人間の強化学習プロセスとバイアス：計算論的特徴付けと行動公共政策への応用可能性

科学分野:

• 認知科学
• 人工知能
• 行動経済学

背景:

• 強化学習（RL）は、報酬と罰を通じてエージェントの学習をモデル化する。
• 人間のRLは、規範的基準からしばしば逸脱し、体系的なバイアスを示す。
• 既存の研究は、RLにおける計算論的バイアスを強調している。

研究 の 目的:

• 計算論的バイアスの評価のための概念的フレームワークと分類法の提案。
• praxicバイアス（行動選択エラー）とepistemicバイアス（表現エラー）の区別。
• 相対的評価とバイアス更新を主要なepistemicバイアスとして特徴付け、議論する。

主な方法:

• 概念的フレームワークの開発。
• 計算論的バイアスの分類法の作成。
• 既存研究の文献レビューと統合。

主要な成果:

• praxicバイアスとepistemicバイアスの導入。
• 相対的評価とバイアス更新を主要なepistemicバイアスとして特定。
• これらのバイアスの行動的シグネチャと適応的役割についての議論。

結論:

• 発見は、理論的および応用的なRLドメインに情報を提供する。
• 行動公共政策において、ナッジと比較して強化学習に基づく介入は十分に活用されていない。
• 歴史的な誤解に対処し、行動公共政策設計へのRLの統合を提唱する。