İnsan Davranışını Yakalamak İçin Makine Öğrenim Modelinin Endüktif Önyargılar İle Beslenmesi
Araştırmacıların yaklaşımını özetleyen bir akış şeması. İlk olarak, psikolojiden geniş bir karar problemleri koleksiyonuna davranışsal bir model uygulayarak sentetik davranış verileri oluşturdular. Daha sonra, bu sentetik davranışı tahmin etmek için bir sinir ağı eğitmiş ve davranış modelini ağa etkili bir şekilde aktarmıştır. Ağ, sentetik verileri öğrenmeyi tamamladığında, gerçek insan verilerine göre ince ayar yaparak, bilişsel model üzerinde daha fazla gelişmesine ve daha iyi tahminler elde etmesine olanak verdi. /phys

İnsanların karar vermesinin; teorik olarak tahmin edilmesi ve tasdik edilmesi genellikle zordur. Bununla birlikte, son yıllarda, birkaç araştırmacı; karar vermeyi açıklamaya yönelik teorik modeller ve insan davranışını tahmin etmeye çalışan makine öğrenmesi (ML) modelleri geliştirmiştir. Bu modellerden bazıları ile ilgili kazanımlara rağmen, insan kararlarını doğru bir şekilde tahmin etmek önemli bir araştırma zorluğudur.

ML teknikleri karar verme tahmin problemleriyle başa çıkmak için ideal gözükebilir. Ancak teorik modeller tarafından yapılan tahminleri gerçekten geliştirip geliştiremeyecekleri hala belirsizdir. Kaliforniya Üniversitesi, Berkeley ve Princeton Üniversitesi’ndeki araştırmacılar; yakın zamanda ML’nin insan davranışını yakalamadaki etkinliğini araştıran bir çalışma yaptılar. Uluslararası Makine Öğrenimi Konferansı’nda sunulacak ve arXiv’de önceden yayımlanan makalelerinde, insan kararlarını tahmin etmek için ‘bilişsel model’ olarak adlandırdıkları yeni bir yaklaşım önerdiler.

David Bourgin: “ML, bazı bilimsel alanlarda fenomenleri öngörme yeteneğimizi değiştirdi. Ancak psikoloji ve iktisatta, tahmin amaçları için ML yaklaşımları hala nispeten nadirdir. Bunun bir nedeni, kullanıma hazır ML modellerinin yetiştirilmesi için önemli miktarda veri gerektirmesi ve davranışsal veri kümelerinin oldukça küçük olma eğiliminde olmasıdır. “

Makine öğrenimi çalışmalarında, küçük veri kümeleriyle ilgili standart meselelerin ele alınması yöntemi; olası çözümlerin alanını sınırlamaktır. Bununla birlikte, bu, özellikle sinir ağları ile çalışırken, küçük veri kümeleriyle başa çıkmak için yeterince genel ve kolay uygulanabilir bir yöntem olmadığından, her zaman basit bir görev değildir.

Bourgin: “Psikolojik teorilerden gelen bilgileri bir şekilde bir makine öğrenme modelinde endüktif önyargılı hale getirebilirsek, belirli davranışsal fenomenleri öngörme derecemizi geliştirebileceğimizi düşündük.”

Bourgin ve meslektaşları tarafından yürütülen çalışma, insan karar verme tahmini için ML çalışmasına iki önemli katkı yaptı. İlk olarak, araştırmacılar; bilişsel psikologlar tarafından geliştirilen yerleşik teorik modeller kullanılarak elde edilen sentetik verilerle ön eğitim sinir ağları içeren “bilişsel model öncelikleri” kavramını ortaya koymuşlardır. Bu yaklaşım onların eğitim için ilk büyük ölçekli veri setini (insan karar verme görevlerinde algoritmalar) sunmalarını sağlamıştır.

Araştırmacı Joshua Peterson: “Mevcut yaklaşımımız; insan davranışına ilişkin bilimsel teorileri sinir ağlarının esnekliği ile birleştirerek, insan riskli parasal kararlarını en iyi şekilde tahmin etmeye uyum sağlıyor. Bunu, bir davranışsal modeli, yaklaşık olarak bir sinir ağını eğitip, daha esnek bir forma dönüştürerek yapıyoruz. “

‘Bilişsel model önceliklerini’ kullanarak araştırmacılar; mevcut iki kıyaslama veri setinde en son teknolojik sonuçlara ulaşmışlardır. Bu bulgular, ML modelleri için, mevcut veri setleri küçük olsa bile, doğru karar verme tahminleri yapmanın mümkün olduğunu göstermektedir. Bu durumda, bilişsel modellerden elde edilen yapay verilerde ön eğitim modelleri ile bu başarılmıştır.

Burgaz: “Temel teorik katkımız psikolojik modeller ve makine öğrenme yaklaşımları arasında çeviri yapmanın genel bir yoludur.”

Çalışmalarında, Bourgin, Peterson ve meslektaşları; insan davranışını yakalamak için ML araçlarının çalışmasında, insan kararlarının iki sınırlı veri setinde eşi görülmemiş bir performans sergileyen yaklaşımları ile önemli ilerlemeler kaydettiler. Ayrıca, kendi ML modellerini eğitmek için diğer araştırma grupları tarafından kullanılabilecek 13.000 karar probleminde 240.000 insan yargısı içeren yeni bir veri seti sundu. Pratik açıdan bakıldığında, çalışmaları araştırmacılara; ML insan tahmin modellerinde veri toplamak için harcanan zamandan önemli ölçüde tasarruf sağlayabilir.

*Endüktif: Tümevarımsal

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

You May Also Like

Yapay Zekaya Klinik Sorular Sormayı Öğretmek

  Araştırmacılar, doktorların hastanın sağlık kaydındaki bilgileri daha verimli bir şekilde bulmasına…

Konuşma Temelli AI’nin Ürkütücülüğü Tam Olarak Sergilendi

Big Think’ten Louis Rosenberg Konuşma Temelli AI’yi anlattığı yazısında, Konuşma Temelli AI’nin…