English(EN) Integrating Large Language Models with Human Data to Design Personalized Decoy Nudges

LLM 在以更少数据需求个性化行为提示方面显示出潜力

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

一篇新研究论文探讨了如何使用大型语言模型（LLM）来设计个性化的“诱饵提示”，以影响行为。研究发现，LLM 识别出的最优诱饵参数提高了在美国和德国的提示效果，但在其他测试国家则不然。此外，LLM 生成的数据可以增强贝叶斯选择模型，有可能将所需人类样本量减少高达 75%，同时保持预测性能。这表明 LLM 可以成为开发个性化提示的成本效益工具，尤其是在与有限的人类数据结合使用时。 AI

影响 LLM 可以降低行为科学研究和个性化营销的成本并提高效率。

排序理由研究论文发表在 arXiv 上，详细介绍了 LLM 在个性化提示中的应用。[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: 10 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文发表在 arXiv 上，详细介绍了 LLM 在个性化提示中的应用。[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, product; 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) · Vladimir Maksimenko, Leonard Lee, Prateek Bansal · 2026-10-27 04:00

将大型语言模型与人类数据集成，以设计个性化诱饵提示

arXiv:2508.12045v3 Announce Type: replace-cross Abstract: Although nudge strategies can influence behavior, their effectiveness varies across individuals, highlighting the need for personalized nudge design. We hypothesize that large language models (LLMs) can facilitate the deve…

本文如何被排名

报道来源 [1]

将大型语言模型与人类数据集成，以设计个性化诱饵提示

相关实体

相关话题