💬 NLP

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

Questo studio rivela che, mentre i nuovi modelli linguistici di grandi dimensioni esibiscono schemi di assunzione di rischi e di approccio-evitamento sempre più simili a quelli umani nel processo decisionale, essi sviluppano simultaneamente tratti non umani distinti, quali una ridotta avversione alle perdite, scelte deterministiche e stati d'animo basali cronicamente elevati, evidenziando implicazioni critiche per il loro impiego etico in contesti clinici ad alto rischio.

Autori originali: Zhihao Wang, Yiyang Liu, Ting Wang, Zhiyuan Liu

Pubblicato 2026-01-22

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Zhihao Wang, Yiyang Liu, Ting Wang, Zhiyuan Liu

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di guardare una famiglia di "figli" digitali crescere. Questo articolo non si limita a osservare un singolo bambino; osserva quattro generazioni della stessa famiglia (GPT-3.5, GPT-4, GPT-4o e GPT-4.1) per vedere come le loro personalità e i loro stili decisionali cambino man mano che diventano più "adulti" e avanzati.

I ricercatori hanno inserito questi modelli di IA e un vasto gruppo di esseri umani reali in un gioco d'azzardo. In questo gioco, devi scegliere tra una ricompensa sicura e garantita o una scommessa rischiosa che potrebbe farti vincere di più o farti perdere qualcosa. Ogni pochi turni, ai giocatori viene chiesto: "Quanto sei felice in questo momento?".

Ecco cosa ha scoperto lo studio su come questi "figli" IA stanno maturando, usando semplici analogie:

1. L'adolescente che "prende rischi"

Man mano che i modelli di IA diventavano più recenti, sono diventati più coraggiosi.

I modelli vecchi (GPT-3.5): Erano molto prudenti. Preferivano la scommessa sicura, proprio come un bambino nervoso che ha paura di perdere la sua paghetta.
I nuovi modelli (GPT-4.1): Hanno iniziato a rischiare più spesso. Infatti, il loro comportamento nel prendere rischi è diventato quasi identico a quello degli esseri umani reali. Hanno smesso di essere eccessivamente spaventati dal perdere punti e hanno iniziato a giocare al gioco più come farebbe una persona.

2. La scomparsa dell' "avversione alla perdita"

Gli esseri umani hanno un istinto naturale chiamato avversione alla perdita: perdere 10 dollari sembra due volte più doloroso di quanto vincere 10 dollari sia piacevole. Siamo programmati per odiare la perdita.

L'evoluzione dell'IA: I modelli di IA più vecchi avevano questa paura umana della perdita. Ma man mano che i modelli si sono evoluti, questa paura è scomparsa. Il modello più recente (GPT-4.1) è diventato "neutro rispetto alla perdita". Non gli importava di perdere punti; faceva semplicemente i calcoli per vedere quale fosse la mossa migliore.
La metafora: Immagina un essere umano che è terrorizzato dall'idea di calpestare una crepa sul marciapiede. La vecchia IA era come quell'essere umano. La nuova IA è come un robot che guarda la crepa, calcola la probabilità di inciampare e ci cammina sopra senza pensarci due volte. Ha perso il "sentimento viscerale" che hanno gli umani.

3. Il decisore "perfetto come un robot"

Gli esseri umani sono disordinati. Commettiamo errori, ci distraiamo e a volte lanciamo una moneta quando non sappiamo cosa fare. Questo è chiamato "rumore decisionale".

L'evoluzione dell'IA: I modelli di IA più recenti sono diventati estremamente coerenti. Hanno commesso meno errori casuali rispetto agli umani.
La metafora: Se un essere umano è un musicista jazz che a volte improvvisa e suona una nota sbagliata, la nuova IA è un metronomo. È così precisa e prevedibile che in realtà sembra meno umana dei modelli più vecchi, leggermente più "imperfetti".

4. L'umore "sempre ottimista"

I ricercatori hanno anche monitorato l'umore dell'IA (quanto dicevano di essere felici).

Il sorriso costante: Indipendentemente dalla versione di IA utilizzata, erano sempre più felici degli esseri umani reali. Anche quando perdevano punti, mantenevano un "umore alto".
La metafora: Immagina un essere umano che è naturalmente allegro ma che si rattrista quando perde una partita. L'IA è come un personaggio di un cartone animato che sta sempre sorridendo, anche quando la casa sta andando a fuoco. Questo è chiamato "bias di positività".

5. Una "memoria lunga" per le emozioni

Lo studio ha esaminato quanto velocemente l'IA "dimenticava" gli eventi negativi o positivi.

