2018年6月7日，斯坦福大学经济学系教授，世界计量经济学会院士洪瀚做客我院第101期seminar，分享了题为“Decision Making and ROC Curves”的工作论文。

文章对数据科学和机器学习中常用来判定算法优劣的ROC曲线进行了研究，挖掘了ROC曲线统计意义上的性质以及对模型选择的含义，并利用一个国家层面关于生育的大型数据作了说明，实证数据包括待生育夫妇详细的生理、心理数据，以及医生给夫妇双方做出的风险预测（是否会产出不健康的孩子）。

理论与实证结果表明，不能简单地依靠ROC曲线评判某个职业（法官、医生等）预测结果的优劣，主要原因在于：（1）个体相比于机器，拥有更多影响最终判断的不可观测信息；（2）个体相比于机器，因为存在不同的价值判断和动机，对真阳性率（true positive rate）和伪阳性率（false positive rate）两类损失有不同的衡量标准，在最终给出判断结果时往往会赋予不同的权重，而ROC曲线对这两类损失赋予的是相同权重。

文章说明了理论计量与应用计量研究的必要性，并揭示了数据科学与机器学习当前在研究人的行为方面存在的不足。或许我们可以结合两个学科的优点，利用数据揭示法官、医生的价值判断与效用函数，或者根据不同的损失权重作出调整后的ROC曲线并在合适的领域为算法优劣作相应判断。