तकनीकी सारांश: संयोजन संबंधी जोखिम (Combinatorial Risk) के तहत निर्णय लेना

समस्या की परिभाषा

यह शोध पत्र जोखिम के तहत निर्णय लेने के अनुसंधान में एक अंतराल को संबोधित करता है, जो पारंपरिक रूप से एकल-शॉट लॉटरी विकल्पों पर केंद्रित रहा है जहाँ प्रायिकता वितरण (probability distributions) स्पष्ट रूप से दिए गए होते हैं। लेखक संयोजन संबंधी जोखिम (combinatorial risk) को पेश करते हैं, जो समस्याओं का एक वर्ग है जहाँ जोखिम कई स्वतंत्र घटकों के संयोजन से उत्पन्न होता है, और परिणाम वितरण सीधे प्रस्तुत करने के बजाय प्रेरित (induced) होता है।

लेखक इसे एक दो-घटक निवेश-आवंटन कार्य (two-component investment-allocation task) का उपयोग करके औपचारिक रूप देते हैं। इस परिदृश्य में, एक निर्णयकर्ता को एक एकल, अविभाज्य निवेश को दो स्वतंत्र बरनौली घटकों (A या B) में से एक में आवंटित करना होता है।

• प्रारंभिक अवस्था: घटकों में प्रारंभिक सफलता की प्रायिकताएँ $P^{ini}_A$ और $P^{ini}_B$ होती हैं।
• क्रिया (Action): किसी घटक में निवेश करने से उसकी सफलता की प्रायिकता में एक विशिष्ट वृद्धि ($\Delta P_A$ या $\Delta P_B$) होती है।
• परिणाम: कुल प्रतिफल (payoff) सफलताओं के योग ($U = X_A + X_B$) पर निर्भर करता है, जो $\{0, 1, 2\}$ पर एक द्विपद वितरण (Binomial distribution) को प्रेरित करता है।
• चुनौती: प्रेरित प्रायिकता द्रव्यमान फलन (PMF) "नियंत्रण" (control) स्थिति में सीधे दृश्यमान नहीं होता है; निर्णयकर्ताओं को घटक-स्तरीय विशेषताओं से जोखिम प्रोफाइल का अनुमान लगाना होता है।

यह अध्ययन जांच करता है कि क्या मनुष्य इन समस्याओं को स्पष्ट प्रेरित लॉटरी के रूप में देखते हैं या वे संयोजन संबंधी विशेषताओं पर आधारित अनुमानी (heuristics) पर भरोसा करते हैं। यह आगे यह भी जांचता है कि प्रेरित PMF प्रदान करने ( "उपचार" (treatment) स्थिति) से निर्णय रणनीतियाँ कैसे बदलती हैं और क्या इससे अधिक लाभदायक विकल्प प्राप्त होते हैं।

कार्यप्रणाली

प्रयोगात्मक डिजाइन

लेखकों ने नैतिक भ्रम (moral confounds) से बचने के लिए वेंडर-मार्केटिंग फ्रेमिंग का उपयोग करते हुए $N=2,640$ प्रतिभागियों के साथ एक ऑनलाइन प्रयोग आयोजित किया।

• स्थितियाँ (Conditions):
  • नियंत्रण (Control - C): प्रतिभागियों को केवल घटक विशेषताएँ ($P^{ini}$, $\Delta P$) दिखाई गईं।
  • उपचार (Treatment - T): प्रतिभागियों को घटक विशेषताओं के साथ दोनों विकल्पों के लिए प्रेरित PMF भी दिखाए गए।
  • परिमाण (Magnitude): परिमाण संवेदनशीलता का परीक्षण करने के लिए दो प्रतिफल परिमाण ($30 और$100) का उपयोग किया गया।
• उद्दीपन (Stimuli): प्रायिकताओं के एक विविक्त ग्रिड (discrete grid) से उत्पन्न 1,873 निर्णय समस्याएँ, जिन्हें बैचों में समूहबद्ध किया गया था।
• मेट्रिक्स: सभी स्थितियों में एकत्रित विकल्प संभावनाओं (विकल्प B चुनने का अनुपात) को रिकॉर्ड किया गया।

मॉडलिंग दृष्टिकोण

व्यवहार संबंधी पैटर्न को समझाने के लिए, लेखकों ने एक बहु-चरणीय मॉडलिंग रणनीति का उपयोग किया:

