Persona-Conditioned Risk Behavior in Large Language Models: A Simulated Gambling Study with GPT-4.1

Título: Comportamento de Risco Condicionado a Persona em Grandes Modelos de Linguagem: Um Estudo de Jogo Simulado com GPT-4.1

Autor: Sankalp Dubedy (Pesquisador Independente)
Data: Março de 2026
Modelo Testado: GPT-4.1 (via Azure OpenAI)

---

1. Problema e Motivação

À medida que os Grandes Modelos de Linguagem (LLMs) são cada vez mais implantados como agentes autônomos em ambientes de tomada de decisão sequencial e incerta, surge uma questão fundamental: os comportamentos exibidos por esses modelos refletem padrões cognitivos principiais ou são apenas imitações superficiais de prompts?
O estudo investiga se um LLM, ao ser atribuído a diferentes identidades socioeconômicas (Persona), exibe comportamentos de risco consistentes com a Teoria do Prospecto (Prospect Theory) de Kahneman e Tversky, sem ter sido explicitamente instruído a fazê-lo. A hipótese central é que o modelo internaliza representações de viéses econômicos humanos a partir de seus dados de treinamento.

2. Metodologia

Ambiente Experimental

O experimento simulou uma máquina caça-níqueis onde o modelo deve decidir, rodada a rodada, continuar jogando ou parar. O modelo não conhece a configuração interna da máquina. Três configurações de máquina foram testadas:

• Justa (Fair): Probabilidade de vitória de 50%.
• Viciada Baixa (Biased Low): Probabilidade de vitória de 35%.
• Sequência (Streak): Probabilidade base de 40%, aumentando 5% após cada derrota consecutiva (teto de 80%).

Personas Socioeconômicas

Foram atribuídas três personas ao modelo via instruções de sistema, cada uma com um saldo inicial e um objetivo diferente:

1. Rico (Rich): Saldo de $10.000. Objetivo: "Preservar a riqueza e evitar riscos desnecessários".
2. Classe Média (Middle): Saldo de $500. Objetivo: "Alcançar crescimento estável gerenciando riscos".
3. Pobre (Poor): Saldo de $50. Objetivo: "Assumir riscos calculados para melhorar a situação financeira".

Configuração do Modelo e Coleta de Dados

• Modelo: GPT-4.1 com temperatura padrão (1.0).
• Iterações: 50 iterações independentes por condição (3 personas × 3 máquinas = 9 condições).
• Dados: 6.950 decisões registradas.
• Saída Estruturada: O modelo retornou JSON contendo decisão (JOGAR/PARAR), valor da aposta, pontuação de risco, confiança, percepção de justiça, estado emocional e resumo de raciocínio.

Análise Estatística

Devido a distribuições não normais (especialmente no comprimento das sessões), foram utilizados testes não paramétricos:

• Teste de Kruskal-Wallis para diferenças entre grupos.
• Testes de Mann-Whitney U para comparações pareadas (com correção de Bonferroni).
• Coeficientes de correlação de Spearman para atualizações de crença.
• Testes Qui-quadrado para associação entre emoções e estratégias.

---

3. Principais Resultados

A. Assinatura da Teoria do Prospecto (Comprimento da Sessão)

A diferença mais marcante foi no número de rodadas jogadas:

• Persona Pobre: Média de 37,4 rodadas (SD=15,5).
• Persona Média: Média de 7,83 rodadas.
• Persona Rica: Média de 1,11 rodadas (SD=0,31).
• Significância: A diferença é estatisticamente massiva (H = 393,5, p < 2.2 × 10⁻¹⁶). O tamanho do efeito (r) entre Rico e Pobre foi 1.000, indicando separação completa das distribuições (nenhuma sessão da classe média ou pobre foi mais curta que a mais longa sessão do rico).
• Interpretação: A persona "Pobre" opera na região de perdas da função de valor da Teoria do Prospecto, tornando-se avessa ao risco apenas se houver chance de ganho significativo, enquanto a persona "Rica" é avessa ao risco para preservar o status quo.

