Este artigo investiga se os grandes modelos de linguagem (LLMs) podem replicar vieses comportamentais humanos sistemáticos na escolha de rotas sem calibração explícita dos parâmetros da Teoria do Prospecto Cumulativo (CPT). Os autores projetaram um framework de avaliação comportamental para comparar as decisões geradas por LLMs com padrões humanos estabelecidos previstos pela CPT.
- Métodos convencionais para especificar parâmetros de CPT em nível individual baseiam-se em pesquisas e experimentos controlados, que são difíceis de generalizar e falham em capturar a diversidade de decisões.
- Resultados experimentais demonstram que os LLMs reproduzem vieses de escolha humana não racionais e exibem comportamentos de decisão consistentes com os efeitos da teoria do prospecto sob incerteza.
- As descobertas sugerem que modelos de IA generativa fornecem uma alternativa escalável para modelar processos de decisão humana para simulações baseadas em agentes em larga escala.
Esses resultados oferecem uma base promissora para simulações baseadas em agentes em larga escala de próxima geração e pesquisa comportamental impulsionada por IA.