与传统的时间序列不同,人类决策的动作序列通常涉及许多认知过程,如信仰,欲望,意图和心理理论,即其他人在思考。这使得预测人类决策使得妥善治疗依据潜在的心理机制。我们建议基于长期短期内存网络(LSTM)使用经常性神经网络架构,以预测人类受试者在其决策中的每一步中采取的行动的时间序列,这是在本研究中的第一次应用这些方法领域。在这项研究中,我们将迭代囚犯困境的8个发表文献中的人类数据整理,包括168,386个个别决定,并将它们的后处理到8,257个行为轨迹,每个球员都有9个动作。同样,我们从10种不同公开的IOWA赌博任务实验与健康人类受试者进行了617个行动的轨迹。我们培训我们的预测网络,从这些出版的人类决策心理实验的行为数据上,并展示了在最先进的方法中展示了预测人类决策在诸如爱荷华州的单一代理场景中的人工决策轨迹赌博任务和多代理场景,如迭代囚犯的困境。在预测中,我们观察到,顶部表演者的权重倾向于具有更广泛的分布,并且LSTM网络中的更大偏差,这表明可能对每个组采用的策略分配的可能解释。
translated by 谷歌翻译