行为理论与机器学习融合：BEAST-GB模型在风险决策预测中的突破

来自国际团队的研究人员通过整合行为经济学理论(BEAST)与梯度提升算法(GB)，开发出BEAST-GB混合模型，成功解决了风险与不确定性情境下人类决策预测的难题。该模型在CPC18竞赛中夺冠，经大规模数据集验证，其预测精度超越传统心理学模型和神经网络，兼具理论解释力与泛化能力，为行为科学和人工智能的交叉研究树立了新范式。

　　在风险与不确定性情境下预测人类决策始终是跨学科研究的核心挑战。现有模型即使在彩票选择等高度结构化任务中也表现欠佳。最新研究提出的行为锚定梯度提升模型(BEAST-GB)创新性地融合了行为科学理论(BEAST)与机器学习技术。该模型在CPC18风险决策预测竞赛中拔得头筹，测试显示其预测准确率显著优于基于海量数据训练的神经网络和数十种经典行为模型。

通过两个大型数据集验证，BEAST-GB展现出惊人的跨实验场景泛化能力，其表现甚至超越直接经验泛化方法。有趣的是，该模型不仅能提升预测性能，还可反哺行为理论本身的优化——当传统理论预测失效时，机器学习组件能自动补足理论盲区。这项研究证实，在数据密集型场景中，以行为理论为锚点的混合建模策略具有独特优势。

研究结果深刻揭示了理论驱动型预测模型的价值：以预测为导向设计的理论框架(如BEAST)，与机器学习结合后，既能保持理论解释性，又能突破纯理论模型的性能瓶颈。这种"理论+数据"双轮驱动模式，为人类行为预测研究开辟了新路径。