Information Design With Large Language Models

Dit artikel introduceert een theoretisch raamwerk dat taalgebaseerde framing en Bayesiaanse signalering combineert, waarbij Large Language Models worden ingezet om de complexe ruimte van mogelijke framingstrategieën te optimaliseren en zo de effectiviteit van informatieontwerp voor menselijke besluitvorming te verbeteren.

De kern

Stel je voor dat je een reclamebureau bent dat een nieuwe collectie kleding moet verkopen. Je hebt twee belangrijke gereedschappen om de klant te overtuigen:

1. De "Slogan" (Het Framing): Dit is de manier waarop je het verhaal vertelt. Denk aan de tekst op een affiche, de toon van een video of de woorden die je kiest. Een slogan als "30% kans om 600 mensen te redden" voelt heel anders dan "70% kans dat iedereen sterft", zelfs als het wiskundig hetzelfde is. Dit is wat de auteurs framing noemen: het beïnvloeden van wat de klant denkt voordat ze überhaupt naar de prijs kijken.
2. De "Korting" (Het Signaal): Dit is de feitelijke informatie die je geeft over een specifiek product. Een hoge korting kan een signaal zijn dat een product minder goed is, of juist dat het een koopje is. Dit werkt volgens de klassieke logica: de klant past zijn verwachtingen aan op basis van de feiten.

Het probleem:
In de oude economische theorie dachten we dat alleen de feiten (de korting) telden. Maar in het echte leven (en in de psychologie) maakt de slogan enorm veel uit. Het probleem voor bedrijven is: Hoe vind je de perfecte slogan én de perfecte kortingstrategie? Er zijn oneindig veel slogans mogelijk, en het is heel moeilijk om te voorspellen welke slogan bij welke klant welk gevoel oproept.

De oplossing: De "AI-Magier"
De auteurs van dit paper gebruiken Grote Taalmodellen (LLMs), zoals de technologie achter ChatGPT, als een soort "magische spiegel".

• In plaats van duizenden mensen te vragen wat ze van een slogan vinden (wat duur en langzaam is), vragen ze de AI: "Als deze slogan wordt getoond aan een modieuze shopper, wat denkt die persoon dan over de kwaliteit van de jas?"
• De AI simuleert de gedachten van de mens.

De grote ontdekkingen:

1. Alleen de slogan aanpassen is een valstrik:
   Als je al een vaste kortingstrategie hebt (bijvoorbeeld: "altijd 20% korting"), is het extreem moeilijk om de perfecte slogan te vinden die de verkoop maximaliseert. De relatie tussen een slogan en de verkoop is onvoorspelbaar en schokkerig. Een heel klein woordje veranderen in de slogan kan de klant van "ik koop het" naar "ik gooi het weg" laten springen. Het is alsof je probeert een auto te parkeren door alleen de radio te draaien; het werkt niet goed en is heel gevoelig voor kleine foutjes.

2. Slogan én korting samen aanpassen is de winnende strategie:
   Als je echter beide dingen tegelijk kunt optimaliseren (de slogan en de korting), wordt het veel makkelijker en veiliger.

   • De analogie: Stel je voor dat je een danspartner zoekt. Als je alleen je kleding (slogan) aanpast, maar je partner (de klant) heeft al een vast plan, kun je snel struikelen. Maar als je samen met je partner de dansstappen (korting) en de kleding (slogan) op elkaar afstemt, vinden jullie vanzelf de perfecte balans.
   • De wiskunde in het paper laat zien dat deze "samenwerking" veel robuuster is. Zelfs als de AI niet 100% perfect de gedachten van de mens simuleert, werkt de strategie toch goed.

Wat hebben ze gedaan?
Ze hebben een systeem gebouwd dat als volgt werkt:

1. De AI bedenkt een slogan.
2. De AI simuleert wat de klant daarvan denkt (wat is de "geloofswaarde"?).
3. Een wiskundig programma berekent de beste kortingstrategie voor die specifieke gedachte van de klant.
4. De AI krijgt feedback: "Je slogan was goed, maar de kortingstrategie gaf een lagere winst. Probeer de slogan iets anders te formuleren."
5. Dit proces herhaalt zich totdat ze de perfecte combinatie hebben gevonden.

Het resultaat:
In hun proef met een denkbeeldig kledingmerk ("Himalaya") bleek dat de AI-gegenereerde slogans en strategieën beter werkten dan de standaard aanpak van een bekend merk (Patagonia) voor een specifiek nieuw publiek (jonge, modieuze mensen).

