A Bayesian latent class reinforcement learning framework to capture adaptive, feedback-driven travel behaviour
تقترح هذه الورقة إطار عمل للتعلم التعزيزي للفئات الكامنة البايزية لنمذجة سلوكيات السفر غير المتجانسة والمتكيفة، حيث تحدد ثلاث فئات متميزة من المسافرين ذات استراتيجيات فريدة لتطور التفضيلات والاستكشاف والاستغلال من خلال تحليل بيانات محاكي القيادة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعلم أفضل طريقة للوصول إلى المدرسة. أحياناً تسلك نفس الطريق كل يوم لأنه سريع وموثوق. وأحياناً أخرى تجرب شارعاً جديداً فقط لترى ما إذا كان أسرع، حتى لو قد يوصلك في وقت لاحق. هذا هو جوهر كيفية اتخاذ البشر للقرارات: نحن نوازن بين التمسك بما نعرفه (الاستغلال) وبين تجربة أشياء جديدة للتعلم أكثر (الاستكشاف). لفترة طويلة، استخدم العلماء الذين يدرسون كيفية تنقل الناس نماذج تفترض أن الجميع يتعلمون بنفس الطريقة أو أن تفضيلاتنا ثابتة كالحجر. لكن في الحياة الواقعية، البشر فوضويون. نحن نتعلم بسرعات مختلفة، وقد نرتبك من المعلومات الجديدة، وقد نتصرف بشكل مختلف تماماً عندما نكون نقود بالفعل مقابل عندما نتخيل رحلة فحسب. هذا البحث يغوص في هذا الواقع الفوضوي، مستخدماً مزيجاً من علم النفس والرياضيات لمعرفة ليس فقط "ماذا" يختار الناس، بل "كيف" يتعلمون اتخاذ تلك الاختيارات بمرور الوقت.
قرر الباحثون وراء هذه الدراسة، بقيادة جورج سفير وزملاؤه، بناء نوع جديد من نموذج "دماغ السفر" يسمى إطار التعلم التعزيزي للفئات الكامنة (LCRL). فكر في الأمر كقصة بوليسية حيث المحققون يحاولون اكتشاف سبب اختلاف سلوك السائقين المختلفين. بدلاً من افتراض أن الجميع متشابهون، استخدموا محاكي قيادة لمراقبة 83 شخصاً وهم يتخذون 20 قراراً بشأن المسار. في نصف الحالات، قام المشاركون بالقيادة فعلياً عبر المسارات وشعروا بمرور الوقت (تغذية راجعة ملموسة)؛ وفي النصف الآخر، كانوا فقط ينقرون على أزرار على الشاشة مع أوقات افتراضية (تفضيل معلن). ثم قام الفريق بتغذية هذه البيانات في نموذجهم الجديد المتطور، والذي يعمل مثل آلة فرز. فهو لا يكتفي بالقول "هذا الشخص يحب المسارات السريعة"؛ بل يسأل: "هل هذا الشخص متعلم بطيء يتمسك بالعادات القديمة؟ أم مغامر يحب تجربة كل شيء؟ أم شخص يغير رأيه بناءً على ما إذا كان يقود فعلياً أو يفكر في الرحلة فحسب؟".
وجد النموذج أن مجموعة السائقين لم تكن كتلة واحدة من الناس، بل كانت تتكون من ثلاثة "أنواع" متميزة من المتعلمين، لكل منهم شخصيته الخاصة. كان حوالي 22% من الأشخاص هم "حرباء السياق". هؤلاء الأشخاص تصرفوا بطريقة معينة عندما كانوا يتخيلون رحلة على شاشة الكمبيوتر (يفضلون المسار الآمن والموثوق)، لكن سلوكهم انقلب تماماً عندما كانوا خلف عجلة القيادة فعلياً في المحاكي، حيث رغبوا فجأة في المسار المحفوف بالمخاطر وغير المتوقع. لقد تعلموا ببطء، مستغرقين وقتاً لتحديث معتقداتهم بناءً على تجارب جديدة.
ثم كانت هناك المجموعة الأكبر، والتي شكلت ما يقرب من نصف المشاركين (49%)، وهم "المستغلون المصرّون". هؤلاء السائقون هم الذين أحبوا المسار غير الموثوق والمحفوف بالمخاطر مهما حدث. وسواء كانوا يقودون أو ينقرون على الأزرار، فقد استمروا في اختيار المسار غير المستقر، حتى عندما يستغرق منهم وقتاً أطول أحياناً. كانوا أكثر المستغلين عناداً، حيث تمسكوا بخيارهم المحفوف بالمخاطر وتكيفوا بشكل أسرع قليلاً مع التغذية الراجعة مقارنة بالمجموعة الأبطأ، رغم أنهم لا يزالون يعتمدون بشكل كبير على تجارب الماضي.
أخيراً، كانت هناك المجموعة الثالثة، التي تمثل حوالي 29% من العينة، وهم "المبدلون المتكيفون". كان هؤلاء السائقون أكثر عرضة لأن يكونوا من الإناث ومن ذوي الدخل المرتفع. بدأوا بتفضيل المسار الآمن عندما كانوا يقودون فعلياً، ولكن عندما كانوا يجيبون على الأسئلة على الشاشة، أصبحوا فجأة أكثر مغامرة واختاروا المسار المحفوف بالمخاطر. أظهروا أعلى ميول استكشافية، حيث يتنقلون بين الخيارات الآمنة والمخاطرة. وبينما كان لديهم أعلى تقدير لمعدل التعلم من بين المجموعات الثلاث، إلا أنه كان غير مؤثر إحصائياً، مما يشير إلى أنهم حافظوا على توقعات مستقرة تطورت تدريجياً بمرور الوقت بدلاً من التفاعل مع تحولات سريعة ومتقلبة.
يشير البحث إلى أن تجاهل "شخصيات التعلم" المختلفة هذه قد يجعلنا نرتكب أخطاء في كيفية تصميم أنظمة المرور أو التنبؤ بكيفية استجابة الناس للطرق الجديدة. إذا عاملت "حرباء السياق" كأنهم "مستغلون مصرّون"، فإن نصيحتك المرورية قد تفشل تماماً. لم يخمن الباحثون وجود هذه المجموعات فحسب؛ بل استخدموا تقنية رياضية متطورة تسمى "بايز المتغيرة" (Variational Bayes) لإثبات أن تقسيم الناس إلى هذه الفئات الثلاث كان يناسب البيانات بشكل أفضل من افتراض أن الجميع يتعلمون بنفس الطريقة. حتى أنهم أجروا عمليات محاكاة لإظهار كيف ستتفاعل كل مجموعة إذا استمرت في تلقي نفس حركة المرور السيئة أو حركة المرور الجيدة مراراً وتكراراً، مما أكد أن "شخصياتهم" قد غيرت حقاً طريقة تعلمهم.
باختصار، يجادل هذا البحث بأنه لفهم التنقل، لا يمكننا مجرد النظر إلى الخريطة؛ بل يجب أن ننظر إلى عقل السائق. نحن بحاجة لمعرفة ما إذا كانوا من النوع الذي يتمسك بما هو مألوف، أو النوع الذي يطارد الجديد، أو النوع الذي يغير رأيه اعتماداً على الموقف. ومن خلال بناء نموذج يلتقط هذه الاختلافات، يأمل المؤلفون في مساعدة المدن والمخططين لتصميم أنظمة أفضل تعمل لجميع أنواع المتعلمين، وليس فقط للمتوسط بينهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.