Learning to Represent Individual Differences for Choice Decision Making

要約

意思決定は多くの複雑な要因の影響を受けるため、人間の意思決定は予測するのが難しい場合があります。
この複雑さに加えて、意思決定プロセスは個人間でかなり異なる場合があり、人間の決定を予測することを目的とした方法は、個人差を考慮に入れる必要があります。
行動科学は、個人差（アンケート、行動モデルなど）を測定する方法を提供しますが、これらはしばしば低次元に絞り込まれ、特定の予測タスクに合わせて調整されていません。
このペーパーでは、行動実験データからの個人差を測定するための表現学習の使用を調査します。
表現学習は、構造化（人口統計情報など）と構造化されていない（たとえば、無料テキスト）の両方のデータから個々の埋め込みを作成するための柔軟なアプローチを提供します。柔軟性は、パーソナライズのための個人差測定のためのより多くのオプションを提供する場合があります。
現在の論文では、表現学習を使用して、経済的意思決定タスクに対する人間のパフォーマンスの個人差を特徴付けます。
表現学習を使用して個人差をキャプチャするモデルは、表現学習なしでモデルよりも決定予測を一貫して改善し、これらの環境で使用される有名な理論ベースの行動モデルよりも優れていることを実証します。
私たちの結果は、表現学習が個人差をキャプチャするための便利で柔軟なツールを提供することを提案しています。

要約(オリジナル)

Human decision making can be challenging to predict because decisions are affected by a number of complex factors. Adding to this complexity, decision-making processes can differ considerably between individuals, and methods aimed at predicting human decisions need to take individual differences into account. Behavioral science offers methods by which to measure individual differences (e.g., questionnaires, behavioral models), but these are often narrowed down to low dimensions and not tailored to specific prediction tasks. This paper investigates the use of representation learning to measure individual differences from behavioral experiment data. Representation learning offers a flexible approach to create individual embeddings from data that are both structured (e.g., demographic information) and unstructured (e.g., free text), where the flexibility provides more options for individual difference measures for personalization, e.g., free text responses may allow for open-ended questions that are less privacy-sensitive. In the current paper we use representation learning to characterize individual differences in human performance on an economic decision-making task. We demonstrate that models using representation learning to capture individual differences consistently improve decision predictions over models without representation learning, and even outperform well-known theory-based behavioral models used in these environments. Our results propose that representation learning offers a useful and flexible tool to capture individual differences.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google