Kortom:
Dit paper zegt: "Gebruik AI om te begrijpen hoe mensen denken over je woorden (slogan), en combineer dat slim met je prijzen (korting). Als je ze samen optimaliseert, werkt het wonderbaarlijk goed. Probeer alleen je slogan te fixen zonder je prijzen aan te passen, en je loopt vast in een wiskundige nachtmerrie."

Het is een brug tussen de koude wiskunde van economie en de warme, complexe wereld van menselijke psychologie, waarbij AI de tolk speelt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Information Design with Large Language Models" in het Nederlands.

Titel: Information Design with Large Language Models

Auteurs: Paul Dütting, Safwan Hossain, Tao Lin, Renato Paes Leme, Sai Srivatsa Ravindranath, Haifeng Xu, Song Zuo.

---

1. Probleemstelling

Traditionele informatieontwerpmodellen (zoals Bayesian Persuasion) gaan ervan uit dat zenders (senders) ontvangers (receivers) beïnvloeden door het onthullen van signalen die een correlatie hebben met de ware toestand van de wereld. Ontvangers updaten hun overtuigingen (beliefs) puur op een Bayesiaanse manier.

Het paper identificeert echter een cruciale beperking: dit negeert inzichten uit gedragspsychologie en behavioral economics, zoals het framing-effect. Menselijke besluitvorming wordt niet alleen bepaald door de feitelijke informatie, maar ook door hoe die informatie wordt verpakt (bijv. de woordkeuze, de context, of de "slogan").

Het centrale probleem is hoe men framing (een staat-onafhankelijke boodschap die de prior-belief van de ontvanger beïnvloedt) en signaling (een staat-afhankelijke aanbeveling) geoptimaliseerd kan worden om de utiliteit van de zender te maximaliseren. De uitdagingen zijn:

1. De ruimte van mogelijke framings is enorm en voornamelijk linguïstisch.
2. Het effect van framing op de overtuiging van een ontvanger is persoonlijk en moeilijk wiskundig te karakteriseren.

Het paper stelt voor om Large Language Models (LLMs) te gebruiken als proxy voor menselijk gedrag om deze ruimte te verkennen en het framing-belief-mapping te simuleren.

---

2. Methodologie en Theoretisch Model

Het Model: Informatieontwerp met Framing

Het auteurs definiëren een model dat de klassieke Bayesian Persuasion uitbreidt met een "framing" component:

• Zender en Ontvanger: De zender observeert de ware toestand $\omega$, de ontvanger niet.
• Framing ($c$): Een staat-onafhankelijke boodschap (bijv. een slogan) die de zender kiest voordat de toestand bekend is. Dit beïnvloedt de subjectieve prior-belief ($\mu_c$) van de ontvanger op een manier die niet noodzakelijk Bayesiaans is. De mapping $\ell: c \to \mu_c$ wordt bepaald door maatschappelijke normen of de "natuur", niet door de zender.
• Signaling ($\pi$): Na het waarnemen van $\omega$, kiest de zender een signaal $s$ (bijv. een korting) om de prior-belief $\mu_c$ te updaten naar een posterior-belief via Bayes' regel.
• Doel: De zender wil een strategie $(c, \pi)$ kiezen om haar verwachte utiliteit te maximaliseren.

Er worden drie optimalisatieproblemen onderzocht:

1. Alleen Signaling: Framing is vast; optimaliseer alleen $\pi$.
2. Alleen Framing: Signaling is vast; optimaliseer alleen $c$.
3. Gecombineerde Optimalisatie: Optimaliseer zowel $c$ als $\pi$ tegelijkertijd.

Rol van LLMs

Aangezien de ruimte van natuurlijke taal ($C$) te groot is voor exhaustieve zoektochten, gebruiken de auteurs LLMs voor twee taken:

1. Belief Estimation: Een LLM fungeert als proxy voor de ontvanger om te voorspellen welke prior-belief ($\mu_c$) een specifieke framing $c$ zal genereren.
2. Zoekruimte: De LLM wordt gebruikt om iteratief nieuwe framings te genereren en te verfijnen op basis van feedback (utiliteit en correctheid).