1. बेंचमार्क मॉडल: उन्होंने मानक अनुमानी (Probability Gain, After-investment Probability, Tail-Probability models) और सिद्धांत-आधारित मॉडलों (State-Space Utility, Expected Utility, Prospect Theory, Cumulative Prospect Theory) का परीक्षण किया, जिन्हें प्रेरित लॉटरी पर लागू किया गया था।
2. सिंबोलिक रिग्रेशन (SR): यह पहचानते हुए कि हस्तनिर्मित सिद्धांत अपर्याप्त थे, लेखकों ने एक हाइब्रिड, ऑन्टोलॉजी-निर्देशित SR ढांचा विकसित किया।
   • वास्तुकला (Architecture): एक आइलैंड-आधारित विकासवादी खोज (NSGA-II) विभिन्न स्थितियों में समानांतर रूप से चलती है।
   • LLM एकीकरण: एक LLM पारेटो-इष्टतम उम्मीदवारों के स्थानीय परिशोधन (local refinement) को करता है और एक साझा ऑन्टोलॉजी के आधार पर नए व्यंजक (expressions) बनाता है।
   • ऑन्टोलॉजी: खोजे गए व्यंजकों को एक साझा ऑटोलॉजी में पार्स किया जाता है ताकि आवर्ती कार्यात्मक रूपों और व्यवहार संबंधी अवधारणाओं की पहचान की जा सके, जो अन्वेषण के कम-खोजे गए क्षेत्रों को निर्देशित करती है।
   • इनपुट संरचना: मानक SR के विपरीत, इनपुट टाइप किए गए (Scalar/Vector) हैं ताकि प्रायिकताओं और परिणामों की संरचना सुरक्षित रहे।
3. अवशिष्ट विश्लेषण (Residual Analysis): PMF प्रदर्शन के प्रभाव को अलग करने के लिए, लेखकों ने उपचार डेटा पर एक अवशिष्ट मॉडल फिट किया, जिसमें नियंत्रण मॉडल के भविष्यवाणियों को आधार रेखा के रूप में उपयोग करते हुए, भिन्नता को समझाने के लिए एक 'प्रॉस्पेक्ट थ्योरी' (PT) घटक जोड़ा गया।

मुख्य परिणाम

व्यवहार संबंधी निष्कर्ष

• संयोजन संबंधी विशेषताओं का प्रभुत्व: PMF की अनुपस्थिति में (नियंत्रण), प्रतिभागियों ने व्यवस्थित रूप से उच्च प्रायिकता वृद्धि वाले विकल्पों का पक्ष लिया। जब वृद्धियाँ समान थीं, तो उन्होंने उच्च प्रारंभिक (और इस प्रकार निवेश के बाद की) सफलता प्रायिकता वाले विकल्प को प्राथमिकता दी, जो निम्न विचरण (variance) के प्रति प्राथमिकता के अनुरूप है।
• PMF प्रदर्शन का प्रभाव: प्रेरित PMF को प्रकट करने (उपचार) से चयन पैटर्न में महत्वपूर्ण बदलाव आया:
  • प्रतिभागी मुख्य संयोजन-जोखिम विशेषताओं (वृद्धियाँ और प्रारंभिक प्रायिकताएँ) के प्रति कम प्रतिक्रियाशील हो गए।
  • समस्याओं के बीच चयनात्मक विचरण (choice variance) में कमी आई।
  • महत्वपूर्ण रूप से, PMF प्रदान करने से निर्णय की गुणवत्ता में सुधार नहीं हुआ; उपचार समूह ने नियंत्रण समूह की तुलना में काफी उच्च अपेक्षित प्रतिफल प्राप्त नहीं किया।
• परिमाण संवेदनशीलता: नियंत्रण स्थिति में, उच्च प्रतिफल परिमाण विचरण के अंतर के प्रति संवेदनशीलता को बढ़ाते हैं। उपचार स्थिति में, यह निर्भरता समाप्त हो गई, जो निर्णय रणनीति में बदलाव का सुझाव देती है।

