本文对11项研究中102个拟合估计进行元分析，覆盖32种大语言模型，检验它们是否表现出前景理论的三大要素：损失规避、递减敏感性和概率加权。
损失规避的整体估计为 $\lambda=1.26$（95% CI 1.06–1.46），显著低于人类最强元分析值 $\lambda=1.96$，但与较保守的人类估计（1.07、1.31）相近。对称的得失情境下，模型的 $\lambda$ 为 1.15，接近人类的 1.07；而在损失小于收益的情境下，模型 $\lambda$ 为 1.46，远低于人类的 2.3。
价值函数的曲率取决于测量方法。采用Tversky‑Kahneman方法时，模型的曲率约为 1.01，接近线性，明显高于人类的 0.67；采用Tanaka方法时，模型曲率为 0.52，仍低于人类的 0.67，说明递减敏感性在不同方法下表现不同。
概率加权方面，模型呈现类似人类的逆S形：$\gamma=0.81$（TK 方法）和 $\gamma=0.84$（Tanaka 方法），尽管相关研究数量有限。
总体来看，大语言模型的损失规避和递减敏感性均较弱，但保留了人类式的概率失真。不同模型族和拟合方法会导致这些结论出现细微偏移。
点评：该研究提供了系统的量化证据，表明当前的 LLM 在风险决策的心理特征上仍与人类存在显著差异，尤其是对损失的敏感度，这对安全对齐和人机交互设计具有重要启示。