引言
人们为何做出这样的选择？这一基本问题长期以来一直吸引着心理学、经济学和神经科学领域的研究人员。传统方法通常依赖于在受控实验中观察选择，并通过数学模型推断潜在的决策过程。然而，这些方法只能捕捉人们的行为，而非背后的原因。现在，来自德累斯顿工业大学系统协同中心、马克斯·普朗克人类发展研究所和巴塞尔大学的研究团队开发了一种新方法，将观察到的选择与参与者对自身决策过程的描述相结合。通过利用大型语言模型，他们能够系统分析自由文本解释，以前所未有的细节揭示人类决策背后的原因。研究结果发表在《美国国家科学院院刊》上。
将解释转化为数据
第一作者、SynoSys的研究员Kamil Fuławka博士解释道：“通过要求人们详细阐述其思维过程，我们可以加深对人类行为（包括决策）的理解。然而，对这类自由文本数据的系统分析需要可扩展且严谨的分析框架——而大型语言模型现在可以支持这一努力。”在实验中，参与者参与了一项赌博任务，并被要求用自己的话解释每个决策。为了分析这些解释，研究人员借鉴了现有的决策理论和模型，开发了一套可能的决策原因，例如关注最佳可能结果或避免重大损失。大型语言模型随后识别出参与者的自由文本解释中出现了哪些原因，而基于人们选择的数学建模则提供了验证。
研究如何进行
该研究涉及一项受控赌博实验，参与者在风险选项之间做出了一系列决策。每次选择后，他们输入一段简短的推理说明。研究人员根据已有的决策理论编制了一份全面的潜在决策原因列表，包括：
- 最大化期望值
- 最小化潜在损失
- 寻求最高可能收益
- 避免最坏结果
- 遵循简单启发式，如“选择获胜概率更高的选项”
利用大型语言模型，他们自动分类每个自由文本回答，以确定存在哪些原因。为确保准确性，LLM的分类结果与人类评分者进行了交叉验证，并与基于已识别原因预测选择的数学模型进行了比较。这种多方法方法使团队既能发现人们引用的原因，又能验证这些原因是否真正驱动了他们的决策。
决策原因随情境变化
口头报告、LLM和严谨数学建模的结合清楚地表明，人们自身的洞察力是宝贵的数据来源。它还表明，人们依赖的原因并非固定不变，而是随着决策问题的结构系统性地变化。例如，当潜在损失较大时，参与者更可能提到避免损失；当潜在收益较高时，他们则专注于最大化收益。这种情境依赖性挑战了假设稳定偏好或固定决策策略的传统模型。
“许多重要决策——从金融投资到医疗选择——都涉及权衡风险与收益，”Fuławka博士说。“我们的方法揭示，人们会根据具体情况调整其推理，这对预测行为和设计干预措施具有重要意义。”
对行为科学的意义
这项研究为研究人类行为开辟了新途径。通过将自由文本数据与LLM相结合，科学家现在可以获取参与者自然提供的丰富定性信息，而无需受限于预设的调查问题。该方法具有可扩展性，能够快速一致地分析数千个回答。此外，它在定性方法和定量方法之间架起了桥梁，提供了更完整的决策图景。
该研究还凸显了LLM作为行为研究工具的潜力。尽管LLM常因缺乏真正理解而受到批评，但在此它们作为强大的模式匹配引擎，能够可靠地检测文本中的决策原因。研究人员强调，LLM的分类结果已通过人类判断和数学模型验证，确保了可靠性。
未来方向
研究团队计划将他们的方法应用于其他领域，如消费者选择、政治决策和健康行为。他们还旨在完善决策原因集，并探索个体差异（如年龄、认知能力）如何影响人们使用的原因。最终，这项工作可能带来更准确的人类选择模型，整合行为数据和自我报告的推理。
随着LLM的不断改进，其分析复杂人类语言的能力将日益增强。这项研究展示了一种实际应用，既尊重人类内省的丰富性，又保持了科学严谨性。我们选择背后的隐藏原因可能不再那么隐藏。
本文基于Phys.org的报道。阅读原文。
Originally published on phys.org
