Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nâng cao Quyết định của Con người với các Trợ giúp Quyết định Tạo ra Bằng AI
Tóm tắt
Quyết định của con người thường gặp phải nhiều sai lầm hệ thống. Nhiều trong số các sai lầm này có thể tránh được bằng cách cung cấp các trợ giúp quyết định hướng dẫn người ra quyết định chú ý đến thông tin quan trọng và tích hợp nó theo một chiến lược quyết định hợp lý. Thiết kế các trợ giúp quyết định như vậy trước đây là một quá trình thủ công tốn thời gian. Các tiến bộ trong khoa học nhận thức có thể giúp tự động hóa quy trình này trong tương lai. Chúng tôi gần đây đã giới thiệu các phương pháp học máy để phát hiện các chiến lược tối ưu cho quy trình ra quyết định của con người một cách tự động và một phương pháp tự động để giải thích các chiến lược đó cho mọi người. Các trợ giúp quyết định được xây dựng bằng phương pháp này đã có khả năng cải thiện quy trình ra quyết định của con người. Tuy nhiên, việc theo dõi các mô tả được tạo ra bởi phương pháp này rất tốn công sức. Chúng tôi giả thuyết rằng vấn đề này có thể được khắc phục bằng cách truyền đạt chiến lược quyết định được phát hiện tự động dưới dạng một loạt các hướng dẫn bằng ngôn ngữ tự nhiên về cách thức đưa ra quyết định. Thí nghiệm 1 đã chỉ ra rằng mọi người thực sự hiểu các hướng dẫn quy trình như vậy dễ dàng hơn so với các trợ giúp quyết định được tạo ra bởi phương pháp trước đó của chúng tôi. Khuyến khích bởi phát hiện này, chúng tôi đã phát triển một thuật toán để dịch đầu ra của phương pháp trước đó của chúng tôi thành các hướng dẫn quy trình. Chúng tôi đã áp dụng phương pháp cải tiến để tự động tạo ra các trợ giúp quyết định cho một nhiệm vụ lập kế hoạch tự nhiên (tức là, lập kế hoạch cho một chuyến đi đường) và một nhiệm vụ quyết định tự nhiên (tức là, chọn một khoản thế chấp). Thí nghiệm 2 cho thấy rằng các trợ giúp quyết định được tạo ra tự động này đã cải thiện đáng kể hiệu suất của mọi người trong việc lập kế hoạch cho một chuyến đi đường và chọn một khoản thế chấp. Những phát hiện này gợi ý rằng việc tăng cường dựa trên AI có thể có tiềm năng để cải thiện quy trình ra quyết định của con người trong thế giới thực.
Từ khóa
#quyết định con người #các lỗi hệ thống #trợ giúp quyết định #học máy #tự động hóa #hướng dẫn quy trình #lập kế hoạch #thế chấpTài liệu tham khảo
Becker, F., Skirzyński, J., van Opheusden, B., & Lieder, F. (2021). Encouraging far-sightedness with automatically generated descriptions of optimal planning strategies: Potentials and limitations. In: Proceedings of the annual meeting of the cognitive science society (vol. 43)
Callaway, F., Lieder, F., Krueger, P.M., & Griffiths, T.L. (2017). Mouselab-MDP: A new paradigm for tracing how people plan. In: The 3rd multidisciplinary conference on reinforcement learning and decision making. Ann Arbor, MI
Callaway, F., Gul, S., Krueger, P., Griffiths, T.L., & Lieder, F. (2018a). Learning to select computations. In: Uncertainty in artificial intelligence: Proceedings of the thirty-fourth conference
Callaway, F., Lieder, F., Das, P., Gul, S., Krueger, P.M., Griffiths, T. (2018b). A resource-rational analysis of human planning. In: CogSci
Callaway, F., Jain, Y. R., van Opheusden, B., Das, P., Iwama, G., Gul, S., et al. (2022). Leveraging artificial intelligence to improve people’s planning strategies. Proceedings of the National Academy of Sciences, 119(12), e2117432119.
