在行为选择中，人类的选择行为（包括路线选择）展现了系统性的行为偏见，偏离了完全理性的假设。累积前景理论（CPT）被广泛认可为描述这些行为模式的有效框架。然而，其在模拟和基于代理的建模中的大规模应用，关键依赖于个体级CPT参数的指定，这仍然是一个主要瓶颈。传统方法通常依赖于调查和控制实验来校准CPT参数，但这些方法难以推广，且往往无法捕捉人类决策的全貌。
为了解决这一挑战，本文研究了大型语言模型（LLMs）是否能够在没有明确指定前景理论参数的情况下重现人类的行为偏见。以路线选择为代表场景，我们设计了一个行为评估框架，并系统地将LLM生成的决策与CPT预测的已建立人类行为模式进行比较。实验结果表明，LLMs能够重现非理性的选择偏见，并能够在不确定性下表现出与前景理论效应一致的决策行为。这些发现表明，生成式AI模型可能为建模人类决策过程提供可扩展的替代方案，并为下一代大规模基于代理的模拟及AI驱动的行为研究奠定了有希望的基础。
博主点评： 本文开创性地将大型语言模型应用于人类行为建模，展示了LLMs在理解和预测人类非理性决策中的潜力。这一研究不仅为行为科学提供了新工具，也为未来的智能代理系统提供了理论支撑。其结果可能会引发关于如何利用AI进行人类决策模拟的新思考。