인간 선택 행동의 불가감소 확률성을 추정하기 위한 순환 신경망 사용

이론적 계산 모델은 잠재적 인지 과정을 설명하기 위해 널리 사용됩니다. 그러나 이러한 모델은 참가자 간에 데이터를 동등하게 설명하지 않으며, 일부 개인은 다른 개인보다 더 큰 예측 격차를 보입니다. 이번 연구에서는 단일 개인의 관찰 데이터에서 예측 격차의 원천을 분류하기 위해 이론 독립 모델, 특히 순환 신경망(RNN)의 사용을 조사했습니다. 이 접근 방식은 행동 데이터의 낮은 예측 가능성이 주로 잡음 있는 의사결정 때문인지, 아니면 이론 모델의 잘못된 지정 때문인지를 식별하는 것을 목표로 합니다. 먼저, 강화 학습 상황에서 컴퓨터 시뮬레이션을 사용하여 RNN이 다양한 정도의 행동 잡음을 가진 시뮬레이션 에이전트에서 모델의 잘못된 지정을 식별하는 데 사용될 수 있음을 입증했습니다. 특히, 예측 성능과 RNN 훈련 에폭 수(즉, 조기 중지 지점)은 데이터에서의 확률성의 양을 추정하는 데 사용될 수 있습니다. 둘째, 낮은 IQ 참가자의 행동이 높은 IQ 참가자와 비교하여 잘 알려진 이론 모델(즉, 두 단계 작업에 대한 Daw의 혼합 모델)에 의해 낮은 예측 가능성을 보인 경험적 데이터 세트에 우리 접근 방식을 적용했습니다. 예측 격차와 RNN의 조기 중지 지점 모두 개인 간에 모델의 잘못된 지정이 유사함을 시사했습니다. 이는 우리가 낮은 IQ 집단이 높은 IQ 동료들에 비해 주로 더 많은 잡음을 발생시킨다는 잠정적 결론을 내리게 했으며, 이론 모델에 의해 더 잘못 지정된 것은 아님을 주장합니다. 우리는 의사결정 과학에서 이론적 및 데이터 기반 계산 모델링의 증가하는 문헌을 고려하여 이 접근 방식의 시사점과 한계를 논의합니다.