Tversky
PulseAugur coverage of Tversky — every cluster mentioning Tversky across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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
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。
-
人工智能学习超越普适效用的多样化人类偏好
研究人员开发了一个新的框架，用于学习人工智能系统中的异质偏好，打破了对普适效用函数的假设。这种方法受到理性选择理论的启发，使用“个体化效用”函数来解释个体和情境之间偏好的系统性差异。在汽车轮毂设计的审美判断数据集上进行的实验表明，这些个体化模型显著优于普适效用模型，凸显了捕捉人类决策多样性的重要性。
-
新的强化学习交易系统ViperQ集成了拍卖市场理论
研究人员开发了ViperQ，一个专为交易设计的强化学习系统，它融合了拍卖市场理论的原理。该系统利用源自市场微观结构特征（如成交量控制点和价值区域位置）的独特状态表示。在对特斯拉和NVDA的机构逐笔数据进行评估时，ViperQ实现了可控回撤下的显著回报，证明了微观结构感知输入在金融时间序列决策中的有效性。
-
消费者对 AI 购物的信任度仍然很低，尤其是对于昂贵的商品
消费者不愿信任 AI 来做重要的购买决定，主要是因为担心收到糟糕的推荐和过度消费。一项调查表明，大多数购物者只会在 25 美元以下且无需自己研究的情况下让 AI 购买，随着价格的上涨，信任度会迅速下降。这种犹豫源于对经济损失的心理厌恶以及对不透明的“黑箱”算法的不信任，即使 AI 提供了自信的回答。提高 AI 数据来源和推理过程的透明度被认为是建立消费者对代理式商业信任的关键因素。
-
Kahneman和Tversky的可得性启发式解释
可得性启发式的概念，由Kahneman和Tversky描述，表明人们倾向于高估那些更容易回忆或理解的事件的可能性。这种认知偏差影响我们对概率的感知，使其基于心理可得性而非客观频率。
-
用户开始阅读《理性：从人工智能到僵尸》，注意到作者的自我批评
一位LessWrong用户开始阅读《理性：从人工智能到僵尸》，这是一本关于理性信念和决策制定的长篇书籍。用户注意到作者EY在最初的“序列”文本中发现了一些错误，包括过分强调理论而非实践，以及关注复杂问题而非日常问题。这本书介绍了认知偏差，并借鉴了Kahneman和Tversky的工作，对比了直觉（系统1）和审慎（系统2）思维。