English(EN) Prospect Theory in Large Language Models: A Meta-Analysis of Loss Aversion, Diminishing Sensitivity, and Probability Weighting

研究发现：大型语言模型表现出类似人类的概率扭曲，但损失厌恶程度较低

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

对来自11项研究的102个拟合估计进行的元分析表明，大型语言模型（LLMs）表现出人类决策中观察到的前景理论的某些特征，但并非全部。虽然LLMs表现出适度的损失厌恶，汇总的lambda值为1.26，但与人类相比，它们在边际敏感性递减方面表现不那么明显，一种方法下的价值函数接近线性，另一种方法下则更凹。然而，LLMs确实表现出类似人类的S形反转概率加权，表明它们可以以与人类相似的方式扭曲概率。 AI

影响大型语言模型表现出类似人类的概率扭曲，预示着更细致的AI决策能力，但其较低的损失厌恶程度可能会影响风险敏感型应用。

排序理由该集群包含一篇展示LLM行为研究成果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇展示LLM行为研究成果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, opinion; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Adi Tarabeih · 2026-10-27 04:00

大型语言模型中的前景理论：损失厌恶、边际敏感性和概率加权的回顾性分析

arXiv:2610.33103v1 Announce Type: new Abstract: Prospect theory splits risky choice into three parts: loss aversion, measured by the relative weight of losses to gains, $\lambda$ (e.g., $\lambda = 2$ implies that losses weigh twice as much as gains), diminishing sensitivity to th…

本文如何被排名

报道来源 [1]

大型语言模型中的前景理论：损失厌恶、边际敏感性和概率加权的回顾性分析

相关实体

相关话题