Naukowcy zbadali, czy duże modele językowe przejawiają trzy kluczowe cechy teorii perspektywy Kahnemana i Tversky'ego: awersję do strat, malejącą czułość na wielkość wyników i nielinearne ważenie prawdopodobieństwa. Meta-analiza obejmowała 102 oszacowania z 11 publikacji naukowych badających 32 różne modele języka.
Wyniki pokazały istotne różnice między LLM-ami a ludźmi. Awersja do strat w modelach była umiarkowana - połączony wskaźnik lambda wynoszący 1,26 znacznie odbiegał od ludzkiej meta-analitycznej oceny (1,96). Różnice były szczególnie widoczne w sytuacjach asymetrycznych, gdzie straty były mniejsze niż zyski - modele wykazywały tu słabszą awersję niż ludzie (1,46 wobec 2,3). Funkcje wartości w LLM-ach okazały się bliższe liniowości niż u człowieka, choć wyniki różniły się w zależności od zastosowanej metody pomiaru. Modelowe ważenie prawdopodobieństwa przypominało ludzkiemu charakterystyczne odwrócone S-kształtne rozkłady.
Te ustalenia mają znaczenie dla naszego rozumienia, jak AI podejmuje decyzje w sytuacjach ryzykownych. Rozpoznanie, że LLM-y zachowują się inaczej niż ludzie w kontekście ekonomicznych wyborów, może prowadzić do lepszego dostosowania modeli do specyficznych zastosowań biznesowych i edukacyjnych, gdzie poprawne modelowanie ludzkiego zachowania jest krytyczne.