論文の概要: Prospect Theory in Large Language Models: A Meta-Analysis of Loss Aversion, Diminishing Sensitivity, and Probability Weighting

• arxiv url: http://arxiv.org/abs/2610.33103v1
• Date: Thu, 22 Oct 2026 15:08:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.245522
• Title: Prospect Theory in Large Language Models: A Meta-Analysis of Loss Aversion, Diminishing Sensitivity, and Probability Weighting
• Title（参考訳）: 大規模言語モデルの展望理論:損失回避, 感度の低減, 確率重み付けのメタ分析
• Abstract要約: 確率論はリスク選択を3つの部分に分割する:損失回避、損失の相対的な重みによる利得、$、結果のサイズに対する感受性の低下。 メタアナライズした102個の推定値を用いて,32種類の言語モデルを対象とした11つの研究から,Large Language Modelsが人と同じ特性を示すかどうかを検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Prospect theory splits risky choice into three parts: loss aversion, measured by the relative weight of losses to gains, $λ$ (e.g., $λ= 2$ implies that losses weigh twice as much as gains), diminishing sensitivity to the size of outcomes (i.e., the curvature and linearity of the value function), and the nonlinear weighting of probabilities. I examined whether Large Language Models (LLMs) display the same properties as people by meta-analyzing 102 fitted estimates from 11 studies covering 32 language models. The three components emerge differently. Loss aversion is modest: the pooled $λ$ is 1.26 (95% CI 1.06 to 1.46), far below the strongest human meta-analytic estimate ($λ= 1.96$) and compatible with more conservative ones (1.07 and 1.31). Matched by design, LLMs are compatible with people when gains and losses are symmetric ($λ= 1.15$ against 1.07), but well below them when losses are smaller than gains (1.46 against 2.3), where human loss aversion is strongest. Value functions are close to linear rather than concave under the Tversky-Kahneman method (1.01, against a human value of 0.67), but more concave than in people under the Tanaka method (0.52, against 0.67), so diminishing sensitivity depends on how it is measured. Probability weighting shows a human-like inverse S shape ($γ= 0.81$ under Tversky-Kahneman and 0.84 under the Tanaka method), though on few studies. In sum, LLMs show little loss aversion and little diminishing sensitivity, but retain human-like probability distortion, yet these generalizations shift when looking at specific model families and fitting methods.
• Abstract（参考訳）: 確率論は、損失の相対重みによる利得に対する損失回避、$λ$ (eg , $λ= 2$)、損失の利得の2倍の重さを意味する)、結果の大きさに対する感度の低下(すなわち値関数の曲率と線形性)、確率の非線形重み付けという3つの部分に分けられる。 大規模言語モデル (LLMs) は, 32言語モデルを対象とした11つの研究から, メタアナライズされた102の適合した推定値を用いて, 人と同じ特性を示すか否かを検討した。 3つのコンポーネントは異なる形で現れます。 損失回避は控えめで、プールされた$λ$は1.26ドル(95% CI 1.06から1.46ドル)であり、ヒトのメタ分析的推定値(λ=1.96$)よりはるかに低く、より保守的なもの(1.07と1.31)と互換性がある。 LLMは、利得と損失が対称な場合(λ=1.15$対1.07)と互換性があるが、損失が利得よりも小さい場合(1.46対2.3)は、人間の損失回避が最強である。 値関数はTversky-Kahneman法(1.01対人値0.67)では凹凸に近いが、田中法(0.52対0.67)では凹凸が多く、感度の低下は測定方法によって異なる。 確率重み付けは、Tversky-Kahneman 法では γ= 0.81$、Tanaka 法では 0.84 である。 要約すると、LSMは損失の回避や感度の低下は少ないが、人間のような確率歪みは保たれるが、これらの一般化は特定のモデルファミリやフィッティング方法を見ると変化する。

関連論文リスト

• Influence Is the Target-Response Jacobian Times Residuals [0.0]
  本稿では,目標応答ヤコビアン$J = [partial hat y_i/partial y_j]$を紹介した。 サンプルウェイトの影響である$mathcalI$と$J$は、同じ暗黙差分論から導かれ、例ごとの乗算器によってのみ異なることを示す。 どちらのオペレータも、ターゲットの摂動にまたがる予測当たりのR2$のリフィットに対してスコアを付けるが、再スケーリングは行わない。
  論文  参考訳（メタデータ） (2026-10-20T06:04:57Z)
• Beyond Second-Order Information: Paid Logistic Regression with Noisy Features [39.31461810814064]
  オンラインのバイナリ予測と有償機能について検討し、学習者は基礎となる特徴をよりよく観察するためにリソースを費やすことができる。 学習者の目標は、予測損失と獲得コストを共同制御することである。
  論文  参考訳（メタデータ） (2026-10-09T03:09:42Z)
• An Accuracy-Information Tradeoff for Loss-Difference Conditional Mutual Information [0.16921396880325776]
  損失差条件付き相互情報(ld-CMI)は、一般化境界のスーパーサンプル階層における標準観測の最小値を使用する。 損失差の3つの瞬間をバウンドすることで、精度がld-CMIを強制することを示す。
  論文  参考訳（メタデータ） (2026-10-06T23:07:16Z)
• Scaling Zero-Order Pretraining through Model Sharding [23.669341805296924]
  ゼロオーダー最適化(ZO)はバックプロパゲーションのない列車であり、前方のみのハードウェアと非微分不能な損失に関係している。 SOMAは、同時摂動近似を使用して、N$のデータクラスタ上でLSTM専門家を独立に訓練する。 テスト対象のモノリシックなZO制御に対して,モデム推論によりトレーニング計算効率が向上することを示す。
  論文  参考訳（メタデータ） (2026-09-29T16:00:23Z)
• One Human, $N$ Agents: Audit-Budget Allocation for LLM Agent Fleets under Miscalibrated, Correlated Confidence [41.99844472131922]
  一人の人間が1ラウンド当たり$N$ LLMエージェントを予算$B ll N$監査で監査しなければならない。 我々はこれを、2段階のガウス的コーパスに対する予算付きノイズ検査としてモデル化し、信頼度の高い監査がランダムである場合の誤校正しきい値($*$過去)を特定する。
  論文  参考訳（メタデータ） (2026-07-30T14:52:36Z)
• Prospect-Theory Behavior from Bellman Optimality in MDPs with Catastrophic States [0.0]
  報酬は線形だが、エージェントは効用依存や曲率を持たず、大災害のペイオフは$r = 1.25$、または$r = 2$で13.9%である。 単価より1ドル高いところは、中央値がある。 1ドル以上は 中央値です 1ドル以上は 中央値です 1ドル以上は 中央値です 上のユニティは 境界のコントリビューションを超越しています 全ての細胞への貢献です
  論文  参考訳（メタデータ） (2026-05-31T03:01:48Z)
• How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
  r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。 まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
  論文  参考訳（メタデータ） (2026-05-23T22:00:38Z)
• KTO: Model Alignment as Prospect Theoretic Optimization [67.44320255397506]
  Kahneman & Tversky の $textitprospect theory$ は、人間が偏見はあるが明確に定義された方法でランダム変数を知覚することを示している。 人間のフィードバックとLLMを協調させる目的には,これらのバイアスが暗黙的に組み込まれていることを示す。 そこで本稿では,嗜好のログ類似度を最大化する代わりに,世代別利用率を直接最大化するHALOを提案する。
  論文  参考訳（メタデータ） (2024-02-02T10:53:36Z)

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。