Towards Neural Network based Cognitive Models of Dynamic Decision-Making by Humans

在动态决策任务中建模人类认知过程一直是人工智能领域的一个努力方向。一些初步的工作尝试利用神经网络（和大型语言模型），但通常假设所有人都有一个共同的模型，并旨在模拟人类的总体行为。然而，每个人的行为都是独特的、异质的，并依赖于特定任务中的特定过去经验。为此，我们基于一个众所周知的认知模型——实例化学习（IBL），该模型认为决策是基于过去遇到的类似情况做出的。我们提出了两种新的基于注意力机制的神经网络模型，以模拟人类在动态环境中的决策过程。我们在从人类实验数据中收集的两个不同数据集上进行实验，一个集中于人类检测钓鱼邮件，另一个则是人类在网络安全设置中充当攻击者并决定攻击选项。我们对我们的两种神经网络模型、IBL和GPT3.5进行了广泛的实验，并证明了我们的其中一种神经网络模型在表示人类决策方面具有最佳性能。我们发现一个有趣的趋势是，所有模型都能更好地预测一个人在任务中表现得越好，那个人的决策就越好。我们还探索了基于我们的模型认为重要的因素来解释人类决策的方法。总的来说，我们的工作为神经网络在人类决策认知建模中的进一步应用提供了有希望的结果。我们的代码可在https://github.com/shshnkreddy/NCM-HDM上获得。

论文旨在利用神经网络模拟人类决策过程，特别是在动态决策任务中。研究者试图解决的问题是如何使用Instance Based Learning（IBL）模型来模拟人类决策，并比较其与其他神经网络模型和GPT3.5的表现。

论文的关键思路是使用两个基于注意力机制的神经网络模型来模拟人类决策，这两个模型都基于IBL模型，但一个是基于LSTM，另一个是基于Transformer。这两个模型相较于当前领域中的其他研究具有新意。

论文使用两个不同的数据集进行实验，一个是关于人类检测网络钓鱼邮件的数据集，另一个是关于人类在网络安全领域中作为攻击者进行攻击决策的数据集。实验结果表明，基于Transformer的神经网络模型在模拟人类决策方面表现最好。研究者还探索了模型对决策的解释，以及模型中哪些因素对预测决策最重要。此外，研究者还开源了代码。

最近的相关研究包括使用神经网络模型模拟人类决策的研究，以及使用LSTM和Transformer等不同类型的神经网络模型进行决策预测的研究。其中一些相关研究的论文标题包括“Modeling Human Decision Making in Dynamic Environments using Reinforcement Learning”和“Using Deep Learning to Model Human Decision Making Behavior”等。