集団的決定を下すことを学ぶ：自信のエスカレーションの影響

共同決定における他人の意見を考慮することを人々がどのように学ぶかについてはほとんど知られていない。この質問に対処するために、計算と経験的アプローチを組み合わせました。人間のダイアドは、個人的および共同の視覚的知覚決定を行い、それらの決定に対する自信を評価しました（以前に公開されたデータ）。私たちは、強化（時間差）学習エージェントを訓練して、参加者の信頼レベルを得て、モデルの決定の精度を最大化するか、経験的なダイアディック決定に最大限に順応するポリシーを見つけることにより、ダイアディック決定に到達することを学びました。自信が口頭での相互作用なしに視覚的に共有された場合、RLエージェントは社会学習を首尾よくキャプチャしました。参加者が自信を視覚的に交換し、口頭で相互作用したとき、集団的利益は達成されず、モデルは二項挙動を予測できませんでした。行動的に、ダイアドメンバーの自信は徐々に増加し、口頭での相互作用がこのエスカレーションを加速しました。ダイアドメンバーから集団的利益を引き出すことにおけるモデルの成功は、信頼のエスカレーション率に反比例していました。調査結果は、原則として、個々の意見を組み合わせて集合的な利益を達成する自動学習エージェントができることを示していますが、同じエージェントがエスカレーションを割り引くことはできません。

Little is known about how people learn to take into account others' opinions in joint decisions. To address this question, we combined computational and empirical approaches. Human dyads made individual and joint visual perceptual decision and rated their confidence in those decisions (data previously published). We trained a reinforcement (temporal difference) learning agent to get the participants' confidence level and learn to arrive at a dyadic decision by finding the policy that either maximized the accuracy of the model decisions or maximally conformed to the empirical dyadic decisions. When confidences were shared visually without verbal interaction, RL agents successfully captured social learning. When participants exchanged confidences visually and interacted verbally, no collective benefit was achieved and the model failed to predict the dyadic behaviour. Behaviourally, dyad members' confidence increased progressively and verbal interaction accelerated this escalation. The success of the model in drawing collective benefit from dyad members was inversely related to confidence escalation rate. The findings show an automated learning agent can, in principle, combine individual opinions and achieve collective benefit but the same agent cannot discount the escalation suggesting that one cognitive component of collective decision making in human may involve discounting of overconfidence arising from interactions.