Este artículo investiga si los modelos de lenguaje grandes (LLM) pueden replicar sesgos sistemáticos en el comportamiento humano para la elección de rutas sin una calibración explícita de los parámetros de la Teoría del Prospecto Acumulativo (CPT). Los autores diseñaron un marco de evaluación conductual para comparar las decisiones generadas por LLM con patrones humanos establecidos predichos por CPT.
- Los métodos convencionales para especificar parámetros de CPT a nivel individual se basan en encuestas y experimentos controlados, que son difíciles de generalizar y no logran capturar la diversidad de decisiones.
- Los resultados experimentales demuestran que los LLM reproducen sesgos de elección humana no racionales y exhiben comportamientos de decisión consistentes con los efectos de la teoría del prospecto bajo incertidumbre.
- Los hallazgos sugieren que los modelos de IA generativa proporcionan una alternativa escalable para modelar procesos de decisión humana para simulaciones basadas en agentes a gran escala.
Estos resultados ofrecen una base prometedora para simulaciones basadas en agentes a gran escala de próxima generación e investigación conductual impulsada por IA.