Resumo: Um novo estudo apresenta uma estrutura de mapeamento cognitivo automatizado que combina o poder computacional bruto de grandes modelos de linguagem (LLMs) com matemática precisa de escolha comportamental. Ao utilizar um LLM para ler milhares de justificações pessoais em texto livre escritas por participantes humanos durante jogos de azar de apostas altas, a equipe demonstrou com sucesso que os auto-insights das pessoas são uma fonte de dados altamente confiável e matematicamente válida, mostrando que o raciocínio chave depende da forma do sistema em que os humanos confiam.
Informações básicas
- Teste de texto de jogo: Durante jogos de azar simulados envolvendo parâmetros de risco variados, os participantes foram impedidos de clicar em apenas uma opção; Eles têm que descrever ativamente seus processos de pensamento internos e justificativas subjetivas com suas próprias palavras após cada rodada.
- Livro de códigos algorítmicos: Com base em décadas de finanças comportamentais estabelecidas e teoria de tomada de decisão, os pesquisadores desenvolveram uma ampla taxonomia de possível raciocínio humano, que vai desde a otimização hiperfocada do melhor resultado possível (“heurística maximax”) até a evitação intensa da destruição máxima (“prevenção de perdas minimax”).
- LLM como auditor qualitativo escalável: Em vez de depender de assistentes de pesquisa humanos para ler e etiquetar manualmente milhares de folhas de diários individuais, a equipe implantou LL.M. Os modelos atuam como auditores qualitativos de alta velocidade, lendo a escala de dados de texto livre e marcando instantaneamente os fatores emocionais exatos que impulsionam cada entrada.
- Verificação de escolha matemática: Para verificar se as classificações de texto do LLM não eram alucinatórias ou arbitrárias, os pesquisadores cruzaram as tags de texto do modelo com a modelagem matemática objetiva das preferências corporais reais dos participantes. As equações de escolha validaram perfis de texto com notável precisão, confirmando o que as pessoas são disse Como eles estão perfeitamente alinhados com as estrelas? atuando.
- Mudança Estratégica Dinâmica: Os dados convergentes demonstraram claramente que as estratégias humanas de tomada de decisão não são traços de personalidade permanentes. Em vez disso, os indivíduos são altamente adaptáveis: mudam dinâmica e sistematicamente os seus perfis de raciocínio de uma rodada para outra com base na forma como um problema é apresentado.
- Um novo kit de ferramentas para políticas públicas: Dr. Fulaoka enfatiza que esta estrutura analítica automatizada abre vastos horizontes para o estudo do comportamento humano dentro de ecossistemas complexos do mundo real. Ao permitir que os investigadores analisem grandes quantidades de feedback público em texto livre, os decisores políticos podem compreender melhor como as comunidades interpretam e facilitam compromissos complexos em saúde pública, planeamento económico e adaptação tecnológica.
Fonte: PODE
“Nossa compreensão do comportamento humano, incluindo a tomada de decisões, pode ser aprofundada pedindo às pessoas que elaborem seus processos de pensamento”, disse o autor principal, Dr. Kamil Fulaoka, pesquisador da SynoSys. “No entanto, a análise sistemática de tais dados de texto livre requer estruturas analíticas escaláveis e rigorosas – um esforço que agora pode ser apoiado por LLMs.”
No experimento, os participantes participaram de um jogo de azar e tiveram que explicar cada decisão com suas próprias palavras. Para analisar estas explicações, os investigadores baseiam-se em teorias e modelos existentes de tomada de decisão para desenvolver um conjunto maior de possíveis factores de decisão, tais como concentrar-se no melhor resultado possível ou evitar uma perda importante. O Large Language Model (LLM) identificou quais desses fatores apareceram nas interpretações de texto livre dos participantes, enquanto a modelagem matemática das preferências das pessoas forneceu validação.
Uma combinação de relatórios orais, LLMs e modelagem matemática rigorosa demonstrou claramente que a intuição das próprias pessoas é uma fonte valiosa de informação. Mostrou também que as razões nas quais as pessoas confiam não são fixas, mas mudam sistematicamente com a estrutura do problema de decisão.
“Muitas decisões importantes – desde o planeamento financeiro e escolhas médicas até dilemas sociais, utilização de tecnologia e políticas públicas – envolvem compromissos complexos que não podem ser totalmente compreendidos apenas pela observação das escolhas”, diz Kamil Fulaoka, enfatizando a relevância dos resultados da investigação: “Nestes contextos, as próprias interpretações das pessoas podem ser particularmente valiosas, dada a importância de se concentrarem em questões particularmente complexas. Utilizar informações e estratégias de decisão simples e adaptativas.” A estrutura apresentada no estudo mostra como o LLM pode ajudar os pesquisadores a analisar essas explicações em escala, abrindo novas oportunidades para estudar a tomada de decisões humanas em ambientes mais realistas e complexos”.
