机器学习揭示人类战略决策复杂性的深度解析与行为模型构建

来自Zhu等的研究团队通过机器学习技术，在双人矩阵博弈场景下对9万余人次初始决策行为进行大规模分析，构建的深度神经网络(DNN)预测准确率超越传统战略行为理论，并开发出可解释行为模型，揭示个体最优响应能力与对手行为推理高度依赖游戏矩阵复杂性，为人类复杂行为机制研究开辟新范式。

　　

战略决策(strategic decision-making)作为人类交互的核心要素，在双人矩阵游戏(two-player matrix games)的初始博弈阶段展现出惊人复杂性。研究者通过程序化生成的2,400余种游戏矩阵，采集超过90,000条人类决策数据，构建起远超既往研究维度的战略行为数据库。深度神经网络(deep neural network)在此海量数据训练下，其预测人类选择的能力显著优于现有战略行为理论模型，暴露出传统理论未能解释的系统性变异。

通过对神经网络的创新性改造，团队成功开发出兼具高精度与可解释性(interpretable)的行为模型。该模型揭示关键发现：个体实现最优响应(optimal response)及对手行为推理的能力，强烈受制于游戏矩阵的复杂度(context dependent)。这一突破性进展彰显机器学习(machine learning)在解码人类复杂行为机制方面的独特价值，为行为科学理论创新提供了全新方法论框架。