مقاله یادگیری Homo Economy: آیا LLM می تواند ترجیحات را از انتخاب یاد بگیرد

چکیده

This paper explores the use of Large Language Models (LLMs) as decision aids, with a focus on their ability to learn preferences and provide personalized recommendations. To establish a baseline, we replicate standard economic experiments on choice under risk (Choi et al., 2007) with GPT, one of the most prominent LLMs, prompted to respond as (i) a human decision maker or (ii) a recommendation system for customers. With these baselines established, GPT is provided with a sample set of choices and prompted to make recommendations based on the provided data. From the data generated by GPT, we identify its (revealed) preferences and explore its ability to learn from data. Our analysis yields three results. First, GPT’s choices are consistent with (expected) utility maximization theory. Second, GPT can align its recommendations with people’s risk aversion, by recommending less risky portfolios to more risk-averse decision makers, highlighting GPT’s potential as a personalized decision aid. Third, however, GPT demonstrates limited alignment when it comes to disappointment aversion.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی استفاده از مدل های بزرگ زبان (LLM) به عنوان کمک های تصمیم گیری می پردازیم ، با تمرکز بر توانایی آنها در یادگیری ترجیحات و ارائه توصیه های شخصی.برای ایجاد یک پایه ، ما آزمایش های اقتصادی استاندارد را در مورد انتخاب تحت ریسک (چوی و همکاران ، 2007) با GPT ، یکی از برجسته ترین LLM ها ، تکثیر می کنیم ، و باعث شد که به عنوان (i) یک تصمیم گیرنده انسانی یا (ii) یک سیستم توصیه پاسخ دهدبرای مشتریانبا تأسیس این خطوط ، GPT مجموعه ای از گزینه ها را ارائه می دهد و از آنها خواسته می شود بر اساس داده های ارائه شده توصیه هایی را ارائه دهند.از داده های تولید شده توسط GPT ، ترجیحات (آشکار شده) آن را مشخص می کنیم و توانایی آن را برای یادگیری از داده ها کشف می کنیم.تجزیه و تحلیل ما سه نتیجه دارد.اول ، انتخاب GPT با نظریه حداکثر سازی ابزار (انتظار می رود) سازگار است.دوم ، GPT می تواند با توصیه اوراق بهادار کمتر خطرناک به تصمیم گیرندگان با ریسک بیشتر ، توصیه های خود را با از بین بردن ریسک مردم تراز کند ، و پتانسیل GPT را به عنوان یک کمک تصمیم گیری شخصی برجسته می کند.با این حال ، سوم ، GPT هنگام بروز ناامیدی ، تراز محدود را نشان می دهد.