Capturing the Complexity of Human Strategic Decision-Making with Machine Learning

理解人们在战略环境中的行为——即他们基于对他人行为的预期作出决策——是行为科学中长期存在的问题。我们进行了迄今为止最大规模的研究，研究了两人矩阵游戏中初始玩法的战略决策，分析了超过2,400个程序生成的游戏中的90,000个人类决策，这些游戏跨越了比以前数据集更广泛的空间。我们展示了一个深度神经网络在这些数据上训练后比主流的战略行为理论更能预测人们的选择，表明有系统性的变化不能被这些理论解释。然后，我们修改了网络以生成一个新的、可解释的行为模型，揭示了原始网络学习到的关于人类的知识：他们的能力和推理他人的能力取决于个体游戏的复杂性。这种上下文依赖性在解释偏离理性纳什均衡、反应时间和战略决策中的不确定性方面至关重要。更广泛地说，我们的结果展示了机器学习如何应用于预测以外的领域，进一步帮助生成复杂人类行为的新解释。

论文旨在解决人们在战略决策中的行为模式问题，验证当前领域的理论是否能准确预测人类的决策。

通过对超过2,400个程序生成的游戏中的90,000个人类决策进行分析，建立深度神经网络模型，该模型能够比当前领域的理论更准确地预测人类的决策，并揭示了人类在不同游戏复杂度下的反应能力和对他人行为的推理能力的差异。

论文使用了大规模的数据集进行实验，并开发了一个新的可解释的行为模型，进一步解释了人类行为中的复杂性和不确定性。论文的方法可以应用于其他领域，帮助生成关于人类行为的新解释。

最近的相关研究包括：《The Evolution of Trust》、《The Behavioral Economics Guide》、《Game Theory》等。