FM Ville Tanskanen puolustaa väitöskirjaansa "Machine Learning for Human Behavior: Understanding and Imitating Choices" perjantaina 31.10.2025 klo 12 Helsingin yliopiston Exactum-rakennuksen auditoriossa CK112 (Pietari Kalmin katu 5, pohjakerros). Vastaväittäjänä toimii apulaisprofessori Jussi P. P. Jokinen (Jyväskylän yliopisto) ja kustoksena professori Arto Klami (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi.
Ville Tanskasen väitöskirjatyö on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Multi-source Probabilistic Inference -ryhmässä tehtävää tutkimusta. Väitöskirjan ohjaajana on toiminut professori Arto Klami (Helsingin yliopisto).
Ihmisten käyttäytyminen koneoppimisen silmin: Päätösten ymmärtäminen ja imitointi
Ihmisten käyttäytyminen on monitahoinen ilmiö, jota useat eri tieteenalat pyrkivät ymmärtämään ja mallintamaan omista näkökulmistaan. Tämä väitöskirja tutkii ihmisten käyttäytymistä koneoppimisen näkökulmasta seuraavien kysymysten kautta: Kuinka muut aihetta tutkivat alat voivat hyötyä koneoppimisesta, ja kuinka koneoppimista voidaan suoraan käyttää ihmisten käyttäytymisen mallintamiseen.
Koneoppimisen avulla voidaan mallintaa mielivaltaisen vaikeita ilmiöitä hyvin tarkasti oppimalla funktioita datan avulla. Tässä väitöskirjassa data on havaintoja ihmisten käyttäytymisestä. Tarkat koneoppimismallit vaativat kuitenkin usein paljon mahdollisesti vaikeasti kerättävissä olevaa dataa, eivätkä tarjoa ennusteilleen selityksiä. Yksinkertaisemmat, teoriapohjaiset mallit puolestaan tarvitsevat vähemmän dataa ja kykenevät sen lisäksi selittämään ennusteensa. Nämä yksinkertaisemmat, tulkittavat mallit eivät kuitenkaan yleensä yllä samaan ennustetarkkuuteen koneoppimismallien kanssa.
Aluksi väitöskirja keskittyy tulkittaviin käyttäytymistaloustieteen malleihin ja erityisesti prospektiteorian malleihin, joissa tutkitaan ihmisten riskikäyttäytymistä satunnaisuutta sisältävien päätösongelmien avulla. Yleensä näitä malleja tutkitaan kontrolloiduissa kokeissa, joissa päätösvaihtoehdot kommunikoidaan eksplisiittisesti kokeeseen osallistujalle. Tässä väitöskirjassa keskitytään kuitenkin tosielämän tilanteisiin, jotka voidaan samaistaa käyttäytymistaloustieteen päätösongelmiin. Ensimmäisenä väitöskirjassa näytetään kuinka tosielämän päätösongelmia voidaan mallintaa koneoppimisen avulla sellaiseen muotoon, että käyttäytymistaloustieteen malleja voidaan hyödyntää. Tämän jälkeen tutkimme ongelmia, joita voi syntyä kun sovitamme näitä malleja arkielämän dataa käyttäen, missä kohdatut päätösongelmat voivat jäädä turhan yksipuolisiksi laadukkaan mallin oppimisen kannalta.
Työn jälkimmäisessä puoliskossa tutkitaan toisiaan seuraavien -- sekventiaalisten -- päätösten mallintamista tarkkojen koneoppimismallien avulla. Ensimmäisenä tutkitaan ihmisten käyttäytymistä sekventiaalisissa optimointitehtävissä, jossa ihmisten optimointikäytöksen oletetaan seuraavan Bayesiläistä optimointialgoritmia (BO). Tämän oletuksen avulla näytetään kuinka ihmisen tuottamasta optimointisekvenssistä voidaan oppia millaisia ennakkokäsityksiä ihmisellä oli optimointiongelmaan liittyen. Loput väitöskirjan aiheista keskittyvät edelleen sekventiaalisiin päätöksiin, mutta BO:n sijaan mallintavat niitä vahvistusoppimisen (VO) menetelmillä, olettaen ihmisten maksimoivan mielivaltaista palkkiofunktiota. Ensimmäinenä VO-menetelmänä esitellään algoritmi, jonka avulla käänteisen VO-ongelman palkkiofunktio voidaan päätellä tehokkaasti suurelle populaatiolle. Toinen VO-ongelma keskittyy ihmisten käytöksen tarkkaan imitoimiseen koneoppimismalleja ja ihmisten käytösdataa hyödyntäen. Imitoimisen tehostamiseksi hyödynnetään yleismalleja, ja väitöskirjassa näytetään esimerkin avulla, että yleismallin ja imitoinnin kohteena olevien koulutustehtävien samankaltaisuudella on suuri merkitys sille, auttaako yleismalli imitointialgoritmia vai ei.
Väitöskirjan saatavuus
Väitöskirjan elektroninen versio tulee olemaan saatavilla Helsingin yliopiston avoimessa julkaisuarkistossa Heldassa osoitteessa
Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: