یک مطالعه جدید نشان می دهد که مدل های ریاضی می توانند تصمیمات انسانی را موثرتر از راهبردهای روان شناختی سنتی شکل دهند. محققان «مهندسی انتخاب»، یک جایگزین داده محور برای «معماری انتخاب»، که به اکتشافات و شهود متکی است، معرفی کردند.

در یک چالش دانشگاهی جهانی، مدل هایی مانند CATIE که برای انعکاس روندهای رفتاری واقعی طراحی شده اند، از راهبردهای شهودی و ابزارهای استاندارد یادگیری ماشین بهتر عمل کردند. موفقیت این مدل های محاسباتی نشان می دهد که رفتار را می توان 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 می کند: مهندسی انتخاب.این مطالعه، بین دو رویکرد برای تاثیرگذاری بر رفتار تمایز قائل می شود.

رویکرد نخست، که به عنوان معماری انتخاب شناخته می شود، از زمان دریافت جایزه نوبل اقتصاد توسط یکی از پیشگامان آن، ریچارد تالر، در سال 2017 محبوبیت گسترده ای پیدا کرده است؛ به خصوص با ظهور تیم های بینش رفتاری (نظریه تلنگر) در دولت های سراسر جهان. معماری انتخاب برای هدایت ظریف تصمیمات به اصول روان شناختی مانند اولویت، لنگر انداختن یا اکتشافات شهودی متکی است.

رویکرد دوم که توسط محققان پیشنهاد شده است، مهندسی انتخاب است: روشی که از مدل های محاسباتی و تکنیک های بهینه سازی برای شکل دهی سیستماتیک رفتار با دقت استفاده می کند.

بیش از 3000 شرکت کننده در این آزمایش شرکت کردند و هرکدام در معرض یکی از چندین استراتژی پاداش قرار گرفتند. برخی استراتژی ها بر اساس شهود و بینش های روان شناختی ساخته شده بودند، درحالی که برخی دیگر با استفاده از مدل های 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 شده بود.این مدل، گرایش های رفتاری چندگانه را در یک چارچوب پیش بینی یکپارچه ادغام می کند. این استراتژی مبتنی بر CATIE به طور قابل توجهی از راهبردهای مبتنی بر مدل یادگیری ماشینی پرکاربرد Q-leaning و استراتژی هایی که صرفا بر اساس شهود کیفی شکل گرفته اند، بهتر عمل کرده است.

یافته ها نشان می دهندکه رفتار را می توان با دقت شگفت انگیزی مهندسی کرد؛ زمانی که توسط مدل های به خوبی کالیبره شده، هدایت شوند.

پروفسور لوونشتاین گفت: «مطالعه ما نشان می دهد همان طور که مهندسان از مدل های ریاضی برای ساخت پل ها یا طراحی هواپیما استفاده می کنند، می توانیم از مدل های یادگیری و تصمیم گیری برای تاثیرگذاری بر رفتار به طور قابل اعتماد و کارآمد، استفاده کنیم.»

این مطالعه همچنین روش جدیدی برای ارزیابی مدل های شناختی ارائه می دهد؛ نه تنها از طریق قدرت توضیحی آنها، بلکه از طریق اثربخشی آنها در شکل دهی به تصمیمات دنیای واقعی.

پیامدهای این امر بسیار گسترده است. از زمینه هایی در آموزش و بهداشت عمومی گرفته تا طراحی و سیاست گذاری دیجیتال، مهندسی انتخاب می تواند توسعه مداخلات تجربی بهینه و مقیاس پذیر را امکان پذیر کند.در کنار کاربردهای مثبت اما محققان خاطرنشان می کنند که چارچوب های اخلاقی برای هدایت کاربرد مسئولانه این ابزارها ضروری است.به عنوان اثباتی بر این مفهوم، پژوهش مذکور پتانسیل نوظهور مدل سازی ریاضی در علوم شناختی را نه تنها برای درک رفتار بلکه برای هدایت فعالانه آن برجسته می کند.