个性化选择的机器学习和行为经济学

了解“确定轻推”为何不起作用，以消除阿曼进入模型学习循环的可能性，这将是有利的。在部署模型的同时，由于多种原因，还应不断测试其有效性。第一个原因是模型衰变导致模型缓慢地向不太普遍的解决方案发展。这可能是由于接收漂移，即。，改变了我们对数据的解释方式，但也由于之前未看到的数据种类和标签含义的差异，这可能导致决策边界的转移。第二个原因是轻推爬行，也就是说，受到轻推并意识到这一点的人会调整自己的行为，以中和学习的影响。第三个原因是轻推的效果。例如，减肥激励措施可能只对具有特定生活方式或饮食习惯的肥胖者有效。如果这项研究奏效了，而这个人实际上减肥了，可能是因为生活方式或饮食习惯的改变，那么对同一个人再次使用同样的轻推可能会产生更大的效果。最后，重要的是收集并纳入个人历史数据，以改进模型训练。五、 挑战者。数据可用性和扩充应用机器学习方法的成功取决于可靠和无偏差数据的可用性，这些数据包含信息变量。根据ML任务的不同，所需的数据量可能在数百到数百万条记录之间。为了确定结果的可信度，通常需要大规模和高分辨率的数据。然而，进行个性化预测所需数据的必要维度尚不完全清楚。

数据维度的增加不会自动产生更好的预测，有必要对哪些变量最具预测性进行一些概念性的洞察。不同的利益相关者都可以获得一些数据，例如，公众的社会经济数据、商店的食品购买、医生的处方记录、医院的医疗记录等。随机对照试验，在受试者被随机分配不同干预措施的情况下，有一个未被轻推的对照组被广泛用于设计最佳轻推策略。这些研究的数据，如果可以公开获得，将是这里描述的个性化干预的理想选择【5】。这些试验带来了自己的一系列挑战和偏见，需要进行评估。也可以交替使用调查数据。如果可用数据有限，并且其使用导致预测能力低的模型，那么也可以考虑数据扩充。在数据扩充中，通过数据操作重新引入现有数据集的小变化。例如，扭曲或向顶点添加噪声有助于获得更好的图像识别模式ls。虽然这种方法对于图像识别等简单任务非常有效，但应用数据增强来描述人类行为并不简单。目前尚不清楚哪些特征、在多大程度上可以被操纵，以及这种操纵是否不受道德约束。将数据扩充应用于分析人类行为并为决策提供基础的机器学习问题，预计将直接影响人们，这值得考虑和仔细研究。B

人工智能的伦理、模型的可解释性和意外后果对ML a算法和结果模型的公平性的衡量标准进行了激烈的辩论，理解与每一个采用的衡量标准相关的权衡对于做出明智的决策至关重要【84，85】。将机器学习算法应用于有限且固有偏差的数据可能会放大反映社会经济类型的歧视性偏差[71，86]。从数据中消除这些偏见可能是很困难的，如果我们想拥有一种技术，将我们带到一个更公平的社会，那么就需要设计工作回合。无论激励和经济力量如何，都不应通过维护代理权和控制权来表达对基本人权的尊重和尊重——我们应该不受不必要的操纵，并且能够在任何时候行使我们的自由意志。Jon Kleinberg等人[87，90]指出，在某些情况下，数据科学和机器学习可以根据人口数据发现行为类型变量，这些变量可用于识别偏差，并帮助预测个体层面的结果。在其他情况下，我们可能需要牺牲效用以实现更高的公平性。我们需要解释、理解和解释ML模型规定的解决方案【39、91–93】，以确定失调激励的后果。即使我们的“黑匣子”工具比实践者做出更好的预测，我们仍然要对预测的预期后果负责，将危害最小化应该是优先考虑的。像本地可解释模型不可知解释（LIME）[92]这样的框架可以深入了解机器学习模型如何做出决策，这对于人类非专家来说是可读的。

在个性化建议的背景下，主要的挑战将是个性化预测的可解释表示的可用性，而不是整个模型行为。这一挑战需要解决，以不断改进模型，使其对受推动的主体和决策者可信。在个性化干预的背景下，错误规定的轻推通常不得比在所有情况下不轻推更糟糕。轻推也应该是公平的——我们应该真诚地尝试解决一个与人们的情况无关的问题。可能需要计算机科学家和拥有问题相关知识的利益相关者之间的紧密合作，以超越简单的预测，转向因果推理，从而建立更好的模型。由于文化和人口统计学的差异，机器和机器决策可能会以非预期的方式塑造人类行为，其基础是它们在何处以及如何部署，从而产生新的社会问题[97]。通过对目标人群的特定子集应用个体化冲动（轻推），精确轻推可能会对集体行为产生不道德的影响和利用【98，99】。这可能会导致类似于观察到的无生命的群集行为，以及在特定条件下人类的放牧行为[101，10 2]。为了缓解这种情况，需要仔细研究和评估对机器学习模型进行对抗性攻击的可能性[79103104]，以防止第三方在竞争激励下的干扰。六、 精确推动应用对于实验经济学家来说，重要的是要确定实验室内的行为是否是实验室外行为的良好指标【105–107】。最终，我们需要能够很好地推广到现实世界的模型。

