Forscher des Google DeepMind-Instituts und der Universität Oxford haben einen neuen hybriden Ansatz vorgestellt, der Künstliche Intelligenz mit psychologischen Theorien verbindet, um menschliches lernbasiertes Belohnungsverhalten besser zu verstehen. Die Studie, die kürzlich in der Fachzeitschrift Nature Human Behavior veröffentlicht wurde, kritisiert konventionelle Algorithmen für verstärktes Lernen (Reinforcement Learning, RL) als unzureichend, um die komplexe Art und Weise nachzubilden, wie Menschen Entscheidungen basierend auf vergangenen Erfahrungen treffen. Traditionell nutzen Verhaltenswissenschaftler einfache RL-Modelle, die zwar von der Neurobiologie inspiriert sind, jedoch menschliche interne Repräsentationen und Gedächtnisprozesse stark vereinfachen. Laut Maria K. Eckstein, Erstautorin der Studie, führen solche Ansätze oft zu unbefriedigenden Ergebnissen, da sie nicht erfassen, wie genau der Mensch von idealisierten Modellen abweicht. Während KI-Systeme und Menschen beide durch Versuch und Irrtum lernen, sind ihre zugrunde liegenden Mechanismen fundamental unterschiedlich. Die bisherigen Methoden zur Anpassung von Algorithmen an menschliches Verhalten waren manuell durchführbar und zeitaufwändig, da jede theoretische Idee einzeln getestet werden musste. Um diese Herausforderung zu bewältigen, entwickelten die Forscher eine automatisierte Methode mittels künstlicher neuronaler Netze (ANN). Anstatt Hypothesen manuell zu implementieren, erlauben ANN, Millionen von möglichen Anpassungen automatisch zu durchsuchen und die besten Lösungen zu finden, die menschliches Verhalten präzise abbilden. Die Teams sammelten große Datensätze mit Entscheidungen von Menschen bei Belohnungsaufgaben und trainierten daraufhin Modelle, die herkömmliches RL mit flexiblen neuronalen Netzen kombinieren. Diese hybriden Architekturen bilden kognitive Strukturen nach, die dem menschlichen Gedächtnis und Denkprozessen entsprechen. Die Ergebnisse zeigen deutlich, dass Modelle, welche menschliche Gedächtnisprozesse und mentale Zustände integrieren, menschliche Entscheidungen weitaus genauer vorhersagen als rein klassische RL-Ansätze. Der Ansatz bietet zudem den Vorteil der Interpretierbarkeit, da die gefundenen Lösungen genau aufzeigen, wo traditionelle Modelle scheitern. Dies ermöglicht es Forschern, die spezifischen Lücken im Verständnis menschlichen Lernens mathematisch präzise zu identifizieren und zu schließen. Ein wesentlicher Vorteil des neuen hybriden Modells liegt in der Skalierbarkeit und Flexibilität der Datenerhebung. Während frühere Studien oft auf kleine Stichproben von 20 bis 50 Teilnehmern und statisch definierte Experimente angewiesen waren, ermöglicht die KI-gestützte Methode die Analyse von Tausenden von Teilnehmern. Zudem lassen sich Aufgaben durch Code prozedural generieren, wodurch Daten getrieben neue Erkenntnisse anstelle begrenzter menschlicher Hypothesen hervorgehen können. Langfristig soll dieses Modell nicht nur das grundlegende Verständnis menschlicher Entscheidungsfindung vertiefen, sondern auch klinische Anwendungen finden. Da Störungen im lernbasierten Belohnungssystem eine Schlüsselrolle bei neurodegenerativen Erkrankungen und Stimmungstörungen spielen, könnte die präzisere Modellierung helfen, die zugrunde liegenden kognitiven Prozesse und betroffenen neuronalen Substrate besser zu verstehen. Die Forscher hoffen, dass ihre Arbeit andere Wissenschaftler inspiriert, diesen Ansatz zu adaptieren und zur Entwicklung verbesserter KI-basierter Modelle beizutragen, die der Komplexität menschlichen Verhaltens gerecht werden. Damit markiert die Studie einen wichtigen Schritt hin zu einer Integration fortgeschrittener KI-Techniken in die kognitive Neurowissenschaft und klinische Forschung.