Studio: I modelli interpretabili possono prevedere i fallimenti di randomizzazione umana nei giochi

Una recente sottomissione su arXiv (2608.07220) esplora se modelli di machine learning trasparenti possano raggiungere la stessa accuratezza predittiva dei modelli a scatola nera nel prevedere le deviazioni umane dall'equilibrio di strategia mista nella teoria dei giochi. Analizzando 84.060 decisioni prese da 2.802 coppie, la ricerca si concentra sul gioco di carte a somma zero di O'Neill, dove i giocatori spesso si discostano dallo standard i.i.d. Gli autori confrontano modelli ingenui e comportamentali con modelli interpretabili e di deep learning, valutando specifiche EWA modificate da studi precedenti. Introducono un'estensione di tracciamento della frequenza annidata utilizzando diagnostiche LASSO. I risultati rivelano che le tendenze dei giocatori a ripetere o evitare azioni, in particolare nella gestione delle loro decisioni recenti, contribuiscono in larga misura alle capacità predittive interpretabili e strategicamente sfruttabili. L'abstract è accessibile all'URL fornito.