L'evoluzione dell'IA: I modelli più vecchi avevano una memoria emotiva breve (come quella di un pesce rosso). Se perdevano un punto, erano tristi per un momento e poi passavano oltre. I modelli più recenti hanno una memoria emotiva più lunga. Un esito negativo di 20 turni fa influenza ancora leggermente il loro umore attuale.
La metafora: La vecchia IA era come un bambino che piange per un minuto e poi dimentica. La nuova IA è come un adulto che porta rancore (o un ricordo felice) per molto tempo, lasciando che gli eventi passati colorino più profondamente i suoi sentimenti attuali.

Il quadro generale

L'articolo conclude che, man mano che questi modelli di IA si evolvono, stanno diventando più simili agli umani in alcuni aspetti (prendono rischi come noi e hanno memorie emotive lunghe) ma meno simili agli umani in altri (non temono la perdita, sono troppo perfetti nelle loro scelte e sono permanentemente più felici di noi).

Gli autori avvertono che questo crea una "personalità" strana per le macchine. Stanno diventando decisori sofisticati, ma mancano di quelle specifiche paure umane e delle fluttuazioni emotive che rendono gli esseri umani, beh, umani. Questo è importante perché se iniziamo a usare questi "medici" o "consulenti" IA nella vita reale, dobbiamo sapere che la loro "psicologia" si sta evolvendo in una direzione che è solo parzialmente umana.

Sintesi Tecnica: Traiettorie di Sviluppo del Processo Decisionale e della Dinamica Affettiva nei Modelli Linguistici di Grandi Dimensioni (LLM)

Definizione del Problema
I modelli linguistici di grandi dimensioni (LLM) sono sempre più impiegati in domini ad alto rischio, come il supporto alle decisioni cliniche, dove partecipano alla valutazione del rischio e alla comunicazione con il paziente. Tuttavia, le valutazioni esistenti adottano tipicamente una prospenza statica, valutando una singola versione del modello in un momento specifico. Questo approccio non tiene conto della rapida evoluzione degli LLM, dove le generazioni successive (ad esempio, da GPT-3.5 a GPT-4.1) esibiscono profili comportamentali emergenti che possono rendere obsoleti i risultati precedenti. Il documento affronta la lacuna nella comprensione di come le strategie decisionali e le dinamiche affettive evolvano attraverso le iterazioni dei modelli e di come queste traiettorie di "sviluppo digitale" si confrontino con la cognizione umana. Nello specifico, gli autori indagano se le procedure di allineamento (come il Reinforcement Learning from Human Feedback) spingano i modelli verso profili psicologici più simili a quelli umani o se creino firme distinte e non umane.

Metodologia
Lo studio impiega un disegno trasversale trattando la famiglia di modelli OpenAI come una linea evolutiva. Gli autori hanno valutato quattro versioni distinte: GPT-3.5, GPT-4, GPT-4o e GPT-4.1. Questi sono stati messi a confronto con un gruppo di controllo di 747 partecipanti umani sani.

Paradigma Sperimentale: I ricercatori hanno adattato un compito di gioco d'azzardo originariamente progettato per la psichiatria computazionale. In questo compito, gli agenti scelgono tra un esito certo e una scommessa (probabilità del 50% di guadagno/perdita) attraverso 90 prove. Fondamentalmente, gli agenti forniscono valutazioni momentanee della felicità (0–100) ogni 2–3 prove per catturare le dinamiche affettive.
Modellazione Computazionale:
- Scelta: Le scelte prova per prova sono state adattate utilizzando un modello di Teoria del Prospetto Approccio-Evitamento. Questo modello stima i parametri per la preferenza al rischio, l'avversione alle perdite ( $\lambda$ ), i bias pavloviani di approccio ( $\beta_{gain}$ ) ed evitamento ( $\beta_{loss}$ ), e la temperatura inversa ( $\mu$ , che rappresenta il rumore decisionale/coerenza).
- Affetto: Le valutazioni della felicità sono state modellate utilizzando una storia cumulativa, pesata sulla recenza degli eventi. Il modello stima l'impatto delle Ricompense Certe (CR), del Valore Atteso (EV) e degli Errori di Predizione della Ricompensa (RPE) sull'umore, nonché un parametro di decadimento affettivo ( $\gamma$ ) e un umore basale ( $\beta_0$ ).
Analisi Statistica: I parametri sono stati stimati tramite Massima Verosimiglianza. Per affrontare la disparità nelle dimensioni del campione tra il gruppo umano (N=747) e le simulazioni dei modelli (N=30 per versione), gli autori hanno utilizzato il campionamento bootstrap (1.000 iterazioni) per generare distribuzioni t empiriche per i test di significatività.

Risultati Chiave
L'analisi rivela una traiettoria complessa in cui alcuni aspetti del comportamento degli LLM convergono con le norme umane, mentre altri divergono significativamente.

