Cet article examine si les grands modèles de langage (LLMs) peuvent reproduire des biais comportementaux humains systématiques dans le choix d'itinéraire sans calibration explicite des paramètres de la Théorie du Prospect Cumulatif (CPT). Les auteurs ont conçu un cadre d'évaluation comportementale pour comparer les décisions générées par les LLM aux modèles humains établis prédits par la CPT.
- Les méthodes conventionnelles pour spécifier les paramètres CPT au niveau individuel reposent sur des enquêtes et des expériences contrôlées, qui sont difficiles à généraliser et ne parviennent pas à capturer la diversité des décisions.
- Les résultats expérimentaux démontrent que les LLM reproduisent les biais de choix humains non rationnels et exhibent des comportements décisionnels cohérents avec les effets prospect-théoriques dans l'incertitude.
- Ces résultats suggèrent que les modèles d'IA générative offrent une alternative évolutive pour modéliser les processus décisionnels humains pour la simulation basée sur des agents à grande échelle.
Ces résultats offrent une base prometteuse pour la simulation basée sur des agents à grande échelle de nouvelle génération et la recherche comportementale pilotée par l'IA.