В новом исследовании использовались компактные нейронные сети для раскрытия механизмов, лежащих в основе принятия решений человеком.
Ученые давно изучают, как люди и животные принимают решения, часто рассматривая, как недавний опыт и метод проб и ошибок формируют поведение. Однако традиционные модели могут упускать ключевые аспекты процесса принятия решений, в основном потому, что они исходят из предположения, что индивиды всегда стараются выбрать наиболее логичный или выгодный вариант, основываясь на результатах прошлого.
В новом исследовании ученые применили иной подход, использовав искусственный интеллект для более реалистичного изучения процесса принятия решений. Они создали небольшие искусственные нейронные сети, чтобы выяснить, что на самом деле влияет на выбор человека, независимо от того, эффективны эти решения или нет.
«Вместо того чтобы предполагать, как мозг должен учиться для оптимизации наших решений, мы разработали альтернативный подход, чтобы выяснить, как мозг каждого отдельного человека на самом деле учится принимать решения», — объясняет Марсело Маттар, доцент кафедры психологии Нью-Йоркского университета и один из авторов статьи, опубликованной в журнале Nature. «Этот подход работает как детектив, раскрывая, как на самом деле животные и люди принимают решения. Используя крошечные нейронные сети — достаточно маленькие, чтобы их можно было понять, но достаточно мощные, чтобы улавливать сложное поведение, — мы обнаружили стратегии принятия решений, которые ученые упускали из виду на протяжении десятилетий».
Малые сети — большие открытия
Авторы исследования отмечают, что малые нейронные сети — упрощенные версии нейросетей, обычно используемых в коммерческих ИИ-приложениях, — могут предсказывать выбор животных гораздо лучше, чем классические когнитивные модели, которые предполагают оптимальное поведение. Это связано с их способностью выявлять субоптимальные модели поведения. В лабораторных условиях эти прогнозы так же хороши, как и прогнозы, сделанные более крупными нейронными сетями, подобными тем, что лежат в основе коммерческих ИИ-приложений.
«Преимущество использования очень маленьких сетей заключается в том, что они позволяют нам применять математические инструменты для легкой интерпретации причин или механизмов, стоящих за выбором индивида. Сделать это было бы сложнее, если бы мы использовали большие нейронные сети, как в большинстве ИИ-приложений», — добавляет соавтор Цзи-Ань Ли, аспирант программы по нейронаукам Калифорнийского университета в Сан-Диего.
«Большие нейронные сети, используемые в ИИ, очень хорошо справляются с прогнозированием», — говорит соавтор Маркус Бенна, доцент кафедры нейробиологии Школы биологических наук Калифорнийского университета в Сан-Диего. «Например, они могут предсказать, какой фильм вы захотите посмотреть следующим. Однако очень сложно кратко описать, какие стратегии используют эти сложные модели машинного обучения для своих прогнозов — например, почему они считают, что один фильм вам понравится больше другого. Обучая простейшие версии этих моделей ИИ предсказывать выбор животных и анализируя их динамику с помощью методов из физики, мы можем пролить свет на их внутренние механизмы в более понятных терминах».
За пределами лаборатории: применение в реальном мире
Понимание того, как животные и люди учатся на собственном опыте принимать решения, является не только основной целью в науке, но и, в более широком смысле, полезно в сферах бизнеса, государственного управления и технологий. Однако существующие модели этого процесса часто не способны отразить реалистичное поведение, поскольку нацелены на описание оптимального принятия решений.
В целом, модель, описанная в новой статье в Nature, соответствовала процессам принятия решений у людей, приматов и лабораторных крыс. Примечательно, что модель предсказывала субоптимальные решения, тем самым лучше отражая «реальную» природу принятия решений — в отличие от предположений традиционных моделей, которые сфокусированы на объяснении оптимального поведения. Более того, модель ученых из Нью-Йоркского университета и Калифорнийского университета в Сан-Диего смогла предсказывать принятие решений на индивидуальном уровне, показывая, как каждый участник использует различные стратегии для достижения своих решений.
«Подобно тому, как изучение индивидуальных различий в физических характеристиках произвело революцию в медицине, понимание индивидуальных различий в стратегиях принятия решений может преобразить наш подход к психическому здоровью и когнитивным функциям», — заключает Маттар.
Читайте также: Искусственный интеллект и афазия: неожиданные параллели между ошибками ИИ и человеческим мозгом
Комментировать можно ниже в разделе “Добавить комментарий”.