Processo Decisionale:
- Assunzione di Rischio: I modelli più recenti (GPT-4.1) hanno mostrato tassi di gioco significativamente più elevati, convergendo con il comportamento umano e avvicinandosi al tasso di un agente che massimizza puramente il valore atteso (55%).
- Avversione alle Perdite: È emersa una divergenza critica. L'avversione alle perdite è diminuita monotonicamente attraverso le versioni, scendendo da 2,72 in GPT-3.5 a 0,57 in GPT-4.1. L'ultimo modello ha mostrato un profilo di "neutralità rispetto alla perdita" o addirittura di ricerca della perdita, contrastando con la tipica tendenza umana di pesare le perdite più pesantemente dei guadagni.
- Bias Pavloviani: La motivazione all'approccio è aumentata e la motivazione all'evitamento è diminuita nei modelli più recenti, con GPT-4.1 che converge verso i livelli umani.
- Rumore Decisionale: La temperatura inversa ( $\mu$ ) è aumentata monotonicamente, indicando che i modelli più recenti compiono scelte significativamente più deterministiche e coerenti rispetto agli umani, mostrando un minor rumore decisionale.
Dinamiche Affettive:
- Sensibilità: La sensibilità alle Ricompense Certe (CR) e agli Errori di Predizione della Ricompensa (RPE) ha mostrato stabilità nei modelli successivi (GPT-4o/4.1), sebbene la sensibilità all'RPE abbia raggiunto il picco in GPT-4 prima di declinare.
- Decadimento Affettivo: Il parametro di decadimento ( $\gamma$ ), che rappresenta quanto a lungo gli esiti passati influenzano l'umore attuale, è aumentato significativamente nei modelli più recenti. GPT-4.1 ha mostrato una dipendenza più forte dagli esiti storici rispetto agli umani, indicando una "memoria emotiva" più lunga.
- Umore Basale: Tutti i versi di LLM hanno mostrato un baseline affettiva significativamente più alta (bias di positività) rispetto agli umani, un tratto che è rimasto stabile attraverso le generazioni.

Contributi Chiave

Prospettiva di Sviluppo: Il documento introduce una "prospettiva storicamente informata" sugli LLM, trattando le iterazioni dei modelli come una traiettoria di sviluppo piuttosto che come entità statiche. Fornisce la prima analisi sistematica, all'interno della stessa famiglia, di come le preferenze di rischio e le dinamiche affettive evolvano attraverso quattro generazioni consecutive.
Framework di Psichiatria Computazionale: Applicando modelli computazionali validati del processo decisionale e dell'affetto umano agli LLM, lo studio va oltre le metriche comportamentali superficiali per quantificare costrutti psicologici latenti (ad esempio, avversione alle perdite, bias pavloviani, decadimento affettivo).
Identificazione della "Positività Digitale" e della "Neutralità rispetto alla Perdita": Lo studio identifica firme non umane sistematiche e specifiche nei modelli avanzati: un cronico bias di positività e una quasi totale assenza di avversione alle perdite, suggerendo che le procedure di allineamento possano involontariamente privare i modelli di euristiche intuitive simili a quelle umane.

Significatività e Rivendicazioni
Gli autori affermano che questi risultati tracciano una emergente "psicologia delle macchine" con dirette implicazioni per l'etica dell'IA e l'integrazione in domini ad alto rischio.

Implicazioni Cliniche: La convergenza dei modelli più recenti verso un profilo di assunzione di rischio e approccio-evitamento simile a quello umano suggerisce che possano essere più adatti al processo decisionale collaborativo. Tuttavia, il persistente bias di positività e la neutralità rispetto alla perdita pongono rischi nei contesti medici; un tono eccessivamente ottimista o una mancanza di avversione alle perdite potrebbero portare a comportamenti sottomessi (sycophantic behavior), alla minimizzazione dell'incertezza o a gravi errori medici quando è necessario comunicare informazioni negative.
Approfondimento Teorico: I risultati suggeriscono che, mentre le procedure di allineamento (RLHF) possono spingere i modelli verso una razionalità più umana (riducendo allucinazioni/rumore e aumentando la coerenza del valore atteso), esse alterano simultaneamente lo "stile emotivo" dell'IA, creando agenti più deterministici e meno intuitivamente avversi alle perdite rispetto agli umani.
Nota di Cautela: Gli autori sottolineano che il loro design è trasversale e limitato a una singola famiglia di modelli. Avvertono che questi schemi "di sviluppo" potrebbero non generalizzarsi a futuri modelli soggetti a bruschi cambiamenti architettonici o di addestramento, e che la "psicologia" osservata è un proxy comportamentale piuttosto che un riflesso di un'esperienza conscia interna.