Sintesi Tecnica: Riprodurre i Bias Umani nella Scelta del Percorso Utilizzando Modelli di Linguaggio di Grandi Dimensioni (LLM)

Definizione del Problema

Il processo decisionale umano, in particolare nella scelta del percorso, devia frequentemente dall'assunto di piena razionalità, esibendo bias comportamentali sistematici. La Teoria del Prospetto Cumulativa (CPT) è il framework dominante per modellare questi bias, catturando meccanismi quali la dipendenza dal punto di riferimento, l'avversione alle perdite e la ponderazione non lineare delle probabilità. Tuttavia, l'applicazione su larga scala della CPT nella simulazione e nella modellazione basata su agenti è ostacolata da un collo di bottiglia critico: la stima accurata dei parametri CPT.

I metodi tradizionali si affidano a sondaggi ed esperimenti controllati per calibrare questi parametri. Sebbene efficaci per gruppi specifici, tali approcci sono difficili da generalizzare, spesso non riescono a catturare l'intera diversità del processo decisionale umano tra diverse occupazioni e tipi di personalità, e sono limitati da campioni ridotti e alti costi di raccolta dati. Di conseguenza, esiste la necessità di un metodo scalabile per generare dati comportamentali diversificati e stimare i parametri della teoria del prospetto senza fare affidamento esclusivamente su costose attività di raccolta dati nel mondo reale.

Metodologia

Questo articolo propone un framework per condurre esperimenti comportamentali virtuali su larga scala utilizzando Modelli di Linguaggio di Grandi Dimensioni (LLM) per simulare il comportamento umano nella scelta del percorso sotto incertezza. La metodologia si compone di quattro componenti principali:

1. Costruzione di Agenti Umani basati su LLM

Lo studio impiega un metodo di prompting non parametrico per costruire agenti umani eterogenei. Ogni agente è definito da un'architettura di prompting standardizzata composta da tre moduli:

• Profilo (Profile): Definisce gli attributi individuali (occupazione, personalità, preferenza al rischio, scopo del viaggio, pressione temporale), le caratteristiche comportamentali (sensibilità alla variabilità dei tempi di percorrenza, tolleranza al rischio) e le condizioni di vincolo. Lo studio definisce 10 profili di agenti distinti (ad es., lavoratori in pensione, impiegati statali, corrieri, studenti) per catturare l'eterogeneità demografica e comportamentale.
• Pianificazione (Planning): Guida l'agente a scomporre compiti complessi, valutare i percorsi in base al tempo atteso e alla variabilità, e dare priorità alle opzioni coerenti con la propria identità assegnata e le preferenze psicologiche.
• Azione (Action): Impone regole decisionali in cui gli agenti avversi al rischio danno priorità alla stabilità e gli agenti propensi al rischio danno priorità al risparmio di tempo. Gli output sono strettamente strutturati in formato JSON per garantire la compatibilità con l'analisi statistica.

2. Costruzione dell'Ambiente di Viaggio

L'ambiente è definito da Configurazione (obiettivi del compito statici, opzioni di percorso e tipi di rischio) e Stato (probabilità dinamiche di interruzioni come incidenti o congestione e il loro impatto sui tempi di percorrenza). Lo studio progetta scenari che coinvolgono sia domini di Guadagno (arrivare prima di un tempo di riferimento) che di Perdita (arrivare dopo un tempo di riferimento), con percorsi che offrono tempi medi di percorrenza identici ma diverse distribuzioni di rischio.

3. Simulazione Sperimentale

Utilizzando OpenAI GPT-5, lo studio simula 3.000 agenti attraverso 11 casi distinti che coinvolgono scenari di scelta tra due e tre percorsi. Il parametro della temperatura è impostato a 1 per bilanciare la diversità comportamentale con la riproducibilità. Ogni scenario viene eseguito tre volte per garantirne la robustezza.

