Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling
Diese Arbeit zeigt, dass große Sprachmodelle menschliche Verzerrungen bei der Routenwahl und prospekttheoretische Entscheidungsverhaltensweisen effektiv reproduzieren können, ohne dass eine explizite Parameterspezifikation erforderlich ist, was eine skalierbare Alternative zu traditionellen Methoden für die groß angelegte Verhaltensmodellierung bietet.
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 versuchen herauszufinden, warum Menschen seltsame Entscheidungen treffen, wenn sie unter Zeitdruck stehen. Manchmal wählt ein Autofahrer eine Route, die normalerweise schneller ist, aber eine winzige Chance auf einen massiven Stau birgt, nur weil er es eilig hat. Ein anderes Mal wählt er eine langweilige, langsame Route, um auf Nummer sicher zu gehen. Wissenschaftler nennen das „menschliche Voreingenommenheit“ (Human Bias), und lange Zeit haben sie ein komplexes mathematisches Rezept namens Cumulative Prospect Theory (CPT) verwendet, um dies zu beschreiben. Dieses Rezept enthält spezielle Zutaten (Zahlen), die uns verraten, wie sehr Menschen den Zeitverlust fürchten im Vergleich dazu, wie sehr sie Zeitersparnis lieben.
Aber hier liegt das Problem: Das Ermitteln dieser speziellen Zahlen erfordert normalerweise die Befragung von tausenden echten Menschen durch langweilige Umfragen oder Fake-Spiele in einem Labor. Das ist langsam, teuer und es ist schwierig, eine wirklich vielfältige Gruppe zu erreichen.
Hier kommt das Large Language Model (LLM) ins Spiel. Betrachten Sie ein LLM nicht als Taschenrechner, sondern als einen superintelligenten, superkreativen Schauspieler, der jedes Buch, jede Geschichte und jeden Forenbeiten jemals geschrieben hat. Die Forscher in dieser Arbeit stellten eine große Frage: Können wir diesen digitalen Schauspieler einfach bitten, ein „menschlicher Reisender“ zu spielen, und wird er dann natürlich dieselben seltsamen, voreingenommenen Entscheidungen treffen, die auch echte Menschen treffen?
Das große Experiment: Ein virtueller Stau
Um dies herauszufinden, bauten die Forscher eine riesige virtuelle Welt. Sie fragten nicht nur eine einzige KI; sie erschufen 3.000 einzigartige digitale Reisende. Jeder von ihnen hatte eine spezifische „Persönlichkeitskarte“ (wie ein Profil). Es gab vorsichtige Rentner, gestresste Eltern, spontane Studenten und beschäftigte Kuriere.
Diese 3.000 Agenten wurden dann in ein simuliertes Straßennetz gesetzt, mit zwei Auswahlmöglichkeiten:
- Route A: Ein stetiger, zuverlässiger Pfad.
- Route B: Ein Pfad, der super schnell sein kann, aber auch die Chance auf eine große Verzögerung bietet (wie einen Verkehrsunfall oder eine Straßensperrung).
Die Forscher richteten zwei verschiedene „Stimmungen“ für das Experiment ein:
- Die „Gewinn“-Stimmung (Gain): Alle versuchen, früh anzukommen. Wenn sie früh ankommen, erhalten sie eine „Belohnung“.
- Die „Verlust“-Stimmung (Loss): Alle versuchen, zu vermeiden, zu spät zu kommen. Wenn sie zu spät kommen, erleiden sie einen „Verlust“.
Was passierte? (Die Magie und die Mathematik)
Die Ergebnisse waren überraschend menschlich. Die digitalen Akteure trafen nicht einfach die mathematisch „perfekte“ Route. Stattdessen zeigten sie exakt dieselben Voreingenommenheiten, die auch echte Menschen zeigen:
- Wenn die Dinge gut liefen (Gewinne): Die vorsichtigen Agenten (wie die Rentner) hielten sich an die sichere Route. Sie wollten kein Risiko einer Verzögerung eingehen.
- Wenn die Dinge schlecht liefen (Verluste): Dieselben vorsichtigen Agenten begannen plötzlich, Risiken einzugehen! Als sie wussten, dass sie ohnehin zu spät kommen würden, wechselten sie zur riskanten, schnellen Route, in der Hoffnung, ein paar Minuten herauszuschlagen, um ihr Gesicht zu wahren.
Dies ist genau das, was die CPT-Mathematik vorhersagt: Wir hassen Verluste mehr, als wir Gewinne lieben, und wenn wir bereits im Verlust sind, werden wir zu Glücksspielern.
Die Forscher nahmen dann die Entscheidungen dieser 3.000 digitalen Agenten und wendeten das CPT-Mathematik-Rezept darauf an. Sie berechneten die „speziellen Zahlen“ (Parameter), die das Verhalten der KI am besten beschreiben.
- Sie fanden eine Verlustaversions-Zahl von 1,43. Das bedeutet, dass die Agenten in diesen Simulationen den Schmerz des Zuspätkommens 1,43-mal intensiver empfanden als die Freude über das Früherankommen.
- Sie fanden heraus, dass die Agenten weniger empfindlich auf kleine Änderungen der Zeit reagierten (eine Eigenschaft namens abnehmende Sensitivität), genau wie echte Menschen.
Hat die KI es richtig gemacht?
Um zu überprüfen, ob ihre neue „KI-Methode“ gut war, verglichen sie die von der KI generierten Zahlen mit Zahlen aus realen Studien mit echten Menschen.
- Die KI-Zahlen sagten menschliche Entscheidungen mit einer Fehlerrate von nur 0,0036 in einem komplexen Test mit drei Routen voraus.
- Dies war tatsächlich besser (niedrigerer Fehler) als einige der klassischen Zahlen, die Wissenschaftler jahrelang verwendet haben, und viel besser als die Verwendung von Zahlen aus völlig anderen Bereichen (wie dem Glücksspiel).
Was das bedeutet (und was es nicht bedeutet)
Die Arbeit legt nahe, dass wir vielleicht nicht mehr tausende müde Pendler interviewieren müssen. Stattdessen können wir diese digitalen Akteure nutzen, um schnell und kostengünstig massive Mengen an Verhaltensdaten zu generieren. Es deutet darauf hin, dass KI „menschliche Irrationalität“ lernen kann, indem sie einfach darüber liest und Rollenspiele durchführt.
Die Autoren sind jedoch vorsichtig. Sie haben nicht bewiesen, dass die KI menschlich ist. Sie haben gezeigt, dass die KI in diesen Simulationen auf eine Weise handelt, die menschlichen Mustern entspricht. Sie merkten auch an, dass ihre digitalen Agenten derzeit „unabhängige Denker“ sind, die weder miteinander sprechen noch in Echtzeit aus Staus lernen.
Obwohl wir das Rätsel des menschlichen Geistes damit noch nicht gelöst haben, legt diese Studie nahe, dass man, wenn man modellieren möchte, wie eine Menschenmenge in einem Stau reagieren könnte, vielleicht nur einen sehr belesenen, sehr kreativen Roboter braucht, der vorgibt, sie zu sein. Und überraschenderweise könnte der Roboter dabei einen besseren Job machen als eine Tabellenkalkulation.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.