现有的研究表明，人们可以通过学习专家在面对相同问题时的注意事项来提高自己的决策技能。
然而，在金融教育等领域，有效的指导需要在决策时提供频繁的、个性化的反馈，这使得专家提供信息非常耗时，因此成本高得令人望而却步。
我们通过演示一个自动化的反馈机制来解决这个问题，这个机制是这样的：它允许业余的决策者从其他同伴、而不是专家那里了解应该关注哪些信息。
在第一个实验中，100名受试者重复执行一项标准的行为金融投资任务，同时记录他们的眼球运动。与之前的研究一致，我们发现很大一部分受试者受到决策偏差的影响。
在第二个实验中，另一组100名受试者面临同样的任务，但在每个选择之后，他们会收到由机器学习生成的反馈，这些反馈是关于他们在做决定前的眼部运动是否与实验1中受试者在做出正确决定前的眼部运动相似。
结果，实验二的受试者学会了像成功的同伴那样分析信息，这反过来又减少了他们的决策偏差。
此外，在认知反思测试中得分较低的那些人，从所提出的过程反馈形式中获得的信息，要多于从基于决策结果的标准行为反馈中获得的信息。
参考文献：
Król M, Król M.Learning From Peers' Eye Movements in the Absence of Expert Guidance: A Proof of Concept Using Laboratory Stock Trading, Eye Tracking, and Machine Learning. Cogn Sci. 2019 Mar;43(2):e12716. doi: 10.1111/cogs.12716.
网友评论