| Abstract : | Η εφαρμογή της θεωρίας λήψης ανθρώπινων αποφάσεων στο πεδίο των εργασιών Mobile Crowdsening (MCS tasks) αποτελεί ένα συγκερασμό των επιστημών της Συμπεριφοράς και της Πληροφορικής. Τα μοντέλα συμπεριφοράς σύμφωνα με τα οποία αποφασίζουν οι άνθρωποι έχουν αποτελέσει αντικείμενο μελέτης της γνωστικής ψυχολογίας, του marketing και των συμπεριφορικών οικονομικών. Εξαιρετικά συμβατή του τρόπου με τον οποίον λαμβάνουν αποφάσεις οι άνθρωποι είναι η έννοια του περιορισμένου ορθoλογισμού (bounded rationality). Το bounded rationality τονίζει τους περιορισμούς του ανθρώπινου εγκεφάλου και υποστηρίζει πως η λογική σκέψη και η διαδικασία λήψης αποφάσεων μπορούν να μοντελοποιηθούν με τη χρήση μιας εργαλειοθήκης γρήγορων και αποδοτικών ευρετικών μεθόδων (fast and frugal heuristics).Οι ευρετικές μέθοδοι εξετάζουν και συγκρίνουν εναλλακτικές επιλογές με βάση τα χαρακτηριστικά τους (cues) και παίρνουν μία απόφαση με βάση ένα κριτήριο. Τα λεξικογραφικά ευρετικά μοντέλα, αποτελούν μια ειδική περίπτωση ευρετικών μεθόδων που ταξινομούν τα χαρακτηριστικά κάθε επιλογής με βάση τον βαθμό σημασίας του καθενός και ακολούθως τα εξετάζουν με φθίνοντα τρόπο. Ορισμένα από αυτά, όπως το Take the Best και τα FFTs, χρησιμοποιούνται σε προβλήματα συμπερασματικού χαρακτήρα (inference-based problems), όπου το κριτήριο απόφασης βασίζεται σε μία γενική αλήθεια του πραγματικού κόσμου. Άλλα πάλι, μπορούν να εφαρμοστούν σε προβλήματα προτίμησης (preference-based problems), όπου το κριτήριο επηρεάζεται από την υποκειμενική κρίση του κάθε ανθρώπου.Η εφαρμογή των ευρετικών μεθόδων προϋποθέτει την ύπαρξη μιας επιβλεπόμενης -συνήθως- διαδικασίας μηχανικής μάθησης (learning) για τον ακριβή καθορισμό των παραμετρικών στοιχείων τους. Στην παρούσα διατριβή, αναπτύχθηκε ο απαραίτητος κώδικας που υλοποιεί τέτοιες διαδικασίες μάθησης για τα ευρετικά μοντέλα Take the Best και DEBA, ενώ χρησιμοποιήθηκε και ένα εργαλείο λογισμικού από τη βιβλιογραφία για τη μελέτη της μαθησιακής διαδικασίας στα FFTs. Τέλος, εφαρμόστηκε η ευρετική μέθοδος DEBA πάνω σε ένα πρόβλημα προτίμησης για MCS εργασίες, ώστε να διαπιστωθεί αν οι χρήστες ενεργοποιούν ευρετικές μεθόδους και σε ποιον βαθμό αυτό επηρεάζει την τελική ακρίβεια των αποφάσεων.
The implementation of human decision making in Mobile Crowdsening (MCS) tasks is a blend of the Behavior and Information Science disciplines. Behavioral models according to which people take decisions have been the subject of study of cognitive psychology, marketing and behavioral economics. Extremely compatible with the way people make decisions is the concept of bounded rationality. Bounded rationality highlights the limitations of human brain and argues that logical thinking and decision making can be modeled using a fast and frugal heuristics toolbox.Heuristic methods examine and compare options based on their cues and make a decision based on one criterion. Lexicographic heuristic models are a specific case of heuristic methods that classify the characteristics of each choice based on the degree of importance of each, and then examine them in a decreasing fashion. Some of these, such as Take the Best and FFTs, are used in inference-based problems, where the decision criterion is based on a ground truth. Some others can be applied to preference-based problems where the criterion is influenced by the subjective judgment of each person.The application of heuristic methods presupposes the existence of a supervised - usually - learning process for the precise definition of their parametric elements. In this thesis, we developed the necessary code that implements such learning processes for the heuristics Take the Best and DEBA and we used a software tool from the literature to study the learning process in FFTs. Finally, the heuristic DEBA method was applied to a preference problem for MCS tasks in order to discover if users are triggering heuristic methods and to what extent this affects the ultimate accuracy of decisions.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.