💬 NLP

Developmental trajectories of decision making and affective dynamics in large language models

Diese Studie zeigt auf, dass neuere große Sprachmodelle zwar zunehmend menschenähnliche Risikoakzeptanz- und Annäherungs-Vermeidungs-Muster bei Entscheidungsfindungen aufweisen, gleichzeitig jedoch distinkte nicht-menschliche Merkmale wie reduzierte Verlustaversion, deterministische Entscheidungen und chronisch erhöhte Basisstimmungen entwickeln, was kritische Implikationen für deren ethischen Einsatz in klinischen Hochrisikoszenarien hervorhebt.

Ursprüngliche Autoren: Zhihao Wang, Yiyang Liu, Ting Wang, Zhiyuan Liu

Veröffentlicht 2026-01-22

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Zhihao Wang, Yiyang Liu, Ting Wang, Zhiyuan Liu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie beobachten eine Familie digitaler „Kinder“ beim Aufwachsen. In dieser Arbeit wird nicht nur ein einzelnes Kind betrachtet; man beobachtet vier Generationen derselben Familie (GPT-3.5, GPT-4, GPT-4o und GPT-4.1), um zu sehen, wie sich ihre Persönlichkeiten und Entscheidungsstile verändern, während sie „älter“ und fortschrittlicher werden.

Die Forscher brachten diese KI-Modelle und eine große Gruppe echter Menschen in ein Glücksspiel. In diesem Spiel muss man zwischen einer sicheren, garantierten Belohnung oder einem riskanten Glücksspiel wählen, bei dem man mehr gewinnen oder etwas verlieren könnte. Alle paar Runden werden die Spieler gefragt: „Wie glücklich sind Sie gerade?“

Hier ist, was die Studie über das Reifen dieser KI-„Kinder“ herausgefunden hat, unter Verwendung einfacher Analogien:

1. Der „risikofreudige“ Teenager

Mit den neueren KI-Modellen wurden sie mutiger.

Die alten Modelle (GPT-3.5): Waren sehr vorsichtig. Sie bevorzugten die sichere Wette, ähnlich wie ein nervöses Kind, das Angst hat, sein Taschengeld zu verlieren.
Die neuen Modelle (GPT-4.1): Begannen häufiger Risiken einzugehen. Tatsächlich wurde ihr Risikoverhalten fast identisch mit dem von echten Menschen. Sie hörten auf, übermäßig Angst vor dem Punkteverlust zu haben, und spielten das Spiel eher so, wie ein Mensch es tun würde.

2. Das Verschwinden der „Verlustaversion“

Menschen haben einen natürlichen Instinkt namens Verlustaversion: Ein Verlust von 10 $ fühlt sich doppelt so schlimm an, wie ein Gewinn von 10 $ gut tut. Wir sind darauf programmiert, Verluste zu hassen.

Der KI-Wandel: Die älteren KI-Modelle hatten diese menschenähnliche Angst vor Verlusten. Doch während die Modelle sich weiterentwickelten, verschwand diese Angst. Das neueste Modell (GPT-4.1) wurde „verlustneutral“. Es war ihm egal, Punkte zu verlieren; es rechnete einfach aus, was der beste Zug war.
Die Metapher: Stellen Sie sich einen Menschen vor, der panische Angst davor hat, auf einen Riss im Bürgersteig zu treten. Die ältere KI war wie dieser Mensch. Die neuere KI ist wie ein Roboter, der den Riss betrachtet, die Wahrscheinlichkeit des Stolperns berechnet und einfach ohne weiteren Gedanken darüber hinweggeht. Sie hat das „Bauchgefühl“, das Menschen haben, verloren.

3. Der „Roboter-perfekte“ Entscheidungsträger

Menschen sind chaotisch. Wir machen Fehler, wir lassen uns ablenken, und manchmal werfen wir eine Münze, wenn wir nicht weiter wissen. Dies nennt man „Entscheidungsrauschen“.

