Resumo Técnico: Reproduzindo Vieses Humanos na Escolha de Rotas Usando Grandes Modelos de Linguagem

Declaração do Problema

A tomada de decisão humana, particularmente na escolha de rotas, frequentemente se desvia da suposição de racionalidade plena, exibindo vieses comportamentais sistemáticos. A Teoria do Prospecto Cumulativa (CPT) é o arcabouço dominante para modelar esses vieses, capturando mecanismos como dependência de referência, aversão à perda e ponderação de probabilidade não linear. No entanto, a aplicação em larga escala da CPT em simulações e modelagem baseada em agentes é dificultada por um gargalo crítico: a estimativa precisa dos parâmetros da CPT.

Os métodos tradicionais dependem de pesquisas e experimentos controlados para calibrar esses parâmetros. Embora eficazes para grupos específicos, essas abordagens são difíceis de generalizar, muitas vezes falham em capturar toda a diversidade da tomada de decisão humana entre diferentes ocupações e tipos de personalidade, e são limitadas por tamanhos de amostra reduzidos e altos custos de coleta de dados. Consequentemente, há uma necessidade de um método escalável para gerar dados comportamentais diversos e estimar parâmetros prospectivos sem depender exclusivamente de coletas de dados do mundo real, que são caras.

Metodologia

Este artigo propõe um framework para a condução de experimentos comportamentais virtuais em larga escala usando Grandes Modelos de Linguagem (LLMs) para simular o comportamento de escolha de rotas humanas sob incerteza. A metodologia consiste em quatro componentes principais:

1. Construção de Agentes Humanos Baseados em LLM

O estudo utiliza um método de prompting não paramétrico para construir agentes heterogêneos. Cada agente é definido por uma arquitetura de prompting padronizada composta por três módulos:

• Perfil: Define atributos individuais (ocupação, personalidade, preferência ao risco, propósito da viagem, pressão de tempo), características de comportamento (sensibilidade à variabilidade do tempo de viagem, tolerância ao risco) e condições de restrição. O estudo define 10 perfis de agentes distintos (ex: trabalhadores aposentados, funcionários públicos, entregadores, estudantes) para capturar a heterogeneidade demográfica e comportamental.
• Planejamento: Guia o agente para decompor tarefas complexas, avaliar rotas com base no tempo esperado e variabilidade, e priorizar opções consistentes com sua identidade atribuída e preferências psicológicas.
• Ação: Impõe regras de decisão onde agentes avessos ao risco priorizam a estabilidade e agentes propensos ao risco priorizam a economia de tempo. As saídas são estritamente estruturadas como JSON para garantir compatibilidade com análise estatística.

2. Construção do Ambiente de Viagem

O ambiente é definido por Configuração (objetivos de tarefas estáticas, opções de rotas e tipos de risco) e Estado (probabilidades dinâmicas de interrupções como acidentes ou congestionamentos e seu impacto no tempo de viagem). O estudo desenha cenários envolvendo tanto domínios de Ganho (chegar antes de um tempo de referência) quanto de Perda (chegar depois de um tempo de referência), com rotas oferecendo tempos médios de viagem idênticos, mas distribuições de risco diferentes.

3. Simulação Experimental

Utilizando o GPT-5 da OpenAI, o estudo simula 3.000 agentes em 11 casos distintos envolvendo cenários de escolha de duas e três rotas. O parâmetro de temperatura é definido como 1 para equilibrar a diversidade comportamental com a reprodutibilidade. Cada cenário é executado três vezes para garantir robustez.

4. Estimativa de Parâmetros e Avaliação

• Estimativa de Parâmetros CPT: O estudo ajusta os dados de escolha gerados pelo LLM a formulações de CPT para estimar os parâmetros de sensibilidade ($\alpha$ para ganhos, $\beta$ para perdas) e o coeficiente de aversão à perda ($\lambda$). O ponto de referência ($x_0$) é inferido dinamicamente a partir da distribuição de tempos de viagem esperados gerados pelos agentes.
• Validação: Os parâmetros estimados são usados para prever escolhas de rotas em novos cenários. Os resultados são comparados contra:
  1. Escolhas simuladas pelo LLM.
  2. Parâmetros estimados a partir de experimentos comportamentais do mundo real (ex: Xu et al., 2011; Zhang et al., 2018).
  3. Parâmetros clássicos de domínios não relacionados a viagens.
• Métricas: A precisão da previsão é avaliada usando a soma dos resíduos quadrados entre as probabilidades de escolha previstas e observadas.

Principais Resultados

• Reprodução de Vieses: Os LLMs reproduziram com sucesso vieses humanos sistemáticos. Nos domínios de ganho, os agentes geralmente exibiram aversão ao risco (preferindo rotas estáveis), enquanto nos domínios de perda, eles mudaram para um comportamento de busca de risco (preferindo rotas com maior variabilidade, mas com potencial de chegada antecipada).
• Estimativa de Parâmetros: Os dados simulados pelo LLM produziram estimativas de parâmetros CPT de $\alpha = 0,4$, $\beta = 0,64$ e $\lambda = 1,43$. Esses valores indicam sensibilidade decrescente pronunciada e aversão significativa à perda (agentes são 1,43 vezes mais sensíveis a perdas do que a ganhos equivalentes).
• Precisão Preditiva: Os parâmetros estimados a partir das simulações de LLM demonstraram o menor erro de previsão (0,0036) quando aplicados a um cenário de três rotas, superando os parâmetros derivados de pesquisas do mundo real (0,0042) e parâmetros clássicos de domínios não relacionados a viagens (0,0110).
• Comportamento Dependente de Contexto: Os agentes exibiram uma tomada de decisão matizada e dependente do contexto. Por exemplo, embora geralmente avessos ao risco, certos tipos de agentes (ex: entregadores) mudaram para rotas mais arriscadas quando a alternativa garantia uma perda (atraso), demonstrando que os LLMs podem simular trade-offs complexos em vez de uma adesão rígida a um único rótulo de "aversão ao risco".
• Robustez: O método manteve alta precisão preditiva através de diferentes pontos de referência e configurações de cenário, incluindo casos onde ganhos e perdas foram definidos sob o mesmo ponto de referência.

Significância e Alegações

O artigo alega que sua principal significância reside em demonstrar que modelos de IA generativa podem servir como uma alternativa escalável para modelar processos de decisão humana. Especificamente:

1. Viabilidade Metodológica: Valida que os LLMs podem reproduzir vieses de escolha humanos não racionais e efeitos da teoria do prospecto sem a especificação explícita de parâmetros CPT, baseando-se, em vez disso, em prompting padronizado para codificar perfis comportamentais.
2. Escalabilidade: A abordagem oferece um paradigma computacional de baixo custo marginal e escalável para gerar dados comportamentais heterogêneos em larga escala, abordando o gargalo da estimativa de parâmetros na modelagem de agentes tradicional.
3. Fundação para Pesquisas Futuras: O estudo postula que agentes baseados em LLM fornecem uma base promissora para a próxima geração de simulações baseadas em agentes de larga escala e pesquisa comportamental impulsionada por IA, capazes de capturar diferenças individuais e comportamentos emergentes de grupo.

Os autores mantêm uma postura modesta, observando que, embora os LLMs simulem vieses de forma eficaz, trabalhos futuros serão necessários para integrar aprendizado, interação social e ferramentas multimodais para alinhar ainda mais a percepção e o raciocínio dos agentes com os processos de decisão do mundo real.