ریاضیات، معمار جدید رفتار انسان
یک مطالعه جدید نشان می‌دهد که مدل‌های ریاضی می‌توانند تصمیمات انسانی را موثرتر از راهبردهای روان‌شناختی سنتی شکل دهند. محققان «مهندسی انتخاب»، یک جایگزین داده‌محور برای «معماری انتخاب»، که به اکتشافات و شهود متکی است، معرفی کردند.
در یک چالش دانشگاهی جهانی، مدل‌هایی مانند CATIE که برای انعکاس روندهای رفتاری واقعی طراحی شده‌اند، از راهبردهای شهودی و ابزارهای استاندارد یادگیری ماشین بهتر عمل کردند. موفقیت این مدل‌های محاسباتی نشان می‌دهد که رفتار را می‌توان دقیقا با استفاده از رویکردهای سیستماتیک و بهینه تحت تاثیر قرار داد.این پژوهش به رهبری پروفسور یوناتان لوونشتاین از مرکز علوم مغز صفرا و با همکاری دکتر اوری پلونسکی و دکتر اوهاد دن از دانشگاه ییل، مفهوم جدیدی را معرفی می‌کند: مهندسی انتخاب.این مطالعه، بین دو رویکرد برای تاثیرگذاری بر رفتار تمایز قائل می‌شود.
رویکرد نخست، که به عنوان معماری انتخاب شناخته می‌شود، از زمان دریافت جایزه نوبل اقتصاد توسط یکی از پیشگامان آن، ریچارد تالر، در سال ۲۰۱۷ محبوبیت گسترده‌ای پیدا کرده است؛ به خصوص با ظهور تیم‌های بینش رفتاری (نظریه تلنگر) در دولت‌های سراسر جهان. معماری انتخاب برای هدایت ظریف تصمیمات به اصول روان‌شناختی مانند اولویت، لنگر انداختن یا اکتشافات شهودی متکی است.
رویکرد دوم که توسط محققان پیشنهاد شده است، مهندسی انتخاب است: روشی که از مدل‌های محاسباتی و تکنیک‌های بهینه‌سازی برای شکل‌دهی سیستماتیک رفتار با دقت استفاده می‌کند.
چگونگی آزمایش
بیش از 3000 شرکت‌کننده در این آزمایش شرکت کردند و هرکدام در معرض یکی از چندین استراتژی پاداش قرار گرفتند. برخی استراتژی‌ها بر اساس شهود و بینش‌های روان‌شناختی ساخته شده بودند، درحالی‌که برخی دیگر با استفاده از مدل‌های محاسباتی طراحی شده بودند.موثرترین برنامه بر اساس یک مدل محاسباتی به نام CATIE (میانگین مشروط، روند، اینرسی و اکتشاف) بود که توسط دکتر اوری پلونسکی به همراه پروفسور ایدو ارف طراحی شده‌بود.این مدل، گرایش‌های رفتاری چندگانه را در یک چارچوب پیش‌بینی یکپارچه ادغام می‌کند. این استراتژی مبتنی بر CATIE به طور قابل توجهی از راهبردهای مبتنی بر مدل یادگیری ماشینی پرکاربرد Q-leaning و استراتژی‌هایی که صرفا بر اساس شهود کیفی شکل گرفته‌اند، بهتر عمل کرده است.
یافته‌ها
یافته‌ها نشان می‌دهندکه رفتار را می‌توان با دقت شگفت‌انگیزی مهندسی کرد؛ زمانی که توسط مدل‌های به‌خوبی کالیبره‌شده، هدایت شوند.
پروفسور لوونشتاین گفت: «مطالعه ما نشان می‌دهد همان‌طور که مهندسان از مدل‌های ریاضی برای ساخت پل‌ها یا طراحی هواپیما استفاده می‌کنند، می‌توانیم از مدل‌های یادگیری و تصمیم‌گیری برای تاثیرگذاری بر رفتار به طور قابل اعتماد و کارآمد، استفاده کنیم.»
این مطالعه همچنین روش جدیدی برای ارزیابی مدل‌های شناختی ارائه می‌دهد؛ نه تنها از طریق قدرت توضیحی آنها، بلکه از طریق اثربخشی آنها در شکل‌دهی به تصمیمات دنیای واقعی.
