大语言模型中的前景理论：损失厌恶、敏感性递减与概率权重的元分析

事件

一项元分析系统考察大语言模型是否像人一样表现出前景理论的三大特征：损失厌恶、对结果大小的敏感性递减，以及概率的非线性加权。研究汇总了11项研究、覆盖32个语言模型的102个拟合估计，结果显示三个组成部分的表现并不一致。

损失厌恶方面，合并的损失权重λ为1.26（95%置信区间1.06至1.46），明显低于人类元分析中最强的估计值1.96，与较保守的估计（1.07和1.31）相当。按实验设计配对比较时，当收益与损失对称，模型与人类接近（1.15对1.07）；但当损失小于收益时，模型显著低于人类（1.46对2.3），而这正是人类损失厌恶最强的场景。价值函数方面，在Tversky-Kahneman方法下接近线性（1.01，人类为0.67），在Tanaka方法下则比人类更凹（0.52对0.67），说明敏感性递减的结论取决于测量方式。概率加权则呈现类人的倒S形（两种方法下γ分别为0.81和0.84），但相关研究数量较少。

总体来看，大语言模型损失厌恶和敏感性递减都较弱，却保留了类人的概率扭曲；不过这些结论在具体模型家族和拟合方法下会发生变化，提示用行为经济学框架评估模型决策倾向时需谨慎对待测量口径。

来源

本条目由采集管线自动抓取并发布，完整内容见下方来源链接。

*采集源：arXiv cs.AI*