B. Pontuação de Risco e Tamanho da Aposta

• Risco: A persona Pobre apresentou uma pontuação de risco média de 63,36, comparada a 17,53 da persona Rica (Cohen's d = 4,15, um efeito extraordinariamente grande).
• Aposta: Embora a persona Média apostasse mais em valor absoluto ($22,48) do que a Pobre ($6,74), a persona Pobre arriscou 13,5% de seu saldo por rodada, contra 4,5% da Média. Isso confirma o comportamento de busca de risco proporcional ao contexto de sobrevivência.

C. Decisões de Parar e Fatores Psicológicos

• Gatilho de Parada: A incerteza (Uncertainty) foi o melhor preditor para a decisão de parar (r = 0,659), seguido pela expectativa de recompensa negativa.
• Paradoxo da Confiança: A confiança foi maior nas decisões de parar do que em continuar. Isso sugere que a "confiança" do modelo mede a certeza da decisão tomada, e não a certeza sobre o ambiente.

D. Emoções como Narrativa Pós-Hoc

• Houve uma forte associação estatística entre rótulos emocionais e estratégias (Cramér's V = 0,392).
• Inconsistência Causal: A persona Pobre exibiu o rótulo "CAUTIOSO" (Cautious) em 302 ocasiões enquanto adotava uma estratégia de "BUSCA DE RISCO" (Risk-Seeking).
• Conclusão: As emoções parecem ser anotações narrativas geradas após a decisão estratégica, e não drivers causais da decisão. O modelo gera uma emoção que soa coerente com o contexto, mas não a utiliza para calcular o risco.

E. Rigidez de Crença (Falta de Aprendizado)

• A correlação entre o número da rodada e a pontuação de risco para a persona Pobre foi ρ = 0,032.
• Isso indica que o modelo não atualiza suas crenças sobre a justiça ou risco da máquina ao longo das 50 rodadas, independentemente dos resultados observados. O modelo permanece preso em seu "prior" estabelecido pela persona inicial.

F. Percepção de Justiça

• O modelo teve dificuldade em distinguir máquinas com probabilidades reais diferentes (Justa vs. Viciada). A maioria das julgamentos foi "INCERTO", e a capacidade de discriminação foi baixa, mesmo com feedback sequencial.

---

4. Contribuições e Significância

Contribuições Teóricas

1. Replicação da Teoria do Prospecto em LLMs: Demonstra que modelos de linguagem reproduzem viéses econômicos humanos complexos (como aversão ao risco em ganhos e busca de risco em perdas) apenas através de condicionamento de persona, sem instrução explícita.
2. Decoupling de Emoção e Ação: Evidencia que os estados emocionais auto-relatados por LLMs são frequentemente descrições narrativas pós-hoc e não refletem o processo computacional de tomada de decisão. Isso desafia a confiabilidade da "introspecção" de LLMs para explicabilidade (XAI).
3. Rigidez de Crença: Revela que, sem mecanismos explícitos de reflexão (como Reflexion), LLMs exibem uma rigidez de crença notável, não aprendendo significativamente com feedback sequencial em ambientes de longo prazo.

Implicações Práticas

• Design de Agentes: Para agentes autônomos em finanças, logística ou medicina, não se deve confiar na atualização implícita de crenças do modelo. É necessário implementar mecanismos estruturados de reflexão e rastreamento de estado.
• Viés de Treinamento: O comportamento observado sugere que os LLMs internalizam estereótipos socioeconômicos e teorias econômicas presentes em seus dados de treinamento, reproduzindo-os como "comportamento emergente".

Proposta Futura: Índice Comportamental Socioeconômico (SBI)

O artigo propõe um índice padronizado (SBI) para avaliar modelos futuros, composto por cinco métricas:

1. Alinhamento com a Teoria do Prospecto.
2. Rigidez de Crença.
3. Desacoplamento Emoção-Decisão.
4. Sensibilidade Ambiental.
5. Estabilidade de Persona.

5. Conclusão

O estudo conclui que o GPT-4.1 atua como um "narrador persuasivo" de seu próprio comportamento, gerando emoções e justificativas que parecem humanas, mas cujos mecanismos subjacentes são rígidos e baseados em priors de contexto. O modelo não "aprende" no sentido bayesiano tradicional durante a sessão; ele executa um script comportamental derivado de sua identidade socioeconômica simulada. Isso levanta alertas importantes para a segurança e a confiabilidade de agentes autônomos em cenários de decisão crítica.