行为科学和政策干预交叉创新团队线下分享会——第八期

2022年11月2日光华管理学院行为科学和政策干预交叉创新团队第八次线下分享会顺利举行。本次分享会邀请到市场营销学系涂艳苹教授和张颖婕教授分享研究兴趣和研究进展。


涂艳苹教授

涂艳苹教授的行为科学研究主要包括五个部分:行为改变(behavioral change),社会影响(social effects),情境效应(context effect),决策“偏误”(decision biases),幸福感(happiness)。她采用多种类型的方法(如:实验室试验,实地实验,实地观测,二手数据)回答关心的问题。在今天的分享会中,她分享了“行为改变”这一话题下的三个研究项目。


涂教授首先介绍了她关于任务启动(task initiation)的研究。这一研究主要关注什么因素能促使人们尽早开始一个任务。涂教授认为对截止日期的感知可能决定了人们是否将在当下开始行动。该研究的实验作为在印度开展普惠金融研究的一部分,向印度农村男性户主开展金融讲座,鼓励他们开设存款账户,如果在6个月内存3000卢比就能获得政府等额的奖励。讲座现场就可以进行开户,或在讲座结束后也可以在当地银行网点开户。随机将受到讲座的人分为两组,一组人在6月接受讲座,获得政府奖励的截止日期即为当年12月,另一组人在7月接受讲座,获得奖励的截止日期为下一年1月。实验结果发现,6月接受讲座的人有32%当场开户,而7月接受讲座的人只有8%当场开户,且后来再开户的人也很少,6月组也积累了更高的储蓄。


涂教授解释这一结果背后的机制在于,虽然时间的流逝是连续的,但是人对时间的感知是有分类的。当感觉截止日期处于“当下”(而非“未来”)时,人们更倾向于立刻开始行动。在这一实验中,如果获得奖励的截止时间是当年12月(vs.下一年1月),人们会感觉这属于“现在”(vs.“未来”),因此更会在当下立刻采取行动。


涂教授接下来介绍了关于提高好友推荐(customer referral)效率的研究。作为一个典型的基于人际关系获取新用户的方式,好友邀请被公司被广泛采用,但消费者的参与意愿很低。涂教授认为阻碍好友推荐的一个重要心理障碍在于“友谊”和“交易”的不兼容性。邀请人和好友是“友谊”关系(communal relationship);但当邀请人向好友进行推荐时,推荐人可能会担心这使自己变得像公司的推销员,两人的友谊也变得更像一种经济激励下的交易关系(exchange relationship)。


那么,通过改善“好友邀请信”的设计,即在好友邀请信中披露邀请人的奖励信息,是否能够提升好友邀请的成功率?涂教授分析到,如果通过好友推荐信披露推荐人得到的好处,这一诚实的表现可以更有效地发出合作的信号,邀请朋友一起“薅公司的羊毛”,因此不会使邀请人产生抵触心理。通过与从未进行过好友推荐营销的中国小微企业进行实地实验发现,销售说辞(不提及邀请人的奖励)的好友推荐下,只有17%的用户领取了纸质推荐卡并发送给好友,而采取合作邀请(提及邀请人的奖励)时,有38%的用户领取并发送给了好友,销售额也明显提升。


涂教授最后介绍了她正在进行的关于服从(指令)(Compliance)的研究,即什么样的提醒手段能够使人们更主动地采取普遍被认为是有益的行为。这也是她与本平台研究团队中盖嘉教授的合作研究。


涂艳苹教授与到场教授就中介效应和调节效应的内涵,人们对时间分类的理解,好友推荐下的心理机制等议题展开了交流讨论。


张颖婕教授

张颖婕教授的主要研究领域是信息系统与量化营销。从用户行为角度,她关注如何通过计量模型对消费者行为进行实证研究。从方法论角度,她主要研究如何用结构模型建立消费者效用方程,通过数据对消费者行为进行实证分析,以及模拟政策效果等。方法论研究之外,张教授也进行实地试验和二手数据分析。机器学习与行为研究方面,通过引入机器学习对大数据进行处理,提取与行为研究相关的行为特征。张教授具体关注的三个研究内容包括人机协同(human-AI collaboration),金融科技(fintech),不同渠道对行为的互相影响(user behavior in social-cyber-physical systems)


