.png){kind=icon}
返回
Prosocial When Simple and Cold-Hearted When Complex: How Task Difficulty Shapes LLM Behavior
.png){kind=icon}
PRE
AI
DOI：10.1287/deca.2025.0396.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
先前研究指出，大型语言模型（LLMs）在简化的博弈论情境中表现出亲社会行为，但该行为是否反映稳定目标或情境驱动的模式尚不明确。我们检验LLMs在复杂任务或更复杂的决策环境中是否表现出公平性。我们假设，问题复杂性和数学提示会增加LLMs对优先考虑自身利益的权重，通过激活导向计算和理性的反应。我们使用量化响应框架来操作化理论，并开展了以GPT-4、GPT-4o和o3-mini为决策者的系列实验来检验假设。在研究1中，模型在一系列不同情境和难度的无关问题后进行了独裁者和最后通牒博弈。研究2是一项顺序供应链博弈，其公平性关注方面反映了最后通牒博弈的关键特征，但增加了复杂性。在研究1中，简单提示产生了近乎均等的分配，源于公平规范和对公平性的偏好。然而，复杂的数学提示调用了理性利润最大化逻辑以减少分配提议。在定价博弈中，模型优先考虑了自利的定价，但在决策执行上存在差异。GPT-4和GPT-4o选择了更低的价格，原因在于随机误差和启发式反应，而非公平性考量。相比之下，o3-mini始终推导出利润最大化的解决方案。LLM响应中的公平性具有情境敏感性，并常被触发目标导向反应的任务特征所抑制。因此，研究者和开发者必须在更复杂的场景中评估社会偏好。此外，我们的研究显示，纳入有限理性和公平性的基于效用的模型能够捕捉LLM行为的核心模式，并产生可检验的预测，这些预测同时得到了选择数据和模型生成文本的支持。
Keyword:
large language models
GPT
fairness
task complexity
期刊
D
IF:
0
论文数:
14
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Emergence of cooperation in the one-shot Prisoner's dilemma through Discriminatory and Samaritan AIs通过歧视性和撒玛利亚人的AIs在一次性囚徒困境中出现合作
PREAI
分享收藏A Turing test of whether AI chatbots are behaviorally similar to humans人工智能聊天机器人在行为上是否与人类相似的图灵测试
OAAI
OAAI分享收藏
查看更多内容