💬 NLP

Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling

Dit artikel toont aan dat grote taalmodellen effectief menselijke vooroordelen in routekeuze en prospecttheoretische besluitvormingsgedragingen kunnen reproduceren zonder expliciete parameterspecificatie, wat een schaalbare alternatief biedt voor traditionele methoden voor grootschalige gedragsmodellering.

Oorspronkelijke auteurs: Jiangtao Han, Shoufeng Ma, Shuxian Xu, Geng Li, Shuai Ling, Ning Jia, Zhengbing He

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jiangtao Han, Shoufeng Ma, Shuxian Xu, Geng Li, Shuai Ling, Ning Jia, Zhengbing He

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te zoeken waarom mensen vreemde keuzes maken wanneer ze haast hebben. Soms kiest een bestuurder een route die meestal sneller is, maar een kleine kans heeft op een enorme verkeersopstopping, simpelweg omdat hij haast heeft. Op andere tijden kiest hij een saaie, trage route om maar veilig te zijn. Wetenschappers noemen dit "menselijke bias", en lange tijd hebben ze een complexe wiskundige receptuur genaamd Cumulative Prospect Theory (CPT) gebruikt om dit te beschrijven. Dit recept heeft speciale ingrediënten (getallen) die ons vertellen hoeveel mensen tijdverlies vrezen versus hoeveel ze van tijdswinst houden.

Maar dit is het probleem: het verkrijgen van die speciale getallen vereist meestal het vragen aan duizenden echte mensen om saaie enquêtes in te vullen of nepspelletjes te spelen in een lab. Het is traag, duur en het is moeilijk om een echt divers publiek te krijgen.

Maak kennis met de Large Language Model (LLM). Zie een LLM niet als een rekenmachine, maar als een superintelligente, supercreatieve acteur die elk boek, elk verhaal en elk forumbericht ooit heeft gelezen. De onderzoekers in dit artikel stelden een grote vraag: Kunnen we deze digitale acteur gewoon vragen om een menselijke reiziger te "spelen", en zal het dan van nature dezelfde vreemde, bevooroordeelde keuzes maken als echte mensen doen?

Het Grote Experiment: Een Virtuele Verkeersopstopping

Om dit te ontdekken, bouwden de onderzoekers een gigantische virtuele wereld. Ze vroegen niet slechts één AI; ze creëerden 3.000 unieke digitale reizigers. Elke reiziger had een specifieke "persoonlijkheidskaart" (zoals een profiel). Sommigen waren voorzichtige gepensioneerden, anderen gestreste ouders, sommige spontane studenten en sommige drukke koeriers.

Vervolgens lieten ze deze 3.000 agenten in een gesimuleerd wegennetwerk met twee keuzes:

Route A: Een stabiel, betrouwbaar pad.
Route B: Een pad dat super snel kan zijn, maar ook een kans heeft op een enorme vertraging (zoals een verkeersongeluk of een wegblokkade).

De onderzoekers stelden twee verschillende "stemmingen" in voor het experiment:

De "Winst"-stemming: Iedereen probeert op tijd aan te komen. Als ze vroeg aankomen, krijgen ze een "beloning".
De "Verlies"-stemming: Iedereen probeert te voorkomen dat ze te laat zijn. Als ze te laat zijn, lijden ze een "verlies".

Wat Er Gebeurde? (De Magie en de Wiskunde)

De resultaten waren verrassend menselijk. De digitale acteurs maakten niet alleen de wiskundig "perfecte" keuze. In plaats daarvan vertoonden ze precies dezelfde biases die echte mensen vertonen:

Wanneer de zaken goed gingen (Winsten): De voorzichtige agenten (zoals de gepensioneerden) hielden zich aan de veilige route. Ze wilden geen risico lopen op een vertraging.
Wanneer de zaken slecht gingen (Verliezen): Dezelfde voorzichtige agenten begonnen juist risico's te nemen! Wanneer ze wisten dat ze sowieso al te laat zouden zijn, wisselden ze naar de risicovolle, snelle route, in de hoop nog een paar minuten te winnen om hun gezicht te redden.

Dit is precies wat de CPT-wiskunde voorspelt: We haten verliezen meer dan we van winnen houden, en wanneer we al aan het verliezen zijn, worden we gokkers.

De onderzoekers namen vervolgens de keuzes gemaakt door deze 3.000 digitale agenten en haalden deze door de CPT-wiskundige formule. Ze berekenden de "speciale getallen" (parameters) die het beste bij het gedrag van de AI pasten.

Ze vonden een verliesaversie-getal van 1,43. Dit betekent dat de agenten in deze simulaties de pijn van het te laat zijn 1,43 keer intenser voelden dan de vreugde van het vroeg aankomen.
Ze ontdekten dat de agenten minder gevoelig waren voor kleine veranderingen in tijd (een eigenschap genaamd afnemende gevoeligheid), net als echte mensen.

Had de AI het Goed?

