人間とAIの意思決定のためのアルゴリズム的特徴ハイライト

概要: 人間の意思決定者はしばしば、関連しうる特徴が多数ある複雑な事例について、どのような選択をするかを迫られるが、利用可能なすべての情報を調べて統合するための帯域幅には限りがある。こうした状況において本研究では、単一の予測や推奨を出すのではなく、人間の考慮のために事例ごとの特徴のうち少数の部分集合を強調するアルゴリズムを扱う。我々は、強調を「少数の特徴を開示する」という制約付き情報ポリシーとしてモデル化する。中心的な論点は、アルゴリズムが選択した特徴を人間がどのように解釈するかである。洗練されたエージェントは選択ルールを適切に条件付ける一方、素朴なエージェントは開示された特徴の値にのみ基づいて更新し、選択事象を外生的なものとして扱う。我々は、洗練されたエージェントに対して強調を最適化することは、単純な離散的かつ二値的な設定でさえ計算的に不可能でありうることを示す。一方で、最大帯域幅が固定されている限り、素朴なエージェントに対して強調を最適化することは計算可能であることも示す。また、洗練されたエージェントに対して最適な強調ポリシーは、素朴なエージェントに実運用すると任意にひどい性能を示しうることを示し、頑健で実装可能な代替案の必要性を動機づける。我々は、米国住宅調査（American Housing Survey）に基づく較正済みの実証的な枠組みでこの理論を具体的に説明する。全体として本研究の結果は、固定された特徴集合よりも、文脈に特化した特徴集合を強調する価値が、人間とアルゴリズムの補完性を達成するための、実務的に魅力的かつ計算可能な手段としてあることを示している。