4. Stima dei Parametri e Valutazione

• Stima dei Parametri CPT: Lo studio adatta i dati di scelta generati dagli LLM alle formulazioni CPT per stimare i parametri di sensibilità ($\alpha$ per i guadagni, $\beta$ per le perdite) e il coefficiente di avversione alle perdite ($\lambda$). Il punto di riferimento ($x_0$) è inferito dinamicamente dalla distribuzione dei tempi di percorrenza attesi generati dagli agenti.
• Validazione: I parametri stimati vengono utilizzati per predire le scelte di percorso in nuovi scenari. I risultati vengono confrontati con:
  1. Le scelte simulate dagli LLM.
  2. I parametri stimati da esperimenti comportamentali nel mondo reale (ad es., Xu et al., 2011; Zhang et al., 2018).
  3. Parametri classici di domini non legati al viaggio.
• Metriche: L'accuratezza della predizione è valutata utilizzando la somma dei residui al quadrato tra le probabilità di scelta osservate e quelle predette.

Risultati Chiave

• Riproduzione dei Bias: Gli LLM hanno riprodotto con successo i bias sistematici umani. Nei domini di guadagno, gli agenti hanno generalmente mostrato avversione al rischio (preferendo percorsi stabili), mentre nei domini di perdita si sono spostati verso comportamenti propensi al rischio (preferendo percorsi con maggiore variabilità ma con il potenziale di un arrivo anticipato).
• Stima dei Parametri: I dati simulati dagli LLM hanno prodotto stime dei parametri CPT di $\alpha = 0.4$, $\beta = 0.64$ e $\lambda = 1.43$. Questi valori indicano una pronunciata diminuzione della sensibilità e una significativa avversione alle perdite (gli agenti sono 1,43 volte più sensibili alle perdite rispetto ai guadagni equivalenti).
• Accuratezza Predittiva: I parametri stimati dalle simulazioni LLM hanno dimostrato l'errore di predizione più basso (0,0036) quando applicati a uno scenario a tre percorsi, superando i parametri derivati da sondaggi nel mondo reale (0,0042) e i parametri classici non legati al viaggio (0,0110).
• Comportamento Dipendente dal Contesto: Gli agenti hanno mostrato un processo decisionale sfumato e dipendente dal contesto. Ad esempio, pur essendo generalmente avversi al rischio, determinati tipi di agenti (ad es., corrieri) si sono spostati verso percorsi più rischiosi quando l'alternativa garantiva una perdita (ritardo), dimostando che gli LLM possono simulare scambi complessi piuttosto che un rigido rispetto di un'unica etichetta di "avversione al rischio".
• Robustezza: Il metodo ha mantenuto un'elevata accuratezza predittiva attraverso diversi punti di riferimento e configurazioni di scenario, inclusi i casi in cui guadagni e perdite erano definiti sotto lo stesso punto di riferimento.

Significato e Rivendicazioni

L'articolo sostiene che la sua importanza primaria risiede nel dimostrare che i modelli di IA generativa possono fungere da alternativa scalabile per la modellazione dei processi decisionali umani. Nello specifico:

1. Fattibilità Metodologica: Valida il fatto che gli LLM possono riprodurre i bias decisionali non razionali e gli effetti della teoria del prospetto senza una specifica esplicita dei parametri CPT, affidandosi invece a un prompting standardizzato per codificare i profili comportamentali.
2. Scalabilità: L'approccio offre un paradigma computazionale a basso costo marginale e scalabile per generare dati comportamentali eterogenei su larga scala, affrontando il collo di bottiglia della stima dei parametri nella modellazione tradizionale basata su agenti.
3. Fondamento per la Ricerca Futura: Lo studio pone gli agenti basati su LLM come una promettente base per la prossima generazione di simulazioni basate su agenti su larga scala e ricerca comportamentale guidata dall'IA, capaci di catturare differenze individuali e comportamenti emergenti a livello di gruppo.

Gli autori mantengono una posizione modesta, osservando che, sebbene gli LLM simulino efficacemente i bias, sarà necessario il lavoro futuro per integrare l'apprendimento, l'interazione sociale e gli strumenti multimodali per allineare ulteriormente la percezione e il ragionamento degli agenti con i processi decisionali del mondo reale.