Predicting human behaviour in public good games using a game theoretical approach

Abstract

Social interactions are present on every daily situation, and social situations that involve strategic behaviour are the keys of every social interaction. Those situations can be extrapolated to Evolutionary Game Theory through Public Goods Games. On this sense, studying the behaviour of individuals from the theoretical and experimental point of view can lead to an understanding how individuals would react and act to those strategic situations and it could be very important in order to be able to anticipate the outcomes of every kind of conflict or social situation. In order to be able to understand that behaviour we will try to identify discrete behavioural types (clusters) of individuals in experimental data and try to classify each individual behaviour to one of the types of discrete behaviours identified. In addition, we will also apply more machine learning supervised models in order to be able to classify the individuals with the maximum accuracy. Speaking of machine learning models allows us to also speak about eXplainable Artificial Intelligence (XAI). XAI creates a suite of machine learning techniques that enables humans to understand, appropriately trust, and effectively manage the emerging generation of artificially intelligent partners (5). So, in addition to applying all the machine learning models that we previously talked about, we will also introduce the main aspects of XAI techniques/methods and apply them to our ML models. Thus, we will finally apply a set of algorithms, based on game theory, that corresponds to the contribution of each feature of the model towards pushing the prediction away from the expected value.

Las interacciones sociales están presentes en cada situación cotidiana, y las situaciones sociales que involucran comportamientos estratégicos son las claves de toda interacción social. Estas situaciones se pueden extrapolar a la teoría de juegos evolutivos a través de los juegos de bienes públicos. En este sentido, estudiar el comportamiento de los individuos desde el punto de vista teórico y experimental puede llevar a comprender cómo reaccionarían y actuarían los individuos ante esas situaciones estratégicas y podría ser muy importante para poder anticipar los resultados de todo tipo de conflicto o situación social. Para poder comprender ese comportamiento, intentaremos identificar tipos de comportamiento discretos (grupos) de individuos en los datos experimentales y trataremos de clasificar cada comportamiento individual en uno de los tipos de comportamientos discretos identificados. Además, también aplicaremos más modelos supervisados de aprendizaje automático para poder clasificar a los individuos con la máxima precisión. Hablar de modelos de aprendizaje automático nos permite hablar también de Inteligencia Artificial Explicable (XAI). XAI crea un conjunto de técnicas de aprendizaje automático que permite a los humanos comprender, confiar adecuadamente y gestionar de forma eficaz la generación emergente de socios con inteligencia artificial (5). Entonces, además de aplicar todos los modelos de aprendizaje automático de los que hablamos anteriormente, también presentaremos los aspectos principales de las técnicas / métodos XAI y los aplicaremos a nuestros modelos ML. Así, finalmente aplicaremos un conjunto de algoritmos, basados en la teoría de juegos, que corresponde a la contribución de cada característica del modelo para alejar la predicción del valor esperado.

Les interaccions socials són presents en totes les situacions diàries, i les situacions socials que comporten un comportament estratègic són les claus de cada interacció social. Aquestes situacions es poden extrapolar a la teoria evolutiva de jocs mitjançant jocs de béns públics. En aquest sentit, estudiar el comportament dels individus des del punt de vista teòric i experimental pot conduir a entendre com reaccionarien i actuarien els individus davant aquestes situacions estratègiques i podria ser molt important per poder anticipar els resultats de tota mena de conflicte o situació social. Per poder entendre aquest comportament, intentarem identificar els tipus de comportament discrets (clústers) d'individus en dades experimentals i intentarem classificar cada comportament individual a un dels tipus de comportaments discrets identificats. A més, també aplicarem més models supervisats d'aprenentatge automàtic per tal de poder classificar els individus amb la màxima precisió. Parlar de models d'aprenentatge automàtic ens permet parlar també d'intel·ligència artificial eXplainable (XAI). XAI crea un conjunt de tècniques d'aprenentatge automàtic que permet als humans comprendre, confiar adequadament i gestionar eficaçment la generació emergent de socis artificialment intel·ligents (5). Així, a més d'aplicar tots els models d'aprenentatge automàtic dels quals parlàvem anteriorment, també introduirem els principals aspectes de les tècniques / mètodes XAI i els aplicarem als nostres models ML. Per tant, finalment aplicarem un conjunt d'algoritmes, basats en la teoria de jocs, que corresponen a la contribució de cada característica del model per allunyar la predicció del valor esperat.