论文
用大语言模型复现路径选择中的人类偏误：迈向可规模化的行为建模
Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling
摘要
人类选择行为——包括路径选择——呈现偏离完全理性假设的系统性行为偏误。累积前景理论（CPT）被广泛认为是刻画此类行为的有效框架，但其大规模应用（尤其在仿真与基于智能体的建模中）关键依赖指定个体级CPT参数——这仍是主要瓶颈。常规方法依赖调查与受控实验校准CPT参数，难以泛化且常无法捕捉人类决策的完整多样性。为应对该挑战，本文考察LLM能否在未显式指定前景理论参数的情况下复现选择中的人类行为偏误。以路径选择为代表性场景，我们设计行为评估框架，系统比较LLM生成的决策与CPT预测的既有行为模式。实验结果表明：LLM能够复现非理性的人类选择偏误，并在不确定性下呈现与前景理论效应一致的决策行为。发现提示生成式AI模型可为人类决策过程建模提供可规模化的替代，并为下一代大规模基于智能体的仿真与AI驱动的行为研究提供基础。
