不久前，美国学者乔舒亚·彼得森等人发表于《科学》的文章，系统地比较了“大模型”与“小模型”（如前景理论）对风险决策行为的预测能力。结果发现，深度神经网络的预测能力比前景理论高出几个能级。研究者首先针对10000多个不同的选择问题（涉及概率货币回报的赌博，超过了先前数据集的大小）和人类最终在这些问题中作出的决定，来训练深度神经网络，发现这种网络能够以非常高的准确率模拟人类决策，大大优于现有的（人为）风险选择模型。
“在我与南丹麦大学教授Pantelis Analytis和宾夕法尼亚大学教授Sudeep Bhatia共同完成的另一项研究中，通过群体智慧算法整合不同的认知与情感因素，我们发现这样的集成模型能显着地提高对决策行为的预测能力。”何黎胜说，“这里的集成模型也是一种‘大模型’，它的预测精度也超过了前景理论。”
前景理论提出至今，给后续研究带来极大的启发，成为决策科学中的经典研究。当前，研究人员在此基础上，利用人工智能和大数据算法，一方面不断完善前景理论，另一方面通过新的技术方法不断拓展决策理论的边界，提高预测精度。
实现决策智能化
“经过学习和训练，深度神经网络能够模仿人类的行为，它甚至可以像人类在做选择时会有不理性的行为那样，表现出非理性。”Sudeep Bhatia告诉《中国科学报》，“因此，用它来预测人类决策行为会大大提高预测精度。”
“人工智能、认知神经科学的发展，将为心理学、决策科学的发展提供有力的研究手段。”何黎胜说，“得益于学术界和工业界的大模型投入，近年来人工智能和认知神经科学发展迅速，涌现出大量的开创性研究，也为其他学科提供了成熟的研究工具。”
何黎胜认为，在决策研究中，研究人员会研究不同类型的决策，像风险决策、跨期决策、社会决策、博弈决策等。目前，对这些不同决策类型的研究和建模工作通常相互独立。然而，从认知的角度，不同的决策类型必然有互闻共通的认知与情感机制。“而不同决策类型之间互闻共通的建模研究还非常稀缺，未来完全有可能通过与人工智能、认知神经科学融合，实现不同决策类型的互闻建模。”
|