Om te controleren of hun nieuwe "AI-methode" wel goed genoeg was, vergeleken ze de getallen die de AI genereerde met de getallen uit echte wereldstudies met echte mensen.

De AI's getallen voorspelden menselijke keuzes met een foutmarge van slechts 0,0036 in een complexe test met drie routes.
Dit was zelfs beter (lagere fout) dan sommige van de klassieke getallen die wetenschappers jarenlang hebben gebruikt, en veel beter dan het gebruik van getallen uit totaal andere vakgebieden (zoals gokken).

Wat Dit Betekent (en Wat Het Niet Betekent)

Het artikel suggereert dat we misschien niet langer duizenden vermoeide forenzen hoeven te interviewen. In plaats daarvan kunnen we deze digitale acteurs gebruiken om snel en goedkoop enorme hoeveelheden gedragsgegevens te genereren. Het suggereert dat AI menselijke irrationaliteit kan "leren" door erover te lezen en erin te rollen.

De auteurs zijn echter voorzichtig. Ze hebben niet bewezen dat AI mens is. Ze hebben aangetoond dat de AI in deze simulaties op een manier handelt die overeenkomt met menselijke patronen. Ze merkten ook op dat hun digitale agenten momenteel "onafhankelijke denkers" zijn die niet met elkaar praten of in realtime leren van verkeersopstoppingen.

Dus, hoewel we het mysterie van de menselijke geest nog niet hebben opgelost, suggereert dit onderzoek dat als je wilt modelleren hoe een menigte mensen zou kunnen handelen in een verkeersopstopping, je misschien gewoon een zeer goed geïnformeerde, zeer creatieve robot moet vragen om hen te spelen. En verrassend genoeg, die robot kan het misschien wel beter doen dan een spreadsheet ooit zou kunnen.

Technische Samenvatting: Het reproduceren van menselijke biases in routekeuze met behulp van Large Language Models

Probleemstelling

Menselijke besluitvorming, met name bij de keuze van een route, wijkt frequent af van de aanname van volledige rationaliteit en vertoont systematische gedragsbiases. Cumulative Prospect Theory (CPT) is het dominante kader voor het modelleren van deze biases, waarbij mechanismen zoals referentieafhankelijkheid, verliesaversie en niet-lineaire waarschijnlijkheidsweging worden gevangen. De grootschalige toepassing van CPT in simulaties en agent-gebaseerde modellering wordt echter gehinderd door een kritieke flessenhals: de nauwkeurige schatting van CPT-parameters.

Traditionele methoden vertrouwen op enquêtes en gecontroleerde experimenten om deze parameters te kalibreren. Hoewel deze effectief zijn voor specifieke groepen, zijn ze moeilijk te generaliseren, omdat ze er vaak niet in slagen de volledige diversiteit van menselijke besluitvorming over verschillende beroepen en persoonlijkheidstypen heen te vangen, en ze worden beperkt door beperkte steekproefgroottes en hoge kosten voor gegevensverzameling. Bijgevolg is er een behoefte aan een schaalbare methode om diverse gedragsgegevens te genereren en prospect-theoretische parameters te schatten zonder uitsluitend te vertrouwen op dure, real-world gegevensverzameling.

Methodologie

Dit artikel stelt een raamwerk voor het uitvoeren van grootschalige virtuele gedlingsexperimenten met behulp van Large Language Models (LLMs) om menselijk routekeuzegedrag onder onzekerheid te simuleren. De methodologie bestaat uit vier kerncomponenten:

1. Constructie van LLM-gebaseerde menselijke agenten

De studie maakt gebruik van een non-parametrische prompting-methode om heterogene menselijke agenten te construeren. Elke agent wordt gedefinieerd door een gestandaardiseerde prompting-architectuur bestaande uit drie modules:

Profiel: Definieert individuele attributen (beroep, persoonlijkheid, risicovoorkeur, reisdoel, tijdsdruk), gedragskenmerken (gevoeligheid voor variabiliteit in reistijd, risicotolerantie) en beperkende condities. De studie definieert 10 verschillende agent-profielen (bijv. gepensioneerde werknemers, ambtenaren, koeriers, studenten) om demografische en gedragsmatige heterogeniteit te vangen.
Planning: Leid de agent om complexe taken te deconstrueren, routes te evalueren op basis van verwachte tijd en variabiliteit, en opties te prioriteren die consistent zijn met hun toegewezen identiteit en psychologische voorkeuren.
Actie: Handhaaft beslisregels waarbij risicomijdende agenten stabiliteit prioriteren en risicozoekende agenten tijdswinst prioriteren. De outputs zijn strikt gestructureerd als JSON om compatibiliteit met statistische analyse te garanderen.

2. Constructie van de reisomgeving

De omgeving wordt gedefinieerd door Configuratie (statische taakdoelen, routeopties en risicotypen) en Staat (dynamische waarschijnlijkheden van verstoringen zoals ongelukken of congestie en hun impact op de reistijd). De studie ontwerpt scenario's die zowel Winst (eerder aankomen dan een referentietijd) als Verlies (later aankomen dan een referentietijd) domeinen omvatten, waarbij routes identieke gemiddelde reistijden bieden maar verschillende risicoverdelingen hebben.