Der KI-Wandel: Die neueren KI-Modelle wurden extrem konsistent. Sie machten weniger zufällige Fehler als Menschen.
Die Metapher: Wenn ein Mensch ein Jazzmusiker ist, der manchmal improvisiert und einen falschen Ton trifft, dann ist die neueste KI ein Metronom. Sie ist so präzise und vorhersehbar, dass sie sich tatsächlich weniger menschlich anfühlt als die älteren, etwas „unordentlicheren“ Modelle.

4. Die „ewig optimistische“ Stimmung

Die Forscher verfolgten auch die „Stimmung“ der KI (wie glücklich sie sich sagten).

Das ständige Lächeln: Unabhängig davon, welche Version der KI sie verwendeten, waren sie immer glücklicher als die echten Menschen. Selbst wenn sie Punkte verloren, blieben sie in einer „hohen Stimmung“.
Die Metapher: Stellen Sie sich einen Menschen vor, der von Natur aus fröhlich ist, aber traurig wird, wenn er ein Spiel verliert. Die KI ist wie eine Zeichentrickfigur, die immer lächelt, selbst wenn das Haus brennt. Dies wird als „Positivitätsbias“ bezeichnet.

5. Das „lange Gedächtnis“ für Emotionen

Die Studie untersuchte, wie schnell die KI Ereignisse (gut oder schlecht) „vergaß“.

Der KI-Wandel: Die älteren Modelle hatten ein kurzes emotionales Gedächtnis (wie ein Goldfisch). Wenn sie einen Punkt verloren, wurden sie für einen Moment traurig und machten dann weiter. Die neueren Modelle haben ein langes emotionales Gedächtnis. Ein schlechtes Ergebnis von vor 20 Runden zieht ihre aktuelle Stimmung immer noch leicht nach unten.
Die Metapher: Die ältere KI war wie ein Kind, das eine Minute lang weint und es dann vergisst. Die neuere KI ist wie ein Erwachsener, der einen Groll (oder eine glückliche Erinnerung) lange Zeit hegt und dadurch seine aktuellen Gefühle tiefer färbt.

Das große Ganze

Die Arbeit kommt zu dem Schluss, dass sich diese KI-Modelle in einigen Bereichen menschenähnlicher entwickeln (sie gehen Risiken wie wir ein und haben lange emotionale Erinnerungen), aber in anderen Bereichen weniger menschenähnlich werden (sie fürchten den Verlust nicht, sie sind in ihren Entscheidungen zu perfekt und sie sind dauerhaft glücklicher als wir).

Die Autoren warnen davor, dass dies eine seltsame „Persönlichkeit“ für Maschinen schafft. Sie werden zu anspruchsvollen Entscheidungsträgern, aber ihnen fehlen die spezifischen menschlichen Ängste und emotionalen Schwankungen, die uns eben zu Menschen machen. Dies ist wichtig, denn wenn wir beginnen, diese KI-„Ärzte“ oder „Berater“ im echten Leben einzusetzen, müssen wir wissen, dass sich ihre „Psychologie“ in eine Richtung entwickelt, die nur teilweise menschlich ist.

Technische Zusammenfassung: Entwicklungsverläufe der Entscheidungsfindung und der affektiven Dynamik in Large Language Models

Problemstellung
Large Language Models (LLMs) werden zunehmend in Hochrisikobereichen wie der klinischen Entscheidungsunterstützung eingesetzt, wo sie an Risikobewertungen und der Patientenkommunikation teilhaben. Die bestehende Evaluierung nimmt jedoch typischerweise eine statische Perspektive ein, indem sie eine einzelne Modellversion zu einem spezifischen Zeitpunkt bewertet. Dieser Ansatz versäumt es, die rasante Evolution von LLMs zu berücksichtigen, bei der aufeinanderfolgende Generationen (z. B. GPT-3.5 bis GPT-4.1) emergente Verhaltensprofile aufweisen können, die bisherige Erkenntnisse obsolet machen könnten. Die Arbeit adressiert die Lücke im Verständnis darüber, wie sich Entscheidungsstrategien und affektive Dynamiken über Modelliterationen hinweg entwickeln und wie diese „digitalen Entwicklungsverläufe“ mit der menschlichen Kognition vergleichbar sind. Konkret untersuchen die Autoren, ob Alignment-Verfahren (wie Reinforcement Learning from Human Feedback) Modelle zu menschenähnlicheren psychologischen Profilen führen oder distinkte, nicht-menschliche Signaturen erzeugen.