---

3. Belangrijkste Theoretische Resultaten

De auteurs analyseren de complexiteit en stabiliteit van de drie scenario's:

A. Alleen Framing Optimalisatie (Framing-Only)

• Complexiteit: Het probleem is NP-hard, zelfs als de ruimte van inducerbare overtuigingen ($B$) het volledige simplex is. Het kan worden gereduceerd tot een Bayesiaanse Stackelberg Game.
• Stabiliteit: De verwachte utiliteit van de zender is een discontinue functie van de prior-belief van de ontvanger.
  • Implicatie: Kleine fouten in de schatting van de framing-belief mapping (bijv. door een imperfecte LLM) kunnen leiden tot enorme verliezen in utiliteit. Dit maakt dit probleem zeer moeilijk te optimaliseren in de praktijk.

B. Gecombineerde Framing-Signaling Optimalisatie (Joint Optimization)

• Complexiteit: Dit probleem is aanzienlijk beter hanteerbaar (tractable).
• Stabiliteit: De optimale utiliteit van de zender is een continue functie van de prior-belief wanneer de signaling-scheme ook geoptimaliseerd wordt.
  • Implicatie: Het systeem is robuust tegen kleine fouten in de belief-schatting.
• Algoritmen:
  • Voor een onbeperkte belief-ruimte bestaat er een polynoom-tijd algoritme voor een benadering met een verlies van $1/|\Omega|$.
  • Voor een beperkte (convexe) belief-ruimte bestaat er een Quasi-Polynomial Time Approximation Scheme (QPTAS).

Conclusie: Het is theoretisch veel veiliger en efficiënter om framing en signaling samen te optimaliseren dan om framing alleen te optimaliseren met een vast signaling-schema.

---

4. Empirische Studie

De auteurs testen hun theorie in een praktijkcase: Reclame voor een kledingmerk.

• Scenario: Een merk ("Himalaya") lanceert een nieuwe collectie. De zender moet een slogan (framing) kiezen en kortingstrategieën (signaling) bepalen voor verschillende producttypes (Chic/Duurzaam vs. Functioneel/Niet-duurzaam).
• Doelgroep: Modebewuste consumenten die prestatie-eigenschappen waarderen maar vooral op uiterlijk letten.
• LLM Setup:
  • Gebruik van GPT-5.2 en Claude Sonnet 4.
  • Iteratieve Prompt Optimalisatie: De LLM genereert een slogan, een andere LLM schat de daaruit voortvloeiende overtuigingen van de consument, en een analytische solver berekent de optimale signaling (korting) en de bijbehorende utiliteit.
  • Deze feedback wordt gebruikt om de prompt te verfijnen (tekstuele gradiënten) voor de volgende iteratie.

Resultaten:

1. Belief Schatting: LLMs (met name GPT-5.2) konden de overtuigingen van consumenten zeer nauwkeurig schatten in vergelijking met menselijke beoordelingen (via Prolific-studie).
2. Optimalisatie: Het framework slaagde erin om framings te genereren die een hogere verwachte utiliteit opleverden dan het startpunt (de bestaande Patagonia-slogan).
3. Robuustheid: De resultaten bevestigen dat de gecombineerde optimalisatie robuust is; zelfs met kleine variaties in de geschatte overtuigingen bleef de prestatie hoog.

---

5. Betekenis en Conclusie

Dit paper biedt een brug tussen klassieke economische theorie (Bayesian Persuasion) en moderne AI-technologie (LLMs) om het complexe fenomeen van framing formeel te modelleren.

• Theoretische Bijdrage: Het identificeert dat het optimaliseren van framing alleen een fundamenteel moeilijk (NP-hard en discontinu) probleem is, terwijl het gezamenlijk optimaliseren van framing en signaling een hanteerbaar en robuust probleem is.
• Praktische Bijdrage: Het demonstreert een werkend framework waarbij LLMs worden gebruikt om de linguïstische ruimte van framing te verkennen en te optimaliseren, wat traditioneel duur en tijdrovend was (bijv. via focusgroepen).
• Toekomstperspectief: Het werk opent de deur voor "algorithmic persuasion" waarbij AI-systemen niet alleen data analyseren, maar ook de manier waarop informatie wordt gepresenteerd, dynamisch en strategisch optimaliseren voor specifieke doelgroepen.

Samenvattend bewijst het paper dat hoewel het isoleren van het framing-effect wiskundig uitdagend is, het combineren ervan met signaalontwerp een krachtige en berekenbare strategie biedt voor effectieve overreding in de AI-tijdperk.