Découvrir de meilleures théories
Les théories de la prise de décision humaine se sont multipliées ces dernières années. Cependant, ces théories sont souvent difficiles à distinguer les unes des autres et offrent une amélioration limitée dans la prise en compte des modèles de prise de décision par rapport aux théories antérieures. Peterson et al. tirer parti de l’apprentissage automatique pour évaluer les théories décisionnelles classiques, augmenter leur pouvoir prédictif et générer de nouvelles théories de la prise de décision (voir Perspective de Bhatia et He). Cette méthode a des implications pour la génération de théories dans d’autres domaines.
La science, abe2629, ce numéro p. 1209 ; voir aussi abi7668, p. 1150
Abstrait
Prédire et comprendre comment les gens prennent des décisions est un objectif de longue date dans de nombreux domaines, avec des modèles quantitatifs de prise de décision humaine informant la recherche en sciences sociales et en ingénierie. Nous montrons comment les progrès vers cet objectif peuvent être accélérés en utilisant de grands ensembles de données pour alimenter des algorithmes d’apprentissage automatique qui sont contraints de produire des théories psychologiques interprétables. En menant la plus grande expérience sur le choix risqué à ce jour et en analysant les résultats à l’aide d’une optimisation basée sur le gradient de théories de décision différentiables mises en œuvre via des réseaux de neurones artificiels, nous avons pu récapituler les découvertes historiques, établir qu’il est possible d’améliorer les théories existantes et découvrir un nouveau modèle plus précis de prise de décision humaine sous une forme qui préserve les connaissances de siècles de recherche.
