論文の概要: Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling
- arxiv url: http://arxiv.org/abs/2607.11632v1
- Date: Mon, 13 Jul 2026 14:48:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.50797
- Title: Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling
- Title（参考訳）: 大規模言語モデルを用いた経路選択における人間のバイアスの再現--スケーラブルな行動モデルに向けて
- Abstract要約: 大規模言語モデル(LLM)は、予測理論パラメータの明示的な仕様なしで、選択における人間の行動バイアスを再現することができる。
LLMは非合理的な人間の選択バイアスを再現することができ、不確実性の下での予測理論的効果と整合した決定行動を示すことができる。
- 参考スコア（独自算出の注目度）: 11.476480931758417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract（参考訳）: 経路選択を含む人間の選択行動は、完全な合理性の仮定から逸脱する体系的な行動バイアスを示す。
累積確率論(CPT)は、そのような行動パターンを特徴づける効果的な枠組みとして広く認識されている。
しかし、大規模な応用、特にシミュレーションやエージェントベースのモデリングは、個々のレベルのCPTパラメータの指定に大きく依存する。
従来の手法は通常、CPTパラメータの校正のための調査や制御された実験に頼っているが、これらの手法は一般化が困難であり、人間の意思決定の多様性を完全に捉えるのに失敗することが多い。
この課題に対処するために,大規模言語モデル(LLM)が,予測理論パラメータの明示的な仕様を伴わずに,選択における人間の行動バイアスを再現できるかどうかを検討する。
経路選択を代表的シナリオとして,我々は行動評価フレームワークを設計し,LCM生成決定をCPTによって予測された確立された人間の行動パターンと体系的に比較する。
実験により,LSMは非合理的な選択バイアスを再現することができ,不確実性の下での予測理論的効果と整合した決定行動を示すことができることが示された。
これらの結果は、生成型AIモデルが人間の意思決定プロセスのモデリングにスケーラブルな代替手段を提供し、次世代の大規模エージェントベースのシミュレーションとAI駆動の行動研究に有望な基盤を提供する可能性を示唆している。
関連論文リスト
- Modeling Pathology-Like Behavioral Patterns in Language Models Through Behavioral Fine-Tuning [0.0]
大規模言語モデルは、人間のような振る舞いをモデル化するための計算ツールとして、ますます使われている。
本稿では,構造化意思決定タスクの微調整によるモデルポリシーの修正を行う行動誘導フレームワークを提案する。
次に、この挙動最適化が生成分布の系統的変化をもたらすかどうかを検証する。
論文 参考訳（メタデータ） (2026-05-21T11:42:38Z) - InjectRBP: Steering Large Language Model Reasoning Behavior via Pattern Injection [12.65760977924031]
推論は大規模言語モデルの性能を大幅に向上させることができる。
モデルの推論行動は,行動パターンの観点から,どのように推論を形成するかを検討する。
InjectCorrect と InjectRLOpt の2つのパラメータ更新を必要としない最適化手法を提案する。
論文 参考訳（メタデータ） (2026-02-12T14:44:40Z) - Towards Cognitively-Faithful Decision-Making Models to Improve AI Alignment [35.506295119331064]
対比較から認知に忠実な意思決定プロセスを学ぶための公理的アプローチを提案する。
提案したモデルが,人間のペアによる意思決定の事前モデルと一致しているか,あるいは精度を超越しているかを示す。
論文 参考訳（メタデータ） (2025-09-04T17:59:29Z) - Preference Learning for AI Alignment: a Causal Perspective [55.2480439325792]
私たちはこの問題を因果パラダイムに枠組み化し、永続的な課題を特定するための因果関係の豊富なツールボックスを提供します。
因果推論の文献を継承し、信頼性の高い一般化に必要な重要な仮定を特定する。
そこで本研究では, 因果関係に基づくアプローチがモデルロバスト性をいかに改善するかを, ナイーブ報酬モデルの障害モードを例示する。
論文 参考訳（メタデータ） (2025-06-06T10:45:42Z) - Causal Post-Processing of Predictive Models [0.7349727826230863]
本稿では,限られた実験データを用いて予測モデルの出力を改良する手法である因果後処理を提案する。
我々は,特に予測モデルが有用だが不完全な因果シグナルを捉えた場合,CPPは介入決定を改善することができることを示した。
論文 参考訳（メタデータ） (2024-06-13T20:18:16Z) - Using LLMs to Model the Beliefs and Preferences of Targeted Populations [4.0849074543032105]
本研究では,人間の嗜好をモデル化する大規模言語モデル (LLM) の整合性について考察する。
特定の集団の信念、好み、行動のモデル化は、様々な応用に有用である。
論文 参考訳（メタデータ） (2024-03-29T15:58:46Z) - Provably Efficient UCB-type Algorithms For Learning Predictive State
Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である
本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。
PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文 参考訳（メタデータ） (2023-07-01T18:35:21Z) - Learning non-Markovian Decision-Making from State-only Sequences [57.20193609153983]
非マルコフ決定過程(nMDP)を用いた状態のみ列のモデルに基づく模倣を開発する。
非マルコフ制約をもつ経路計画課題において提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-06-27T02:26:01Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - Supervised Autoencoders Learn Robust Joint Factor Models of Neural
Activity [2.8402080392117752]
神経科学の応用は、行動結果とともに異なる領域の脳活動に対応する高次元予測因子を収集する。
予測因子と結果の結合因子モデルは自然であるが、これらのモデルの最大推定値は、モデルが不特定である場合に実際に苦労することがある。
本稿では,教師付きオートエンコーダに基づく代替推論手法を提案する。潜在因子に確率分布を配置するのではなく,高次元予測器の未知関数として定義する。
論文 参考訳（メタデータ） (2020-04-10T19:31:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。