کاربردها
پیامدهای این امر بسیار گسترده است. از زمینه‌هایی در آموزش و بهداشت عمومی گرفته تا طراحی و سیاست‌گذاری دیجیتال، مهندسی انتخاب می‌تواند توسعه مداخلات تجربی بهینه و مقیاس‌پذیر را امکان‌پذیر کند.در کنار کاربردهای مثبت اما محققان خاطرنشان می‌کنند که چارچوب‌های اخلاقی برای هدایت کاربرد مسئولانه این ابزارها ضروری است.به عنوان اثباتی بر این مفهوم، پژوهش مذکور پتانسیل نوظهور مدل‌سازی ریاضی در علوم شناختی را نه‌تنها برای درک رفتار بلکه برای هدایت فعالانه آن برجسته می‌کند.
آیسا اسدی - روزنامه‌نگار
رویکرد نخست، که به عنوان معماری انتخاب شناخته می‌شود، از زمان دریافت جایزه نوبل اقتصاد توسط یکی از پیشگامان آن، ریچارد تالر، در سال ۲۰۱۷ محبوبیت گسترده‌ای پیدا کرده است؛ به خصوص با ظهور تیم‌های بینش رفتاری (نظریه تلنگر) در دولت‌های سراسر جهان. معماری انتخاب برای هدایت ظریف تصمیمات به اصول روان‌شناختی مانند اولویت، لنگر انداختن یا اکتشافات شهودی متکی است.
رویکرد دوم که توسط محققان پیشنهاد شده است، مهندسی انتخاب است: روشی که از مدل‌های محاسباتی و تکنیک‌های بهینه‌سازی برای شکل‌دهی سیستماتیک رفتار با دقت استفاده می‌کند.
چگونگی آزمایش
بیش از 3000 شرکت‌کننده در این آزمایش شرکت کردند و هرکدام در معرض یکی از چندین استراتژی پاداش قرار گرفتند. برخی استراتژی‌ها بر اساس شهود و بینش‌های روان‌شناختی ساخته شده بودند، درحالی‌که برخی دیگر با استفاده از مدل‌های محاسباتی طراحی شده بودند.موثرترین برنامه بر اساس یک مدل محاسباتی به نام CATIE (میانگین مشروط، روند، اینرسی و اکتشاف) بود که توسط دکتر اوری پلونسکی به همراه پروفسور ایدو ارف طراحی شده‌بود.این مدل، گرایش‌های رفتاری چندگانه را در یک چارچوب پیش‌بینی یکپارچه ادغام می‌کند. این استراتژی مبتنی بر CATIE به طور قابل توجهی از راهبردهای مبتنی بر مدل یادگیری ماشینی پرکاربرد Q-leaning و استراتژی‌هایی که صرفا بر اساس شهود کیفی شکل گرفته‌اند، بهتر عمل کرده است.
یافته‌ها
یافته‌ها نشان می‌دهندکه رفتار را می‌توان با دقت شگفت‌انگیزی مهندسی کرد؛ زمانی که توسط مدل‌های به‌خوبی کالیبره‌شده، هدایت شوند.
پروفسور لوونشتاین گفت: «مطالعه ما نشان می‌دهد همان‌طور که مهندسان از مدل‌های ریاضی برای ساخت پل‌ها یا طراحی هواپیما استفاده می‌کنند، می‌توانیم از مدل‌های یادگیری و تصمیم‌گیری برای تاثیرگذاری بر رفتار به طور قابل اعتماد و کارآمد، استفاده کنیم.»
این مطالعه همچنین روش جدیدی برای ارزیابی مدل‌های شناختی ارائه می‌دهد؛ نه تنها از طریق قدرت توضیحی آنها، بلکه از طریق اثربخشی آنها در شکل‌دهی به تصمیمات دنیای واقعی.
کاربردها
پیامدهای این امر بسیار گسترده است. از زمینه‌هایی در آموزش و بهداشت عمومی گرفته تا طراحی و سیاست‌گذاری دیجیتال، مهندسی انتخاب می‌تواند توسعه مداخلات تجربی بهینه و مقیاس‌پذیر را امکان‌پذیر کند.در کنار کاربردهای مثبت اما محققان خاطرنشان می‌کنند که چارچوب‌های اخلاقی برای هدایت کاربرد مسئولانه این ابزارها ضروری است.به عنوان اثباتی بر این مفهوم، پژوهش مذکور پتانسیل نوظهور مدل‌سازی ریاضی در علوم شناختی را نه‌تنها برای درک رفتار بلکه برای هدایت فعالانه آن برجسته می‌کند.
آیسا اسدی - روزنامه‌نگار