從過程痕跡早期預測未來行為策略

研究論文探討自適應系統在有限證據下對人們進行任務特定決策的挑戰，例如導師預測學習者方法、遊戲適應新關卡等。這些決策依賴於個人層面的傾向，但從標準行為證據中難以推斷。論文提出過程級潛變量模型（PLVM），用於早期跨任務行為推斷，即通過源任務的局部過程痕跡來揭示可轉移的個人層面結構，從而預測目標任務中的策略。模型編碼任務特定痕跡並將其融合為共享的潛在表示，用於跨任務預測。在PowerWash Simulator的自然主義遙測數據集中，研究團隊使用PLVM分析兩個清潔任務的過程痕跡，預測Fire Station關卡中的行為策略，如Zone Planner（本地持久行為）與Zone Hopper（頻繁切換行為）。受控模擬實驗顯示，當源任務揭示共享潛在過程的互補維度時，跨任務融合能有效提升預測準確性。這些結果表明，過程級跨任務建模在觀察足夠目標任務行為不切實際的情況下，能夠支持策略的早期預測，為自適應系統設計提供新途徑。