arXiv cs.CY· Vladimir Maksimenko, Leonard Lee, Prateek Bansal·· 16 小时前AI 评分31
将大语言模型与人类数据结合，设计个性化诱饵助推策略
Integrating Large Language Models with Human Data to Design Personalized Decoy Nudges
AI 导读
一项覆盖五国 3,495 名参与者的预注册实地实验显示，LLM 识别出的国别最优诱饵参数在美国产生更强助推效果，德国边际显著，但中国、印度、新加坡未复现。研究未发现 LLM 个性化诱饵优于国别最优诱饵的证据。LLM 生成数据可作为贝叶斯选择模型的先验，在同等预测性能下将人类样本量减少 37-75%。
正文 · AI 翻译
摘要：尽管助推策略能够影响行为，但其效果因人而异，这凸显了个性化助推设计的必要性。我们假设，大语言模型（LLM）能够促进个体化助推的开发，同时通过扩充少量人类样本或替代人类参与者，降低与人类数据收集相关的财务和时间成本。以诱饵效应作为测试案例，我们在涉及五个国家 3,495 名参与者的预注册实地实验中评估了这些假设。我们表明，LLM 识别为对特定国家最优的诱饵参数，在美国产生了比非最优参数更强的助推效果，在德国有边缘显著效果，但在中国、印度或新加坡则没有。我们没有发现证据表明，LLM 提供的个性化诱饵比国家级最优诱饵产生更强的助推效果。最后，我们证明 LLM 生成的数据可以作为贝叶斯选择模型的信息先验，在人类样本较少的情况下提高预测性能和参数估计。在匹配的预测性能下，这种方法估计可将人类样本量减少 37-75$\%$。总体而言，我们的研究结果表明，LLM 作为低成本工具在试点和优化个性化助推策略方面具有相当大的前景，尤其是在辅以少量人类参与者样本时。
| 主题： | 计算机与社会（cs.CY）；人工智能（cs.AI） |
| 引用为： | arXiv:2508.12045 [cs.CY] |
| （或此版本的 arXiv:2508.12045v3 [cs.CY]） | |
| https://doi.org/10.48550/arXiv.2508.12045 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Vladimir Maksimenko [查看电子邮件]
[v1]
2025 年 8 月 16 日星期六 13:40:44 UTC（5,606 KB）
[v2]
2025 年 10 月 16 日星期四 12:33:13 UTC（2,477 KB）
[v3]
2026 年 10 月 24 日星期六 12:47:17 UTC（2,507 KB）
来源：arXiv cs.CY · arxiv.org