Utiliser des expériences d’ensembles de données à grande échelle et l’apprentissage automatique pour découvrir de nouvelles théories de la prise de décision

ensembles de données

Crédit : CC0 Domaine public

Une équipe de chercheurs de l’Université de Princeton et celle du Worcester Polytechnic Institute ont développé un moyen d’utiliser des expériences de jeux de données à grande échelle et l’apprentissage automatique pour découvrir de nouvelles théories de la prise de décision. Dans leur article publié dans la revue La science, le groupe décrit son approche consistant à utiliser une expérience de compromis commune pour générer de grands ensembles de données à utiliser pour tester et développer de nouvelles théories entourant la prise de décision humaine. Sudeep Bhatia et Lisheng He de l’Université de Pennsylvanie et de l’Université d’études internationales de Shanghai, respectivement, ont publié un article Perspectives dans le même numéro de revue décrivant les problèmes actuels de la théorie de la décision et le travail effectué par l’équipe dans ce nouvel effort.

Le processus par lequel les humains prennent des décisions est à la fois complexe et apparemment arbitraire parfois. Pourtant, les psychologues aimeraient mieux comprendre le processus comme moyen de mieux prédire les types de décisions que les gens pourraient prendre dans diverses circonstances. À cette fin, des théories qui tentent de décrire la prise de décision humaine ont été développées. Mais comme le notent les chercheurs, la plupart ne sont pas très utiles dans le monde réel et sont difficiles à discerner les uns des autres. Dans ce nouvel effort, les chercheurs ont tenté d’ajouter un nouvel outil pour tester les théories actuelles et aider à en développer de nouvelles et meilleures. La méthode utilise l’apprentissage automatique pour aider au développement de théories de prise de décision à l’aide de grands ensembles de données.

Les efforts antérieurs pour développer des théories de prise de décision ont généralement impliqué l’utilisation de très petits ensembles de données en raison de leur dépendance à une multitude d’hypothèses initiales. Et de telles théories sont rarement testées les unes contre les autres. Pour surmonter ces deux problèmes, les chercheurs ont commencé avec l’idée d’utiliser une expérience de prise de décision commune impliquant des volontaires décidant entre deux options claires. Ces options impliquent généralement de choisir laquelle des deux sommes d’argent accepter. Par exemple, on peut leur demander de choisir entre une option de recevoir 100 $ avec une probabilité de seulement 10 %, ou 50 $ avec une probabilité de 90 %. De telles expériences peuvent être menées avec des milliers de personnes, ce qui peut conduire à la génération de très grands ensembles de données.

En utilisant cette approche, les chercheurs utilisant un ensemble de données de 10 000 réponses, ont découvert que leur système était capable « d’imiter les décisions humaines avec un taux de précision très élevé », et ils affirment qu’il surpasse largement les modèles existants.


Infuser des modèles d’apprentissage automatique avec des biais inductifs pour capturer le comportement humain


Plus d’information:
Joshua C. Peterson et al, Utilisation d’expériences à grande échelle et d’apprentissage automatique pour découvrir les théories de la prise de décision humaine, La science (2021). DOI : 10.1126/science.abe2629

Sudeep Bhatia et al, Théories générées par la machine de la prise de décision humaine, La science (2021). DOI : 10.1126/science.abi7668

© 2021 Réseau Science X

Citation: Utilisation d’expériences de jeux de données à grande échelle et d’apprentissage automatique pour découvrir de nouvelles théories de la prise de décision (2021, 11 juin) récupéré le 11 juin 2021 sur https://techxplore.com/news/2021-06-large-scale-dataset-machine -theories-decision-making.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.