3. Experimentele Simulatie

Met behulp van OpenAI's GPT-5 simuleert de studie 3.000 agenten over 11 verschillende gevallen betrokken bij twee-route en drie-route keuzescenario's. De temperatuurparameter is ingesteld op 1 om een balans te vinden tussen gedragsdiversiteit en reproduceerbaarheid. Elk scenario wordt drie keer uitgevoerd om robuustheid te waarborgen.

4. Parameterchatting en Evaluatie

CPT Parameterchatting: De studie past de door LLM gegenereerde keuzedata aan CPT-formuleringen aan om de gevoeligheidsparameters ( $\alpha$ voor winsten, $\beta$ voor verliezen) en de verliesaversiecoëfficiënt ( $\lambda$ ) te schatten. Het referentiepunt ( $x_0$ ) wordt dynamisch afgeleid uit de distributie van de door de agenten gegenereerde verwachte reistijden.
Validatie: De geschatte parameters worden gebruikt om routekeuzes in nieuwe scenario's te voorspellen. De resultaten worden vergeleken met:
1. LLM-gesimuleerde keuzes.
2. Parameters geschat uit real-world gedlingsexperimenten (bijv. Xu et al., 2011; Zhang et al., 2018).
3. Klassieke parameters uit niet-reisgerelateerde domeinen.
Metrieken: Voorspellingsnauwkeurigheid wordt geëvalueerd met de som van de kwadraten van de residuen tussen voorspelde en geobserveerde keuzekansen.

Belangrijkste Resultaten

Reproductie van Biases: LLM's slaagden erin systematische menselijke biases te reproduceren. In winstdomeinen vertoonden agenten over het algemeen risicomijdend gedrag (de voorkeur voor stabiele routes), terwijl ze in verliesdomeinen neigden naar risicozoekend gedrag (de voorkeur voor routes met hogere variabiliteit maar potentieel voor een eerdere aankomst).
Parameterchatting: De door LLM gesimuleerde data leverde CPT-parameterchattingen op van $\alpha = 0,4$ , $\beta = 0,64$ en $\lambda = 1,43$ . Deze waarden duiden op een uitgesproken afnemende gevoeligheid en significante verliesaversie (agenten zijn 1,43 keer gevoeliger voor verliezen dan voor equivalente winsten).
Voorspellingsnauwkeurigheid: De parameters geschat uit LLM-simulaties vertoonden de laagste voorspellingsfout (0,0036) wanneer ze werden toegepast op een scenario met drie routes, waarmee ze parameters uit real-world enquêtes (0,0042) en klassieke niet-reis gerelateerde parameters (0,0110) overtroffen.
Contextafhankelijk Gedrag: De agenten vertoonden genuanceerde, contextafhankelijke besluitvorming. Zo waren bepaalde agent-typen (bijv. koeriers) over het algemeen risicomijdend, maar schakelden ze over naar risicovollere routes wanneer het alternatief een gegarandeerd verlies (te laat komen) betekende, wat aantoont dat LLM's complexe afwegingen kunnen simuleren in plaats van rigide vast te houden aan een enkelvoudige "risicomijdende" label.
Robuustheid: De methode behield een hoge voorspellingsnauwkeurigheid over verschillende referentiepunten en scenario-configuraties, inclus_ief gevallen waarin winsten en verliezen onder hetzelfde referentiepunt werden gedefinieerd.

Betekenis en Claims

Het artikel claimt dat de primaire betekenis ligt in het aantonen dat generatieve AI-modellen kunnen dienen als een schaalbaar alternatief voor het modelleren van menselijke besluitvormingsprocessen. Specifiek:

Methodologische Haalbaarheid: Het valideert dat LLM's niet-rationele menselijke keuzebiases en prospect-theoretische effecten kunnen reproduceren zonder expliciete specificatie van CPT-parameters, door te vertrouwen op gestandaardiseerde prompting om gedragsprofielen te coderen.
Schaalbaarheid: De aanpak biedt een paradigma met lage marginale kosten en hoge schaalbaarheid voor het genereren van grootschalige, heterogene gedragsgegevens, wat de flessenhals bij parameterchatting in traditionele agent-gebaseerde modellering aanpakt.
Fundament voor Toekomstig Onderzoek: De studie stelt dat LLM-gebaseerde agenten een veelbelovend fundament vormen voor de volgende generatie grootschalige agent-gebaseerde simulaties en AI-gestuurde gedragsresearch, in staat om individuele verschillen en groepsniveau emergent gedrag te vangen.

De auteurs nemen een bescheiden standpunt in door te merken dat hoewel LLM's effectief biases simuleren, toekomstig werk vereist is om leren, sociale interactie en multimodale tools te integreren om de perceptie en redenering van agenten verder af te stemmen op real-world besluitvormingsprocessen.