alternative_right 分享了 Phys.org 的一篇报道：普林斯顿大学、波士顿大学和其他机构的研究人员利用机器学习预测人类在各种游戏中的战略决策。他们发表在《自然-人类行为》杂志上的论文表明，一个以人类决策为训练基础的深度神经网络可以高度准确地预测玩家的战略选择。[…] 本质上，该团队认为，人们在玩他们认为更容易的游戏时会表现得更理性。相比之下，在玩更复杂的游戏时，人们的选择可能会受到各种其他因素的影响，因此影响他们行为的“噪音”会增加。作为未来研究的一部分，研究人员还希望进一步阐明游戏“复杂”或“简单”的原因。这可以通过使用他们集成到模型中作为“感知难度”标志的情境相关噪音参数来实现。“我们的分析为广泛的决策候选模型提供了稳健的模型比较，”[论文第一作者朱建桥] 说道。 “我们现在有强有力的证据表明，在量子反应模型中引入情境依赖性可以显著提高其捕捉人类战略行为的能力。更具体地说，我们确定了博弈矩阵中影响博弈复杂性的关键因素：效率考量、计算收益差异的算术难度，以及得出合理解所需的推理深度。” 这项最新研究的发现也凸显了许多人处理战略决策时的“轻率”，这可能使他们容易受到试图诱导他们做出非理性决策的各方的影响。一旦他们更深入地了解哪些因素使博弈和决策场景对人们更具挑战性，朱和他的同事们希望开始设计新的行为科学干预措施，旨在促使人们做出更理性的决策。
在 Slashdot 上阅读更多内容。