在不确定性下评估决策是困难的，尤其是在标记结果稀缺、成本高或与运气混淆的情况下。我们将主观期望效用（SEU）最大化视为指定标准，并定义了一种分级测量——SEU敏感性——用于评估代理与之的一致性。采用的模型是具有敏感性参数 $\alpha$ 的softmax选择模型，研究的贡献包括对 $\alpha$ 及信念和效用参数 $(\beta, \delta)$ 的一系列可识别性结果，这些结果通过Stan进行先验预测检查、参数恢复和基于仿真的校准（SBC）得到验证，并保留有限样本的警告。在仅不确定选择模型 $m_0$ 中，给定期望效用向量 $\eta$，$\alpha$ 是可识别的并被准确恢复，而 $(\beta, \delta)$ 仅被弱信息化：后验几乎没有收缩，集中在 $\beta$-$\delta$ 权衡上。在扩展模型 $m_1$ 中，$\delta$ 在原则上通过无 $\beta$ 的风险块可识别，但在现实样本量下的实际恢复增益微乎其微（匹配计数的置信区间宽度减少不足 1%），且该块在匹配选择计数下未检测到 $\alpha$ 精度增益。这是两个不同的现象：对于 $\delta$，可识别性并不意味着在现实 $n$ 下的精确可估；对于 $\alpha$，可识别性并未说明在有限样本下的精度控制。即使联合后验弱信息化，两个模型的边际SBC也通过了——我们对此做出了明确的划分。通过一个二乘二的应用（GPT-4o 和 Claude 3.5 Sonnet，各自在保险索赔分流和Ellsberg风格的 urns 上，采样温度作为杠杆），在真实的LLM选择数据上进行了端到端的运行，在四个单元中的两个单元检测到了结构化的比较 $\alpha$ 效应。
博主点评： 该研究为LLM决策中的主观期望效用最大化提供了重要的量化方法。通过明确的模型可识别性分析，揭示了在现实样本量下的参数恢复限制，为未来研究提供了参考，尤其是在处理不确定性决策时的效用理论和实践应用上具有重要意义。