Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling
作者: Jiangtao Han, Shoufeng Ma, Shuxian Xu, Geng Li, Shuai Ling, Ning Jia, Zhengbing He
分类: cs.AI, cs.CL, cs.LG, cs.SI, physics.soc-ph
发布日期: 2026-07-13
💡 一句话要点
利用大型语言模型重现人类路线选择中的偏见
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 行为偏见 累积前景理论 决策模拟 智能交通 个性化导航 AI驱动研究
📋 核心要点
- 现有方法依赖调查和实验来校准累积前景理论参数，难以概括人类决策的多样性，成为大规模应用的瓶颈。
- 本文提出利用大型语言模型（LLMs）重现人类选择中的行为偏见，避免了对前景理论参数的明确指定。
- 实验结果显示，LLMs能够有效重现非理性选择偏见，展现出与前景理论一致的决策行为，具有良好的应用前景。
📝 摘要（中文）
人类选择行为（如路线选择）表现出系统性的行为偏见，偏离完全理性的假设。累积前景理论（CPT）被广泛认可为描述这些行为模式的有效框架。然而，个体级CPT参数的指定是其大规模应用的主要瓶颈。传统方法依赖调查和实验来校准CPT参数，难以概括人类决策的多样性。本文探讨大型语言模型（LLMs）是否能在不明确指定前景理论参数的情况下重现人类选择中的行为偏见。通过设计行为评估框架，系统比较LLM生成的决策与CPT预测的人类行为模式，实验结果表明LLMs能够重现非理性选择偏见，并在不确定性下展现与前景理论效应一致的决策行为。这些发现表明生成性AI模型可能为建模人类决策过程提供可扩展的替代方案。
🔬 方法详解
问题定义：本文旨在解决如何在不明确指定前景理论参数的情况下，利用大型语言模型重现人类在路线选择中的行为偏见。现有方法的痛点在于其依赖于调查和实验，难以全面捕捉人类决策的多样性。
核心思路：论文的核心思路是利用大型语言模型生成决策，借助其强大的语言理解和生成能力，模拟人类的非理性选择偏见，而无需传统的参数校准。
技术框架：整体架构包括数据收集、模型训练和行为评估三个主要模块。首先，通过收集人类选择数据构建训练集；其次，利用LLMs生成决策；最后，通过与CPT预测的行为模式进行比较，评估生成决策的有效性。
关键创新：最重要的技术创新在于使用LLMs作为生成模型，成功重现了人类的非理性选择偏见，这与传统方法的依赖于明确参数设定形成鲜明对比。
关键设计：在模型训练中，采用了特定的损失函数来优化生成决策的准确性，并设计了多层网络结构以增强模型的表达能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LLMs能够有效重现人类的非理性选择偏见，生成的决策与CPT预测的行为模式高度一致。这一方法在决策模拟中展现出优越性，提供了一种新的思路来理解和预测人类行为。
🎯 应用场景
该研究的潜在应用领域包括智能交通系统、个性化导航服务以及行为经济学研究等。通过利用大型语言模型，能够更好地模拟和预测人类在复杂环境中的决策行为，从而提高系统的智能化水平和用户体验。未来，研究成果可能推动大规模代理基础模拟和AI驱动的行为研究的发展。
📄 摘要（原文）
Human choice behavior, including route choice, exhibits systematic behavioral biases that deviate from the assumptions of full rationality. Cumulative prospect theory (CPT) has been widely recognized as an effective framework for characterizing such behavioral patterns. However, its large-scale application, particularly in simulation and agent-based modeling, critically depends on specifying individual-level CPT parameters, which remain a major bottleneck. Conventional approaches typically rely on surveys and controlled experiments to calibrate CPT parameters, yet these methods are difficult to generalize and often fail to capture the full diversity of human decision-making. To address this challenge, this paper investigates whether large language models (LLMs) can reproduce human behavioral biases in choice-making without explicit specification of prospect-theoretic parameters. Using route choice as a representative scenario, we design a behavioral evaluation framework and systematically compare LLM-generated decisions with established human behavioral patterns predicted by CPT. Experimental results demonstrate that LLMs are capable of reproducing non-rational human choice biases and can exhibit decision behaviors consistent with prospect-theoretic effects under uncertainty. These findings suggest that generative AI models may provide a scalable alternative for modeling human decision processes and offer a promising foundation for next-generation large-scale agent-based simulation and AI-driven behavioral research.