和可行性洞见。
Sep, 2021
本文使用非单调推理和计算机科学中的答案集编码（ASP）来形式化作为认知原则的文献发现，建立一个名为‘plausibility’的推理概念，并将其用于测试现有实验的效果并解释不同的多数响应。
May, 2022
通过预测人类在经济资本决策任务中的选择来测试行为决策理论在预测人类行为方面的帮助作用，并发现将某些行为理论作为机器学习系统特征进行集成提供了最佳预测结果。同时，我们发现预测人类决策最有用的理论是建立在人类和动物学习的基本属性之上，与主流拓展类决策理论有很大不同。此外，我们发现理论特征不仅应基于定性行为见解（例如损失厌恶），还应基于具有功能描述性模型生成的定量行为远见（如前景理论）。我们的分析提出了一个推导出可解释且有用的人类决策预测的方法。
Apr, 2019
这篇文章研究了采用包含最新的人类感知、决策 - making 和运动控制理论的新颖认知似然模型 --Commotions 模型用于预测人类在交通互动中的行为，展示了此模型在自然情景数据集中与数据驱动模型相竞争甚至胜出，证明了吸纳认知理论在自动驾驶行为预测模型中的巨大潜力。
May, 2023
建立能够有效与人类协作的机器一直是人工智能领域的长期目标。在存在不确定性的情况下，实现最佳合作通常需要人类和人工智能代理模拟彼此的行为，并利用这些模型推断潜在目标、信念或意图，这可能涉及多个层次的递归。我们提倡一种新的主动学习范式，利用人类作为主动数据源，同时考虑到他们的更高级别的能动性。此外，我们提供了一个使用高阶认知模型进行主动学习的实际示例。伴随着一个计算研究，突出了这个模型产生的独特行为。
Jan, 2024