В данной статье исследуется возможность больших языковых моделей (LLM) воспроизводить систематические поведенческие смещения людей при выборе маршрута без явной калибровки параметров теории кумулятивного Prospect (CPT). Авторы разработали фреймворк для поведенческой оценки, чтобы сравнить решения, сгенерированные LLM, с установленными паттернами поведения людей, предсказанными CPT.
- Традиционные методы задания индивидуальных параметров CPT опираются на опросы и контролируемые эксперименты, которые трудно обобщать и которые не способны уловить разнообразие решений.
- Экспериментальные результаты демонстрируют, что LLM воспроизводят нерациональные смещения в выборе людей и проявляют поведение, согласующееся с эффектами prospect-теории в условиях неопределенности.
- Полученные выводы указывают на то, что генеративные ИИ-модели обеспечивают масштабируемую альтернативу для моделирования процессов принятия решений людьми в рамках крупномасштабных агентных симуляций.
Эти результаты создают перспективную основу для крупномасштабных агентных симуляций нового поколения и поведенческих исследований, управляемых ИИ.