张教授主要介绍了她在人机协同领域进行的研究,具体分为四个方向:人为决策偏差及对AI决策的传导、智能算法的系统性统计偏差、应对执行偏差的“AI+管理”策略研究和用户对AI决策的响应与最佳合作模式研究。


人为决策偏差对AI决策的传导方面,由于用于训练算法的数据来自人的决策和标注,其数据集本身是存在偏差的。例如在使用人工和机器人相结合的电话客服数据中,人工客服对客户的标注可能受到主观因素的影响,这一研究试图衡量人行为中的不准确性和这一不准确性对机器学习的影响。


智能算法的系统性统计偏差研究主要关注训练数据本身的偏差和如何降低训练样本对算法的影响。张教授对小微贷款的研究发现,由于只能观测到被批准的用户的放贷和还款数据,观测不到被拒绝的用户的行为,算法迭代过程中会增强算法对经济客观条件的偏好,不利于金融普惠。该研究提供的解决方法是通过引入另类数据,重新训练算法,从而筛选出其他有还款能力的用户。


张教授重点介绍了她正在进行的人机协同研究。平行(parallel)模式的人机协同下,人和AI分别进行决策,当机器进行决策后,人基于机器的决策再作出最终决策。在小微贷款放贷情境下,机器做出的决策无论是大数据还是小数据均优于人工决策(即违约率更低),在这样的情况下,人在AI决策的基础上再进行决策是否还有意义?该研究发现,在大数据环境下,机器作出决策并附上决策机制的解释后,人再作出的放贷决策的情况比仅有算法和大数据决策的违约率更低。这是由于加入算法的解读为人的决策机制引入了新的考虑因素,从而促使人作出更好的决定。


该研究进一步发现,对于有强烈信念的个人,人机协同的效果较差,因为他们不愿意与AI合作;相反,对于自身想法较弱的人来说,人机协同也没有效果,因为他们会直接选择相信算法。因此,当人们对自身信念想法的坚持程度处于这两个极端中间时,人机协同的效果最佳。


张教授随后介绍了她在金融科技领域的研究。她既关注信贷发放对消费的影响,也关注消费模式对信用等级的预测关系,包括因果关系识别,算法设计和异常探测等。她还关心金融科技语境下小微企业行为和消费者行为的区别。


社会-网络-物理系统(social-cyber-physical system)方面,张教授主要关注交通领域研究,包括出租车司乘行为、如何通过经验分享帮助司机作出最优选择,共享汽车与出租车在城市遭到恐袭后行为的区别,无人驾驶汽车对用户的影响,AI的外部性等问题。


张颖婕教授与到场教授就训练样本的选择性偏差,人机协同对结果的影响机制,在人机协同研究中如何厘清算法厌恶的影响等议题开展了交流讨论。


分享人

涂艳苹,现任北京大学光华管理学院市场营销学系副教授。涂艳苹教授的主要研究领域包括决策与判断和消费者行为。她对于将行为科学应用于提高决策质量、提高任务完成效率、和提高幸福感有广泛的兴趣。目前关注的情境包括但不限于:(1)基于人际关系的营销,(2)消费者对消费者(C2C)交易情境下的供需,(3)个体金融决策,(4)公民低碳行为,(5)决策偏差等。


张颖婕,现任北京大学光华管理学院市场营销学系助理教授。张颖婕教授的研究领域为量化营销。研究集中于运用跨学科方法论(如计量模型、机器学习算法、实地实验设计等)研究人机协同、金融科技、智能城市建设、共享经济、社交媒体、消费者行为等议题。这些研究成果被应用于企业制定有效的营销策略,在考虑自身利益最大化的同时,兼顾消费者的长期粘性以及社会福利;另外,研究课题中关于普惠金融、司乘供需平衡、零工经济等方面的讨论,也对政府相关部门在制定以应对包括AI在内的新技术的广泛使用过程中的政策法规提供一定的洞察和建议。