利用机器学习捕捉人类战略决策的复杂性

Aug, 2024

利用机器学习捕捉人类战略决策的复杂性

Capturing the Complexity of Human Strategic Decision-Making with Machine Learning

Jian-Qiao Zhu, Joshua C. Peterson, Benjamin Enke, Thomas L. Griffiths

TL;DR本研究解决了人类在战略环境中决策行为理解的长期问题，开展了超过9万个决策的数据分析，展示了深度神经网络在预测人类选择方面的优越性。研究发现，个体游戏的复杂性影响人们的决策能力，并揭示了偏离理性纳什均衡的原因，这表明机器学习不仅能用于预测，还能提供对复杂人类行为的新解释。

Abstract

Understanding how people behave in strategic settings--where they make decisions based on their expectations about the behavior of others--is a long-standing problem in the behavioral sciences. We conduct the largest study to date of strategic decision-making in the context of initial

发现论文，激发创造

评估人类错误与完美基准的对比

研究人类在制定决策时可能产生错误的情况，以国际象棋运动员的决策为例，从围绕技能、时间和决策难度三个方面特征进行分析，并且发现描述决策困难度的特征比技能或时间更有影响力。

Jun, 2016

预测人类决策的认知模型先验

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

重复博弈中预测人类互动的神经网络

使用神经网络预测人类玩家在重复战略互动中的行为，证明神经网络可以通过历史记录的序列预测未来行为，同时比行为经济学模型有更准确的预测和更高的经济价值。

Nov, 2019

将超级智能与人类行为相一致：以象棋为模型系统

研究人员基于人类下棋决策的详细数据，通过AlphaZero构建了一种定制化的人工智能引擎Maia，能够更准确地预测人类棋手的下棋。这项研究表明，重点是建立精确的人类决策模型，安装有人类协作的人工智能系统具有很大的潜力。

Jun, 2020

认知科学作为人类决策的正向和反向模型之源，用于机器人技术和控制

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

Boltzmann策略分布：从人类模型中解释系统性次优

在人类行为的建模中，耦合行动选择与时间的策略预测模型有助于解决人类展现出的系统非最优性问题。介绍了Boltzmann策略分布(BPD)，作为人类策略的先验，并通过贝叶斯推断来捕捉人类非最优行为的系统偏差。研究发现，相比于基于人类模仿学习的模型，BPD在使用更少数据的情况下同样有效地实现了对人类行为和人工智能协作的预测。

Apr, 2022

探究在国际象棋中的行为风格统计方式来检测个体的决策方式

该论文研究机器学习如何应用于人类行为识别，提出一种基于Transformer的应用于棋类游戏，可以在只有100个标记棋局的情况下正确识别出准确率达到98%的玩家，同时也讨论了该方法对人类行为伦理的潜在影响。

Aug, 2022

人类对适应性机器的适应趋于博弈论均衡

本文通过运用机器学习算法与博弈论的框架，利用多个均衡状态来调节和预测智能人和机器之间的协同适应交互，并发现某些算法可有效地控制人的行为，从而引导人机交互达到机器的最优状态。

May, 2023

人工智能时代的基于语言的博弈论

通过情感分析来研究决策和策略互动中的人类行为，以改变传统基于结果的效用函数观点，强调语言的重要性，为经济学、心理学和人工智能领域提供新颖的博弈论方法。

Mar, 2024

预测和理解人类行动决策：基于大型语言模型和认知实例化学习的洞察

该研究论文探讨了大型语言模型在预测人类行为和决策过程中的能力，并发现结合认知架构可以提高对复杂决策模式的建模和理解。

Jul, 2024