मॉडलिंग खोजें

• नियंत्रण स्थिति: SR के माध्यम से खोजे गए सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल मुख्य रूप से निवेश के बाद की सफलता की प्रायिकताओं ($P^{aft}_A - P^{aft}_B$) और प्रायिकता वृद्धियों ($\Delta P_A - \Delta P_B$) पर निर्भर करते हैं।
  • इन मॉडलों को पूर्ण प्रेरित PMF के सटीक मूल्यांकन की आवश्यकता नहीं थी।
  • वे मानक अनुमानी और स्टेट-स्पेस यूटिलिटी बेंचमार्क से बेहतर प्रदर्शन करते हैं।
  • सटीक अपेक्षित प्रतिफल (expected payoff) केवल सबसे जटिल मॉडलों में दिखाई दिया और इसका प्रभाव कमजोर था, जो यह सुझाव देता है कि मनुष्य इस सेटिंग में अपेक्षित मूल्य (expected value) की सटीक गणना नहीं करते हैं।
• उपचार स्थिति: सर्वश्रेष्ठ मॉडल प्रेरित लॉटरी से प्राप्त अपेक्षित प्रतिफल के गैर-रैखिक रूपांतरणों (जैसे अपेक्षित मूल्य के अंतर के log या power रूपांतरण) के साथ संयोजन संबंधी विशेषताओं को मिलाते हैं।
• अवशिष्ट विश्लेषण: नियंत्रण से उपचार व्यवहार में बदलाव को नियंत्रण मॉडल के भविष्यवाणियों के ऊपर एक प्रॉस्पेक्ट थ्योरी मूल्यांकन को परत के रूप में लगाकर प्रभावी ढंग से कैप्चर किया गया था। यह पुष्टि करता है कि PMF एक अतिरिक्त मूल्यांकन परत के रूप में कार्य करता है न कि अंतर्निहित अनुमानी (heuristic) को बदलने के रूप में।

योगदान और महत्व

वैज्ञानिक योगदान

1. संयोजन संबंधी जोखिम की परिभाषा: यह शोध पत्र निर्णय समस्याओं के एक विशिष्ट वर्ग को औपचारिक रूप देता है जहाँ जोखिम घटकों के संयोजन से प्रेरित होता है, जो इसे मानक लॉटरी चयन से अलग करता है।
2. व्यवहार संबंधी अंतर्दृष्टि: यह प्रदर्शित करता है कि मनुष्य जटिल जोखिमों को स्पष्ट लॉटरी के रूप में प्रस्तुत करने के बजाय, प्रमुख संभाव्य विशेषताओं (वृद्धियाँ, निवेश के बाद की प्रायिकताएँ) पर तर्क करके संचालित होते हैं।
3. कार्यप्रणाली ढांचा: लेखक एक ऑन्टोलॉजी-निर्देशित हाइब्रिड सिंबोलिक रिग्रेशन ढांचा प्रस्तुत करते हैं जो विकासवादी खोज को LLM-आधारित पीढ़ी और अर्थपूर्ण संगठन के साथ जोड़ता है। यह दृष्टिकोण ऐसे संक्षिप्त, व्याख्या योग्य मॉडल खोजने में सफल रहा जो हस्तनिर्मित सिद्धांतों और मानक बेंचमार्क से बेहतर हैं।
4. सूचना का मूल्य: अध्ययन इस बात का प्रमाण देता है कि पूर्ण वितरणात्मक जानकारी (PMFs) प्रदान करने से निर्णय अनुमानी (heuristics) बदल जाते हैं, लेकिन यह आवश्यक रूप से अधिक इष्टतम परिणाम नहीं देते हैं, जो एक संभावित संज्ञानात्मक लागत या ध्यान के बदलाव को उजागर करता है जो बेहतर प्रदर्शन में अनुवादित नहीं होता है।

महत्व के दावे

यह शोध पत्र इस धारणा को चुनौती देने का दावा करता है कि निर्णय लेने वाले जटिल जोखिमों को स्पष्ट लॉटरी के रूप में प्रस्तुत करते हैं। इसके बजाय, यह दो-स्तरीय संज्ञानात्मक प्रक्रिया का सुझाव देता है:

• प्राथमिक परत: मुख्य संयोजन संबंधी विशेषताओं (वृद्धियाँ और सफलता की प्रायिकताएँ) पर तर्क करना।
• द्वितीयक परत: प्रदर्शित PMF का उपयोग एक अतिरिक्त मूल्यांकन परत के रूप में करना, जो केवल तभी सक्रिय होता है जब वह स्पष्ट रूप से उपलब्ध हो, जो ध्यान को मुख्य विशेषताओं से हटा देता है लेकिन निर्णय की गुणवत्ता में सुधार नहीं करता है।

लेखक इस कार्य को व्यवहार संबंधी सिद्धांत और व्याख्या योग्य मशीन लर्निंग के मिलन बिंदु के रूप में देखते हैं, जो यह प्रदर्शित करता है कि सिंबोलिक रिग्रेशन उन मनोवैज्ञानिक रूप से सार्थक नियमितताओं को पुनः प्राप्त कर सकता है जिन्हें मानक सिद्धांत छोड़ देते हैं, विशेष रूप से ऐसी सेटिंग्स में जहाँ कम्प्यूटेशनल जटिलता सटीक मूल्यांकन को रोकती है।