A estrutura apresentada no estudo também mostra como os LLMs podem ajudar os pesquisadores a analisar essas explicações em larga escala, abrindo assim possibilidades inovadoras para estudar processos humanos de tomada de decisão em ambientes mais realistas e complexos.
Resposta à pergunta original:
UM: Olhar para a escolha final de apenas uma pessoa é como tentar decifrar um complicado mistério de assassinato olhando a última página de um livro. A economia comportamental tradicional rastreia quais botões alguém clica ou quais produtos compra, mas permanece completamente cega aos processos de pensamento ocultos, suspeitas e atalhos mentais que levam a essas ações. Embora os pesquisadores sempre tenham desejado ler explicações escritas por humanos para compreender suas verdadeiras intenções, a leitura de manuais é um enorme obstáculo. Usando um LLM como um leitor automatizado de alta velocidade, os cientistas podem agora analisar instantaneamente milhares de diários pessoais detalhados, dando-lhes uma visão sem precedentes da mente humana em grande escala.
UM: Este foi o nível mais brilhante e importante de testes do SynoSys. A equipe usou a matemática da escolha objetiva como um escudo de validação rigoroso para garantir que o LLM mapeasse com precisão a psicologia humana, em vez de criar “alucinações”. Eles pegaram os fatores psicológicos que a IA descobriu no texto do participante, como “tentar evitar perdas catastróficas”, e inseriram essa lógica exata em um algoritmo matemático separado que rastreava o comportamento físico real do participante no jogo. A matemática e o texto estão perfeitamente alinhados: as escolhas que as pessoas fizeram correspondem à inspiração escrita da IA em seus diários, provando que a escala do LLM é altamente precisa e cientificamente sólida.
UM: A maioria das escolhas monumentais na vida, como planear a reforma, escolher o tratamento do cancro ou adaptar-se a novas tecnologias, envolvem compromissos incrivelmente confusos que não se enquadram numa simples questão de escolha múltipla. Historicamente, os governos e os bancos têm tido dificuldade em analisar inquéritos públicos em massa porque a codificação de respostas abertas é demasiado lenta. Esta nova estrutura permite que analistas de políticas públicas implantem o LLM para ler e medir instantaneamente milhares de respostas escritas complexas de cidadãos reais. Revela como as pessoas simplificam problemas complexos, em que informações específicas se concentram e como conceber programas mais seguros, mais limpos e mais úteis que correspondam ao comportamento humano real.
Nota Editorial:
- Este artigo foi editado por um editor do Neuroscience News.
- Revisão completa de artigos de periódicos.
- Contexto adicional foi adicionado por nossa equipe.
Trata-se de notícias de pesquisa sobre IA e tomada de decisão
Autor: Benjamim Grebe
Fonte: PODE
Contato: Benjamin Greibe – descubra
Imagem: Imagem enviada para Neuroscience News
Pesquisa Original: Acesso aberto.
“Grandes modelos de linguagem identificam com precisão os fatores de decisão em relatórios verbais” por Dirk U. Wolff, Kamil Fulaoka, Ralf Hartwig. PNAS
DOI:10.1073/pnas.2526798123
resumo
Grandes modelos de linguagem identificam com precisão os fatores de decisão em relatórios verbais
Compreender as razões por detrás das escolhas das pessoas em termos de risco é um objectivo central dos cientistas que tomam decisões, mas os métodos tradicionais que se baseiam em dados comportamentais são limitados por pressupostos estritos de invariância. Introduzimos uma estrutura analítica quantificável usando grandes modelos de linguagem (LLMs) para analisar relatórios verbais e identificar razões implícitas para a escolha entre loterias financeiras.
Um LLM válido identificou corretamente as razões para a decisão predeterminada nos relatórios de texto livre dos participantes, alinhando-as com as suas preferências reais em 95% dos ensaios. A nossa análise revela que as razões por trás das decisões das pessoas variam sistematicamente e são motivadas mais pela estrutura do problema de escolha do que pelas diferenças individuais.
É importante ressaltar que os factores identificados a partir de relatórios verbais proporcionam uma representação mais parcimoniosa e informativa dos processos de decisão do que aqueles inferidos apenas a partir das preferências; Além disso, perfis causais específicos de problemas alcançam precisões de previsão fora da amostra que são competitivas com modelos computacionais estabelecidos.
Este trabalho mostra que os relatórios verbais são uma fonte de dados rica e que a nossa estrutura analítica pode desbloquear o seu potencial, fornecendo resultados que desafiam os pressupostos de mudança fundamentais do campo e abrem caminho para modelos de tomada de decisão humana mais sensíveis ao contexto e interpretáveis.
