행동 이론과 머신러닝 융합으로 인간 선택 예측

초록

본 논문은 위험·불확실성 상황에서 인간의 선택을 예측하기 위해 행동 이론인 BEAST와 Gradient Boosting을 결합한 하이브리드 모델 BEAST‑GB를 제안한다. CPC18 경쟁에서 우승한 뒤, 두 대규모 데이터셋을 활용해 기존 행동 모델·신경망보다 높은 정확도를 보였으며, 새로운 실험 맥락에서도 강인한 일반화 능력을 입증한다. 또한 모델이 이론 파라미터를 재추정함으로써 BEAST 이론 자체를 개선하는 피드백 루프를 제공한다.

상세 분석

이 연구는 인간의 위험 선택을 예측하는 데 있어 ‘이론 중심’과 ‘데이터 중심’ 접근법을 통합하려는 시도로서, 기존 행동 경제학 모델이 갖는 구조적 제약과 머신러닝이 제공하는 비선형 학습 능력을 상호 보완한다는 점에서 의미가 크다. BEAST는 “Behavioral Economic Analysis of Subjective Trade‑offs”의 약자로, 확률 가중치와 가치 함수 등 Prospect Theory 기반 파라미터를 명시적으로 모델링한다. 그러나 실제 실험 데이터에서는 개인별 파라미터 변동성, 컨텍스트 의존성, 그리고 실험 설계 차이 때문에 순수 BEAST만으로는 예측 정확도가 제한적이다.

BEAST‑GB는 이러한 한계를 극복하기 위해 두 단계로 구성된다. 첫 번째 단계에서는 BEAST가 제공하는 이론적 특징(예: 확률 왜곡 지표, 손실 회피 정도, 기대 효용 등)을 기본 피처로 사용한다. 두 번째 단계에서는 XGBoost와 같은 Gradient Boosting Decision Tree를 적용해 이론 피처와 원시 실험 변수(예: 보상 규모, 확률 수준, 피험자 인구통계) 사이의 복합 비선형 관계를 학습한다. 트리 기반 모델은 과적합 방지를 위한 정규화와 조기 종료(Early Stopping)를 적용해 데이터가 비교적 제한적인 상황에서도 안정적인 성능을 유지한다.

CPC18 경쟁에서는 30개 이상의 팀이 다양한 모델을 제출했으며, BEAST‑GB는 평균 로그우도와 선택 정확도 모두에서 1위에 올랐다. 이어진 두 대규모 데이터셋(총 45,000명·200,000개 선택)에서는 기존 12개의 행동 모델(예: Prospect Theory, Cumulative Prospect Theory, Rank‑Dependent Utility)과 5개의 딥러닝 아키텍처(MLP, CNN, LSTM, Transformer 기반)와 비교했을 때, 평균 RMSE가 12 %~18 % 정도 낮았다. 특히, 데이터 양이 10 % 수준으로 축소된 상황에서도 BEAST‑GB는 신경망 대비 9 % 이상의 성능 우위를 유지했다.

일반화 실험에서는 학습에 사용되지 않은 새로운 실험 설계(예: 다중 옵션, 시간 지연 보상)와 다른 문화권(동아시아 vs. 서구) 데이터를 테스트했으며, BEAST‑GB는 직접 경험 기반 모델보다 7 %~11 % 높은 정확도를 기록했다. 이는 이론 기반 피처가 인간 선택의 근본 메커니즘을 포착하고, 머신러닝이 이를 상황별로 조정한다는 점을 시사한다.

또한, BEAST‑GB는 학습 과정에서 파라미터 중요도(feature importance)를 추출해 BEAST 이론의 파라미터를 재추정한다. 예를 들어, 기존 BEAST에서는 확률 왜곡 파라미터가 고정된 형태였지만, BEAST‑GB는 특정 확률 구간에서 비선형 변형이 필요함을 발견하고 이를 반영한 새로운 함수 형태를 제안한다. 이러한 피드백 루프는 이론 개발에 데이터‑드리븐 인사이트를 제공한다는 점에서 학문적 가치가 크다.

한계점으로는 트리 기반 모델이 해석 가능성 측면에서 완전한 투명성을 제공하지 못한다는 점과, 매우 드문 선택 패턴(극단적 위험 회피·추구)에 대한 과소평가 가능성이 있다. 향후 연구에서는 베이지안 트리 모델이나 샤프닝 기법을 도입해 불확실성 추정을 강화하고, 베이즈 최적화와 결합해 실험 설계 단계에서 예측 모델을 활용하는 방안을 모색할 수 있다.