用GPT对话代理模拟集体人类选择行为和偏差

认知偏差常常影响人类的决策。尽管大型语言模型（LLMs）已被证明能够再现已知的偏差，但一个更关键的问题是LLMs是否能够在个体层面预测偏差，并在情境因素（如认知负荷）与这些偏差相互作用时模拟有偏差的人类行为。我们将三个已建立的决策场景转化为对话环境，并进行了一个人类实验（N=1100）。参与者与一个通过简单或复杂对话促进决策的聊天机器人互动。结果揭示了显著的偏差。为了评估LLMs在类似交互条件下如何模拟人类决策，我们使用参与者的人口统计信息和对话记录，基于GPT-4和GPT-5模拟这些条件。LLMs精确地再现了人类的偏差。我们发现不同模型在对齐人类行为方面存在显著差异。这对设计和评估适应性、具有偏差意识的LLM驱动AI系统在交互环境中的表现具有重要意义。