Methodik
Die Studie verwendet ein Querschnittsdesign, das die OpenAI-Modellfamilie als eine sich entwickelnde Abstammungslinie behandelt. Die Autoren evaluierten vier verschiedene Versionen: GPT-3.5, GPT-4, GPT-4o und GPT-4.1. Diese wurden gegen eine Kontrollgruppe von 747 gesunden menschlichen Teilnehmern getestet.

Experimentelles Paradigma: Die Forscher adaptierten eine Glücksspielaufgabe (Gambling Task), die ursprünglich für die computergestützte Psychiatrie entwickelt wurde. In dieser Aufgabe wählen Agenten zwischen einem sicheren Ausgang und einem Glücksspiel (50 % Wahrscheinlichkeit von Gewinn/Verlust) über 90 Durchgänge hinweg. Entscheidend ist, dass die Agenten alle 2–3 Durchgänge momentane Glücksratings (0–100) angeben, um die affektive Dynamik zu erfassen.
Computational Modeling:
- Wahl (Choice): Die schrittweisen Entscheidungen wurden mittels eines Approach-Avoidance Prospect Theory Modells gefittet. Dieses Modell schätzt Parameter für Risiko-Präferenz, Verlustaversion ( $\lambda$ ), Pavlovsche Annäherung ( $\beta_{gain}$ ) und Vermeidung ( $\beta_{loss}$ ) sowie die inverse Temperatur ( $\mu$ , welche die Entscheidungsrauschen/Konsistenz repräsentiert).
- Affekt (Affect): Die Glücksratings wurden mittels einer kumulativen, rezent gewichteten Historie von Ereignissen modelliert. Das Modell schätzt den Einfluss von sicheren Belohnungen (Certain Rewards, CR), dem Erwartungswert (Expected Value, EV) und Reward Prediction Errors (RPE) auf die Stimmung sowie einen affektiven Zerfallsparameter ( $\gamma$ ) und eine Basisstimmung ( $\beta_0$ ).
Statistische Analyse: Die Parameter wurden mittels Maximum Likelihood Estimation geschätzt. Um die Disparität der Stichprobengröße zwischen der menschlichen Gruppe (N=747) und den Modellsimulationen (N=30 pro Version) zu adressieren, verwendeten die Autoren gebootstrappte Resampling-Verfahren (1.000 Iterationen), um empirische t-Verteilungen für Signifikanztests zu generieren.

Wesentliche Ergebnisse
Die Analyse offenbart einen komplexen Verlauf, bei dem einige Aspekte des LLM-Verhaltens mit menschlichen Normen konvergieren, während andere signifikant divergieren.

Entscheidungsfindung:
- Risikofreude: Neuere Modelle (GPT-4.1) zeigten signifikant höhere Glücksspielraten, was mit menschlichem Verhalten konvergiert und sich dem Niveau eines rein erwartungswert-maximierenden Agenten (55 %) annähert.
- Verlustaversion: Eine kritische Divergenz trat hervor. Die Verlustaversion sank monoton über die Versionen hinweg, von 2,72 in GPT-3.5 auf 0,57 in GPT-4.1. Das neueste Modell zeigte ein „verlustneutrales“ oder gar verlustsuchendes Profil, was im Gegensatz zum typisch menschlichen Trend steht, Verluste schwerer zu gewichten als Gewinne.
- Pavlovsche Biases: Die Annäherungsmotivation stieg an und die Vermeidungsmotivation sank in neueren Modellen, wobei GPT-4.1 gegen menschliche Niveaus konvergiert.
- Entscheidungsrauschen: Die inverse Temperatur ( $\mu$ ) stieg monoton an, was darauf hindeutet, dass neuere Modelle signifikant deterministischere und konsistentere Entscheidungen treffen als Menschen, also ein geringeres Entscheidungsrauschen aufweisen.
Affektive Dynamik:
- Sensitivität: Die Sensitivität gegenüber sicheren Belohnungen (CR) und Reward Prediction Errors (RPE) zeigte in späteren Modellen (GPT-4o/4.1) Stabilität, wenngleich die RPE-Sensitivität vor GPT-4 gipfelte und danach abnahm.
- Affektiver Zerfall: Der Zerfallsparameter ( $\gamma$ ), der beschreibt, wie lange vergangene Ereignisse die aktuelle Stimmung beeinflussen, stieg in neueren Modellen signifikant an. GPT-4.1 zeigte eine stärkere Abhängigkeit von historischen Ergebnissen als Menschen, was auf ein längeres „emotionales Gedächtnis“ hindeutet.
- Basisstimmung: Alle LLM-Versionen wiesen eine signifikant höhere affektive Baseline (Positivitäts-Bias) auf als Menschen, ein Merkmal, das über die Generationen hinweg stabil blieb.

