想象一个世界，在这个世界中，一些重要的决策——法官的判决建议、儿童的治疗方案、哪个人或企业应该获得贷款——因为一个精心设计的算法帮助关键决策者做出更好的选择而变得更可靠。麻省理工学院的一门新经济学课程正在研究这些有趣的可能性。
14.163课程（算法与行为科学）是一门新的跨学科课程，专注于行为经济学，研究人类的认知能力和限制。该课程在去年春季由经济学助理教授Ashesh Rambachan和访问讲师Sendhil Mullainathan共同教授。
Rambachan研究机器学习的经济应用，重点关注驱动刑事司法系统和消费者贷款市场决策的算法工具。他还开发了使用横断面和动态数据确定因果关系的方法。
Mullainathan将很快加入麻省理工学院的电气工程与计算机科学系和经济学系担任教授。他的研究使用机器学习来理解人类行为、社会政策和医学中的复杂问题。Mullainathan于2003年共同创办了阿卜杜勒·拉蒂夫·贾米尔扶贫实验室（J-PAL）。
这门新课程的目标既是科学的（了解人类）又是政策驱动的（通过改进决策来改善社会）。Rambachan认为，机器学习算法为行为经济学的科学和应用目标提供了新的工具。
“该课程研究计算机科学、人工智能（AI）、经济学和机器学习在改善决策中的应用，减少偏见的发生，”Rambachan说。
Rambachan认为，像人工智能、机器学习和大型语言模型（LLMs）这样不断发展的数字工具在重塑刑事判决中的歧视性做法和服务于弱势群体的医疗结果等方面有机会发挥作用。
学生们学习如何使用机器学习工具，有三个主要目标：了解它们的功能和工作原理，将行为经济学的见解形式化，使其在机器学习工具中更好地组合，并了解行为经济学和算法工具整合可能最有成果的领域和主题。
学生们还会产生想法，开展相关研究，并看到更大的图景。他们被引导去理解一个见解的适用范围，并看到更广泛的研究议程的发展方向。参与者可以对监督式LLMs能够（和不能够）做到的事情进行批判性思考，了解如何将这些能力与行为经济学的模型和见解相结合，并认识到调查揭示的应用最有成果的领域。
主观性和偏见的危险
根据Rambachan的说法，行为经济学承认即使在没有算法的情况下，我们的选择中仍然存在偏见和错误。“我们算法使用的数据存在于计算机科学和机器学习之外，通常是由人产生的，”他继续说道。“因此，了解行为经济学对于理解算法的影响以及如何更好地构建它们至关重要。”
Rambachan希望使这门课程对任何学术背景的学生都具有可访问性。这门课程包括来自各种学科的高级学位学生。
通过为学生提供一种跨学科的、数据驱动的方法来研究和发现算法可能改进问题解决和决策制定的方式，Rambachan希望为重新设计现有的司法制度、医疗保健、消费者贷款和工业等领域奠定基础。
“了解数据是如何生成的可以帮助我们理解偏见，”Rambachan说。“我们可以提出关于如何产生比当前存在的更好结果的问题。”
重新构想社会运作的有用工具
经济学博士生Jimmy Lin在课程开始时对Rambachan和Mullainathan的说法持怀疑态度，但随着课程的进行，他改变了看法。
“Ashesh和Sendhil提出了两个引人注目的观点：行为科学研究的未来离不开人工智能，人工智能研究的未来离不开行为科学，”Lin说。“在整个学期中，他们加深了我对这两个领域的理解，并向我们介绍了许多经济学如何影响人工智能研究以及反之亦然的例子。”
之前在计算生物学领域进行过研究的Lin赞扬了教师们对“生产者思维方式”的重视，即思考未来十年的研究而不是过去十年。“这在交叉学科和快速发展的人工智能和经济学交叉领域尤为重要——没有旧的已建立的文献，所以你被迫提出新问题，发明新方法，建立新的桥梁，”他说。
Lin所提到的变化速度也吸引着他。“我们看到黑盒子人工智能方法在数学、生物学、物理学和其他科学学科中促进了突破，”Lin说。“人工智能可以改变我们作为研究人员进行知识发现的方式。”
经济学和社会系统的跨学科未来
研究传统经济工具，并通过人工智能增强其价值，可能会在机构和组织教育和赋予领导者做出选择方面产生重大变革。
“我们正在学习跟踪变化，调整框架，并更好地理解如何运用工具来服务于共同语言，”Rambachan说。“我们必须不断审视人类判断、算法、人工智能、机器学习和LLMs的交叉点。”
Lin兴奋地推荐这门课程，无论学生的背景如何。“对于对社会中的算法、AI在学术学科中的应用或AI作为科学发现范式感兴趣的人都应该上这门课，”他说。“每一堂课都感觉像是一个关于研究、新应用领域和如何产生新的、令人兴奋的想法的宝库。”
Rambachan说，该课程认为更好的算法可以改善各个学科的决策制定。“通过在经济学、计算机科学和机器学习之间建立联系，也许我们可以自动化人类最佳选择，改善结果，同时最大程度地减少或消除最差的选择，”他说。
Lin对这门课程尚未探索的可能性仍然充满期待。“这是一门让你对研究的未来和自己在其中的角色感到兴奋的课程，”他说。