在自然环境中，一个人的行为和决定将基于人格特征和情境背景的复杂组合。一些轻推甚至可能产生不利影响，正如过去的实验所证明的那样【5】。事实上，根据这些发现，基于个人财富等单一变量的人口细分可能已经提高了某些干预措施的效率。反过来，应用基于ML模型预测的个性化干预可以提高我们决策的总体效用。下面我们列出了如何应用精确微调的选定示例。该列表并非详尽无遗。A、 移动用户行为多年来，通过跟踪每个用户的行为，包括具有某些共性的用户的群体行为，在移动应用中使用了微目标和分配干预措施【10 8】。在预测用户下一步可能做什么时，通常甚至在用户做出决定之前就进行干预。这可以再推进一步——通过分析许多用户的行为，可以更精确地选择轻推。B、 公司政策一家大型企业进行了现场实验，以衡量免费现场诊所对员工收到流感疫苗接种提示的影响。敏锐的提示导致了统计上不同的接种率【109】。机器学习可以潜在地用于预测dic t，提示将适用于哪位员工，并将“精确推动”的员工接种率与从研究中获得的对照值进行比较。C、 营养学虽然普遍饮食的理念正在被个性化营养学所取代，而个性化营养学旨在根据我们的基因组成、生理学、习惯、肠道微生物群等诱导对食物的个性化反应。

【110】，同样重要的是确保实际食用规定的食物。为此，需要设计个性化的推送，以便特定的人可以食用一系列食物。一般的轻推在针对人群饮食习惯或健康习惯时已经被证明是有效的，但其对速度较慢的个体的影响却鲜为人知。D、 医疗保健由于不遵守出院协议，sur geryare术后再次入院的主要原因。如果患者在医院外没有坚持规定的治疗，则整个医疗干预将受到严重影响。机器学习模型可以预测哪些精确推送最有效地服务于出院患者，这将显著降低这一成本。由于再入院数据可用，因此很容易将不同医疗保健提供者采用的不同类型的推送与再入院率相关联，并查看患者的数据是否可以提供线索，说明特定患者是否愿意遵循不同的临床建议，即推送。为了降低医疗成本，每个人都应该以不同的方式采取一套适合其环境、居住地、健康记录、社会习俗和个人偏见等变量的健康行为。挑战在于找出哪些数据最具意义，哪些变量将是机器学习模型设计个性化推送的强大预测功能。E、 自然保护主义者希望利用行为科学工具包来解决尚未解决的复杂野生动物保护问题【111】。守恒是一个行为问题，人们已经提出了一个从行为经济学中提取的微动概念，但尚未得到验证。

使用特定的轻推是否实现了目标行为将很难评估，但它可以为ML提供丰富的数据。由于保护是一个复杂的问题，轻推自利的个体可能是一个很好的策略。七、结论决策推动是一个将行为经济学原理与机器学习和人工智能方法相结合的新研究领域。它将影响我们如何做出决策和设计公共政策；这是一种极端的自由主义家长主义。与其寻找“一刀切”的解决方案，不如寻找能概括overeach和目标人群中每个成员的模型。这种方法可能需要重新表述在choice ar体系结构研究中通常提出的问题，并且需要依赖大量可靠的数据集。公共记录的数字化和数据收集的普及将有所帮助。在某些情况下，可以设计调查和实验来获得适当的数据。由于行为可以预测行为，获取时间相关变量可能非常有价值。个性化干预可能会消除我们决策过程中固有的偏见。将机器学习与行为经济学相结合，可以让经济学家进行实验，并验证基本选择机制的假设。这样的实验应该是背景不可知且易于处理的。重要的是，机器学习模型是否具有足够的通用性，以提供个性化的干预。如果能做到这一点，精密微动可以成为一种通用技术，可以应用于我们今天面临的许多问题。如果被证明具有广泛的效果，那么精准推动将成为决策、金融、医疗保健、教育和许多其他领域工作流程中人类决策的一种手段。八、

作者的贡献构思并计划了这项研究。呃，是Nt写的手稿。[1] 理查德·诺伊斯塔特（Richard Neustadt）和欧内斯特·梅（Ernest May），《思考时间：决策者对历史的利用》（the uses of history for decision makers，Free Press Collier Macmillan，New York London，1986）。[2] 鲍勃·苏（BobSuh），《哈佛商业评论》（Harvard Business Review）（2019），访问日期2019-05-19，“销售团队不擅长预测。以下是解决方法”。[3] Peter A Coclanis，“太多的理论导致经济学家做出错误的预测”，Wired（2019），访问时间2019-05-20。[4] 卡尔·波普尔，《历史主义的贫困》（Ark，Lon don，1986）。[5] David Halpern，《推动单元内部：微小的变化如何产生巨大的差异》（WH Allen，L on don，2016）。[6] Steven D Levitt和John列出了一份清单，《经济学人》，科学319909–910（2008年）。[7] 理查德·泰勒，《行为不端：行为经济学的形成》，商业/经济学（W.W。