यह शोध पत्र इस बात की जांच करता है कि क्या बड़े भाषा मॉडल (LLM) संचयी संभावना सिद्धांत (CPT) पैरामीटरों के स्पष्ट कैलिब्रेशन के बिना मार्ग चयन में मानव व्यवहारिक पूर्वाग्रहों की प्रतिकृति कर सकते हैं। लेखकों ने CPT द्वारा भविष्यवाणी किए गए स्थापित मानव पैटर्न के खिलाफ LLM-जनित निर्णयों की तुलना करने के लिए एक व्यवहारिक मूल्यांकन फ्रेमवर्क डिज़ाइन किया।
- व्यक्तिगत स्तर पर CPT पैरामीटर निर्दिष्ट करने के पारंपरिक तरीके सर्वेक्षण और नियंत्रित प्रयोगों पर निर्भर करते हैं, जिन्हें सामान्यीकृत करना कठिन है और जो निर्णय विविधता को नहीं पकड़ पाते।
- प्रायोगिक परिणाम दिखाते हैं कि LLM अतर्क मानव चयन पूर्वाग्रहों की प्रतिकृति करते हैं और अनिश्चितता के तहत संभावना सिद्धांत प्रभावों के अनुरूप निर्णय व्यवहार प्रदर्शित करते हैं।
- निष्कर्ष सुझाव देते हैं कि जनरेटिव AI मॉडल बड़े-पैमाने पर एजेंट-आधारित सिमुलेशन के लिए मानव निर्णय प्रक्रियाओं को मॉडल करने के लिए एक स्केलेबल विकल्प प्रदान करते हैं।
ये परिणाम अगली पीढ़ी के बड़े-पैमाने पर एजेंट-आधारित सिमुलेशन और AI-संचालित व्यवहारिक शोध के लिए एक वादा करने वाली नींव प्रस्तुत करते हैं।