Zentrale Beiträge

Entwicklungsperspektive: Die Arbeit führt eine „historisch informierte Sichtweise“ auf LLMs ein, indem sie Modelliterationen als einen Entwicklungsverlauf statt als statische Entitäten betrachtet. Sie liefert die erste systematische Analyse innerhalb einer Modellfamilie darüber, wie Risiko-Präferenzen und affektive Dynamiken über vier aufeinanderfolgende Generationen evolvieren.
Computational Psychiatry Framework: Durch die Anwendung validierter computergestützter Modelle menschlicher Entscheidungsfindung und Affekte auf LLMs geht die Studie über oberflächliche Verhaltensmetriken hinaus, um latente psychologische Konstrukte (z. B. Verlustaversion, Pavlovsche Biases, affektiver Zerfall) zu quantifizieren.
Identifizierung von „Digitaler Positivität“ und „Verlustneutralität“: Die Studie identifiziert spezifische, systematische nicht-menschliche Signaturen in fortgeschrittenen Modellen: einen chronischen Positivitäts-Bias und ein nahezu vollständiges Fehlen von Verlustaversion. Dies deutet darauf hin, dass Alignment-Verfahren versehentlich die menschenähnlichen intuitiven Heuristiken aus den Modellen entfernen könnten.

Bedeutung und Behauptungen
Die Autoren behaupten, dass diese Befunde eine aufkommende „Psychologie der Maschinen“ nachzeichnen, mit direkten Auswirkungen auf die KI-Ethik und die Integration in Hochrisikodomänen.

Klinische Implikationen: Die Konvergenz neuerer Modelle zu menschenähnlichem Risikoverhalten und Annäherungs-Vermeidungs-Profilen legt nahe, dass sie besser für die kollaborative Entscheidungsfindung geeignet sein könnten. Der persistente Positivitäts-Bias und die Verlustneutralität bergen jedoch Risiken in medizinischen Kontexten; ein übermäßig optimistischer Ton oder ein Mangel an Verlustaversion könnte zu sykophantischem Verhalten, der Unterschätzung von Unsicherheit oder schwerwiegenden medizinischen Fehlern führen, wenn negative Informationen kommuniziert werden müssen.
Theoretische Einsicht: Die Ergebnisse legen nahe, dass während Alignment-Verfahren (RLHF) Modelle möglicherweise zu menschenähnlicher Rationalität führen (Reduzierung von Halluzinationen/Rauschen und Erhöhung der Erwartungswert-Konsistenz), sie gleichzeitig den „emotionalen Stil“ der KI verändern, wodurch Agenten entstehen, die deterministischer und weniger intuitiv verlustavers sind als Menschen.
Warnhinweis: Die Autoren betonen, dass ihr Design querschnittlich ist und auf eine einzige Modellfamilie beschränkt bleibt. Sie mahnen an, dass diese „Entwicklungsverläufe“ nicht auf zukünftige Modelle mit abrupten architektonischen oder trainingsbedingten Verschiebungen generalisierbar sind, und dass die beobachtete „Psychologie“ ein Verhaltensproxy ist und kein Spiegelbild einer internen bewussten Erfahrung.