Pesquisa Inova com Machine Learning e Comportamento Humano

Pesquisadores do Instituto de Tecnologia de Israel e de várias instituições dos EUA desenvolveram um modelo de machine learning que combina teoria psicológica para prever decisões humanas em situações de risco e incerteza.

Contexto da pesquisa

A pesquisa em ciências comportamentais busca entender como as pessoas tomam decisões em situações onde os resultados são desconhecidos ou incertos, o que envolve riscos. A previsão das escolhas humanas pode auxiliar na criação de iniciativas eficazes que estimulem decisões melhores.

Método proposto

O modelo BEAST-GB foi construído a partir de um framework de ciência comportamental conhecido como BEAST (Best Estimate and Sampling Tools). Essa abordagem integra algoritmos avançados de machine learning com teorias psicológicas. O foco do modelo é traduzir estratégias comportamentais em “características comportamentais”, que capturam a sensibilidade do tomador de decisão em diferentes tarefas.

Como destacou Ori Plonsky, “assumimos que, na escolha sob risco e incerteza, as pessoas misturam várias estratégias, como minimizar as chances de arrependimento imediato ou proteger-se contra os piores resultados” (“We assume that, in choice under risk and uncertainty, people mix several strategies, such as minimizing the chances of immediate regret or hedging against worst outcomes”).

“Traduzimos cada estratégia em uma ‘característica comportamental’, uma fórmula concisa que captura a sensibilidade de um tomador de decisão”
(“We translated each strategy into a ‘behavioral feature,’ a concise formula that captures how sensitive a decision-maker should be to that consideration in any given choice task.”)

— Ori Plonsky, Pesquisador, Instituto de Tecnologia de Israel

Resultados e impacto

O modelo BEAST-GB venceu a competição CPC18, capturando 93% da variação previsível nos dados e 96% em testes subsequentes com um conjunto de dados 40 vezes maior. O modelo superou vários modelos comportamentais e de machine learning, conseguindo prever decisões em novas experimentações que nunca havia analisado antes. Isso sugere que o modelo capture padrões gerais nas escolhas humanas.

“Com apenas 2% dos dados de treinamento, já superou uma rede neural profunda treinada com todos os dados disponíveis” (“With just 2% of the training data, it has already beat a deep neural network trained on all the training data.”), disse Plonsky, enfatizando a eficácia da abordagem híbrida do BEAST-GB.

Os próximos passos incluem a colaboração com formuladores de políticas para testar o modelo em cenários reais, validando e aprimorando sua aplicabilidade em contextos do mundo real. Além disso, a equipe planeja expandir sua pesquisa para incluir problemas de decisão em linguagem natural, mais alinhados com situações cotidianas.

Fonte: (TechXplore – Machine Learning & AI)