전략적 분류 (Strategic Classification, SC)는 의사결정 모델과 유리한 결과를 얻기 위해 자신의 특징(features)을 전략적으로 조작하는 에이전트(agents) 사이의 상호작용을 연구합니다. 기존의 SC 프레임워크는 일반적으로 에이전트가 엄격하게 합리적이라는 이상적인 가정에 의존합니다. 그러나 행동 경제학 (behavioral economics) 및 심리학 (psychology)의 증거들은 실제 세계의 의사결정이 종종 인지적 편향 (cognitive biases)에 의해 형성되며, 순수 합리성에서 벗어난다는 것을 일관되게 보여줍니다. 이러한 한계를 공식화하기 위해, 우리는 에이전트의 전략적 조작이 심리적 편향으로 인해 완전한 합리성에서 벗어나는, '행동학적으로 현실적인 전략적 분류 문제 (behaviorally realistic strategic classification problem)'라고 명명된 새로운 문제 설정을 식별하고 정의합니다. 식별된 한계에 착안하여, 우리는 이 문제를 해결하기 위해 전망 이론 (prospect theory)에 기반하여 행동학적으로 현실적인 전략적 반응 하에서 모델링하고 학습할 수 있는 원칙적인 프레임워크인 전망 유도 전략 프레임워크 (Prospect-Guided Strategic Framework, Pro-SF)를 제안합니다. 구체적으로, 행동학적으로 현실적인 전략적 조작을 포착하기 위해, 우리의 프레임워크는 이익과 비용 사이의 비대칭성, 서로 다른 주관적 참조점 (subjective reference points), 그리고 비합리적인 확률 왜곡 (non-rational probability distortion)을 포함하여 전망 이론에서 영감을 얻은 세 가지 핵심 메커니즘을 통합함으로써 에이전트와 의사결정자 사이의 슈텔버그 스타일 (Stackelberg-style) 상호작용을 재구성합니다. 합성 데이터셋 및 실제 데이터셋에 대한 실험을 통해 Pro-SF가 전략적 분류에 대한 행동학적 기반의 접근 방식임을 입증하며, 머신러닝 (machine learning)과 행동 경제학을 연결하여 실제 세계에서의 더욱 신뢰할 수 있는 배포를 가능하게 합니다.