Callaway, F., van Opheusden, B., Gul, S., Das, P., Krueger, P., Lieder, F., & Griffiths, T. (2022b). Rational use of cognitive resources in human planning. Nature Human Behavior
Consul, S., Heindrich, L., Stojcheski, J., & Lieder, F. (2022). Improving human decision-making by discovering efficient strategies for hierarchical planning. Computational Brain & Behavior, 5(2), 185–216.
Dazeley, R., Vamplew, P., & Cruz, F. (2021). Explainable reinforcement learning for broad-xai: a conceptual framework and survey. arXiv:2108.09003
Gigerenzer, G. (1991). How to make cognitive illusions disappear: Beyond “heuristics and biases’’. European Review of Social Psychology, 2(1), 83–115.
Gigerenzer, G., & Todd, P. M. (1999). Simple heuristics that make us smart. USA: Oxford University Press.
Gigerenzer, G., Hertwig, R., Hoffrage, U., & Sedlmeier, P. (2008). Cognitive illusions reconsidered. Handbook of Experimental Economics Results, 1, 1018–1034.
Gilovich, T., Griffin, D., Kahneman, D., et al. (2002). Heuristics and biases: The psychology of intuitive judgment. Cambridge: Cambridge University Press.
Griffiths, T. L., Callaway, F., Chang, M. B., Grant, E., Krueger, P. M., & Lieder, F. (2019). Doing more with less: meta-reasoning and meta-learning in humans and machines. Current Opinion in Behavioral Sciences, 29, 24–30.
Hafenbrädl, S., Waeger, D., Marewski, J. N., & Gigerenzer, G. (2016). Applied decision making with fast-and-frugal heuristics. Journal of Applied Research in Memory and Cognition, 5(2), 215–231.
He, R., & Lieder, F. (2022). Where do adaptive planning strategies come from? https://doi.org/10.13140/RG.2.2.28966.60487, manuscript submitted for publication.
He, R., Jain, Y.R., & Lieder, F. (2021). Measuring and modelling how people learn how to plan and how people adapt their planning strategies the to structure of the environment. In: International conference on cognitive modeling. Retrieved from https://re.is.mpg.de/uploads_file/attachment/attachment/671/20210720_ICCM_submission_final.pdf. Accessed 5 Sep 2022
Heindrich, L., Consul, S., & Lieder, F. (2022). Leveraging ai to improve human planning in large partially observable environments. Manuscript submitted for publication
Hertwig, R., & Grüne-Yanoff, T. (2017). Nudging and boosting: Steering or empowering good decisions. Perspectives on Psychological Science, 12(6), 973–986.
Hertwig, R., Pleskac, T. J., & Pachur, T. (2019). Taming uncertainty. Cambridge: MIT Press.
Jain, Y.R., Callaway, F., Griffiths, T.L., Dayan, P., Krueger, P.M., & Lieder, F. (2021). A computational process-tracing method for measuring people’s planning strategies and how they change over time. Manuscript in revision
Kinnier, R. T., & Metha, A. T. (1989). Regrets and priorities at three stages of life. Counseling and Values, 33(3), 182–193.
Larrick, R.P. (2004). Debiasing. Blackwell handbook of judgment and decision making pp 316–338
Lieder, F., & Griffiths, T. L. (2017). Strategy selection as rational metareasoning. Psychological Review, 124(6), 762.
Lieder, F., & Griffiths, T.L. (2020a). Advancing rational analysis to the algorithmic level. Behavioral and Brain Sciences, 43
Lieder, F., & Griffiths, T. L. (2020). Resource-rational analysis: understanding human cognition as the optimal use of limited computational resources. Behavioral and Brain Sciences, 3, 1–85.
