پایان‌نامه‌ای در دانشگاه منچستر روش «نشان‌گذاری زنجیره علّی بصری» (VCBM) را معرفی می‌کند؛ روشی که به عامل‌های یادگیری تقویتی کمک می‌کند بفهمند کدام اقدام‌ها به پاداش‌های با تأخیر منجر شده‌اند. این روش در شبیه‌سازی تعمیر ساعت، طی ۲۰ اجرا به‌طور میانگین پس از ۱٬۵۳۲٫۳ اپیزود به دقت ۹۵٫۰۷٪ در تصمیم‌گیری رسید؛ درحالی‌که روش مبنای RUDDER به ۳٬۳۲۷٫۱ اپیزود نیاز داشت. در AppWorld، آموزش ترکیبی با VCBM میزان موفقیت در انجام وظایف را از ۰٫۳۵۴ به ۰٫۴۵۸ افزایش داد، اما این مقایسه برای هر روش فقط یک اجرا داشت و بنابراین تأیید آماری محسوب نمی‌شود.
چرا مهم است
برای پژوهشگرانی که عامل‌ها را برای انجام وظایف دارای پاداش با تأخیر آموزش می‌دهند، VCBM روشی آزموده‌شده برای برجسته‌کردن تصمیم‌های اثرگذار ارائه می‌کند؛ بااین‌حال، برای اطمینان از اعتبار نتیجه AppWorld به اجراهای بیشتری نیاز است.
