فك تشفير تحيز البيانات – يكشف التعلم الآلي عن الشقوق في الخيارات المحفوفة بالمخاطر البشرية

غاص باحثون من الجامعة التقنية في دارمشتات ومركز الحessian للذكاء الاصطناعي في ألمانيا في العلاقة المعقدة بين مجموعات البيانات والنماذج لفهم الخيارات المحفوفة بالمخاطر البشرية. 

تسلط نتائجهم، المنشورة في مجلة Nature Human Behaviour، الضوء على وجود تحيز البيانات، مما يضيء الفروق الدقيقة في سلوكيات القرار بين المشاركين في التجارب عبر الإنترنت والتجارب المعملية. باستخدام تقنيات متقدمة للتعلم الآلي، لم يحدد الباحثون التحيز فحسب، بل اقترحوا أيضاً نموذجاً هجيناً جديداً لسد الفجوة الناتجة عن زيادة ضوضاء القرار في مجموعات البيانات عبر الإنترنت.

التفاعل بين مجموعات بيانات القرار ونماذج التعلم الآلي

يعد فهم التفاعل بين مجموعات بيانات القرار ونماذج التعلم الآلي (ML) أمراً حاسماً في فك تعقيدات اتخاذ القرارات البشرية. يفحص البحث الذي أجرته الفريق الألماني هذه العلاقة بشكل منهجي، مستخدماً ثلاث مجموعات بيانات مميزة: مسابقة التنبؤ بالاختيار 2015 (CPC15)، ومسابقة التنبؤ بالاختيار 2018 (CPC18)، وChoices13k. 

تمثل هذه المجموعات طيفاً من الخيارات التي اتخذها المشاركون في كل من البيئات المعملية الخاضعة للرقابة والتجارب عبر الإنترنت واسعة النطاق. استخدم فريق البحث نماذج مختلفة للتعلم الآلي، بما في ذلك الأساليب الكلاسيكية وهياكل الشبكات العصبية، لتدريبها على هذه المجموعات لاكتساب رؤى حول اختلافات الأداء والتحيزات.

وعمقاً في ذلك، وجد البحث أن النماذج المدربة على مجموعة بيانات Choices13k، التي تشير إلى التجارب عبر الإنترنت، أظهرت تعميماً ضعيفاً عند تطبيقها على مجموعات البيانات المعملية الأصغر (CPC15 وCPC18). وبالمثل، لم تنقل النماذج المدربة على CPC15 قوتها التنبؤية بسلاسة إلى مجموعة بيانات Choices13k، مما يكشف عن تحيز منهجي في البيانات. 

أشار هذا التحيز إلى اختلافات ملحوظة في سلوكيات الاختيار بين المشاركين في التجارب المعملية والمشاركين عبر الإنترنت. تؤكد هذه النتائج على أهمية الاعتراف بتحيز البيانات ومعالجته، خاصة عند التعامل مع سياقات ومصادر بيانات متنوعة.

فك تشفير تحيز البيانات

يثير الكشف عن تحيز البيانات تحقيقاً أعمق في جذوره وتداعياته. اكتشف البحث أن النماذج المدربة على مجموعة بيانات Choices13k أظهرت تردداً في التنبؤ بالنسب القصوى للاختيارات، مما يشير إلى نمط قرار مميز لدى المشاركين عبر الإنترنت مقارنة بنظرائهم في المختبر. 

لفك تشفير مصدر هذا التحيز، حلل الباحثون بعناية ميزات المقامرة التي كانت تنبؤية بالفرق في سلوك الاختيار بين مجموعات البيانات. باستخدام تقنيات مثل الانحدار الخطي وSHapley Additive exPlanations (SHAP)، قاموا بكمية أهمية كل ميزة. وبشكل مفاجئ، لعبت الميزات من أدبيات علم النفس والاقتصاد السلوكي، مثل الهيمنة العشوائية، واحتمال الفوز، والفرق في القيمة المتوقعة، دوراً محورياً في التأثير على التحيز.

هذه الميزات، التي تدور جميعها حول درجة توقع أن تحقق مقامرة واحدة عائدًا أعلى مقارنة بأخرى، أكدت تعقيد اتخاذ القرارات البشرية. ومن المهم أن سلطت الدراسة الضوء على أن سلوك الاختيار في مجموعة بيانات Choices13k بدا أقل حساسية لهذه الميزات منه في مجموعة بيانات CPC15، مما يشير إلى أن المشاركين عبر الإنترنت أظهروا المزيد من الضوضاء أو اللامبالاة في قراراتهم. يضع هذا الفهم الدقيق لتحيز البيانات وجذوره الأساس لتطوير استراتيجيات للتخفيف من تأثيره وتحسين النماذج التنبؤية في سياقات اتخاذ القرارات المتنوعة.

تحليل الميزات واقتراح نموذج هجين

مع فهم شامل لتحيز البيانات وتداعياته، اقترح الباحثون حلاً جديداً – نموذجاً هجيناً. هدف هذا النموذج إلى معالجة ضوضاء القرار المتزايدة التي لوحظت في مجموعات البيانات عبر الإنترنت، مقدماً نموذجاً توليدياً احتمالياً إلى جانب شبكة عصبية مدربة على مجموعة بيانات CPC15. افترض النموذج التوليدي الاحتمالي أن نسبة من المشاركين في التجربة عبر الإنترنت كانوا يتخذون تخمينات عشوائية، بينما اتبع المشاركون الآخرون أنماط القرار المتعلمة من مجموعة البيانات المعملية.

أدى دمج هذا النموذج الهجين إلى تحسين دقة التنبؤ بشكل كبير وتقليل الفروق الملاحظة مع الشبكة العصبية التقليدية المدربة حصرياً على مجموعة بيانات CPC15. لم يوفر هذا النهج المبتكر حلاً عملياً لمشكلة تحيز البيانات فحسب، بل سلط الضوء أيضاً على أهمية مراعاة الخصائص الفريدة لمجموعات البيانات عبر الإنترنت في تطوير نماذج تنبؤية دقيقة وقوية لاتخاذ القرارات البشرية.

أظهر البحث العلاقة المعقدة بين نماذج التعلم الآلي ومجموعات بيانات القرارات البشرية، مع التأكيد على وجود وتحيز البيانات. سلطت الدراسة الضوء على التحديات التي يفرضها الاعتماد حصرياً على مجموعات البيانات عبر الإنترنت واسعة النطاق لفهم النظريات العامة لاتخاذ القرارات البشرية.

أكد على ضرورة نهج متوازن، يجمع بين تقنيات التعلم الآلي، وتحليل البيانات، والاستدلال القائم على النظرية للتنقل في تعقيدات الخيارات المحفوفة بالمخاطر البشرية. ومع يفتح البحث آفاقاً للاستكشاف المستقبلي، تظهر أسئلة: كيف يمكننا تحسين والتحقق من صحة نماذج التعلم الآلي لمراعاة التباين والضوضاء الكامنة في البيانات عبر الإنترنت، مما يمهد الطريق لفهم أكثر متانة لاتخاذ القرارات البشرية عبر سياقات وإعدادات تجريبية مختلفة؟ تستمر رحلة الإجابات، مما يحث الباحثين على استكشاف وتحسين ودمج الأطر النظرية والتحليلية لفك ألغاز اتخاذ القرارات البشرية في عصر رقمي متزايد.