Lieder, F., Krueger, P.M., & Griffiths, T. (2017). An automatic method for discovering rational heuristics for risky choice. In: CogSci
Lieder, F., Callaway, F., Jain, Y.R., Krueger, P.M., Das, P., Gul, S., & Griffiths, T. (2019). A cognitive tutor for helping people overcome present bias. In: The fourth multidisciplinary conference on reinforcement learning and decision making. * These authors contributed equally
Mehta, A., Jain, Y.R., Kemtur, A., Stojcheski, J., Consul, S., Tošic, M., & Lieder, F. (2022). Leveraging machine learning to automatically derive robust decision strategies from imperfect knowledge of the real world. Computational Brain & Behavior
Meier, S., & Sprenger, C. (2010). Present-biased preferences and credit card borrowing. American Economic Journal: Applied Economics, 2(1), 193–210.
Milkman, K. L., Rogers, T., & Bazerman, M. H. (2008). Harnessing our inner angels and demons: What we have learned about want/should conflicts and how that knowledge can help us reduce short-sighted decision making. Perspectives on Psychological Science, 3(4), 324–338.
Miller, G. A., Galanter, E., & Pribram, K. H. (1960). Plans and the structure of behavior. Henry Holt and Co. https://doi.org/10.1037/10039-000
O’Donoghue, T., & Rabin, M. (2015). Present bias: Lessons learned and to be learned. American Economic Review, 105(5), 273–79.
Orne, M.T. (1996). Demand characteristics. In: Introducing psychological research (pp. 395–401). Springer
Phillips, N. D., Neth, H., Woike, J. K., & Gaissmaier, W. (2017). FFTrees: A toolbox to create, visualize, and evaluate fast-and-frugal decision trees. Judgment and Decision making, 12(4), 344–368.
Puiutta, E., & Veith, E. (2020). Explainable reinforcement learning: A survey. In: International cross-domain conference for machine learning and knowledge extraction (pp. 77–95). Springer
Reeck, C., Wall, D., & Johnson, E. J. (2017). Search predicts and changes patience in intertemporal choice. Proceedings of the National Academy of Sciences, 114(45), 11890–11895.
Rich, P., Blokpoel, M., de Haan, R., & van Rooij, I. (2020). How intractability spans the cognitive and evolutionary levels of explanation. Topics in cognitive science, 12(4), 1382–1402.
Rudin, C., Chen, C., Chen, Z., Huang, H., Semenova, L., & Zhong, C. (2022). Interpretable machine learning: Fundamental principles and 10 grand challenges. Statistics Surveys, 16(none), 1–85. https://doi.org/10.1214/21-SS133.
Ruscio, J. (2008). A probability-based measure of effect size: robustness to base rates and other factors. Psychological methods, 13(1), 19.
Sala, G., & Gobet, F. (2017). Does far transfer exist? negative evidence from chess, music, and working memory training. Current Directions in Psychological Science, 26(6), 515–520.
Sala, G., Aksayli, N.D., Tatlidil, K.S., Tatsumi, T., Gondo, Y., Gobet, F., Zwaan, R., & Verkoeijen, P. (2019). Near and far transfer in cognitive training: A second-order meta-analysis. Collabra: Psychology, 5(1)
Sheldon, K. M., Elliot, A. J., Ryan, R. M., Chirkov, V., Kim, Y., Wu, C., et al. (2004). Self-concordance and subjective well-being in four cultures. Journal of Cross-Cultural Psychology, 35(2), 209–223.
Simon, H. A. (1997). Models of bounded rationality: Empirically grounded economic reason (Vol. 3). Cambridge: MIT Press.
Skirzyński, J., Becker, F., & Lieder, F. (2021a). Automatic discovery of interpretable planning strategies. Machine Learning, 1–43
Skirzyński, J., Jain, Y.R., & Lieder, F. (2021b). Automatic discovery and description of human planning strategies. arXiv:2109.14493
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. Cambridge: MIT Press.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124
Van Rooij, I. (2008). The tractable cognition Thesis. Cognitive Science, 32(6), 939–984.