arXiv cs.AI· Pawe{\l} Niszczota, Elia Antoniou·· 1 天前AI 评分34
人们会对代表自己行动的LLM采用不同规范吗？两项经典经济博弈中的规范引出证据
Do people apply different norms to humans and large language models acting on their behalf? Evidence from norm elicitations in two canonical economic games
AI 导读
两项预注册激励实验（英美代表性样本，N=2,658）用Krupka-Weber规范引出任务发现：在独裁者博弈中，无论分配者是真人还是代表人类行动的LLM，均分仍被视为最社会恰当，但LLM执行自利分配时被判定更不恰当。在最后通牒博弈中，拒绝LLM提议者与拒绝真人提议者的相同报价相比，前者被认为更恰当，差异集中在较慷慨的报价上；而LLM回应者执行拒绝决策的恰当性评分与真人回应者无差异。
正文 · AI 翻译
摘要：虽然将任务委托给大型语言模型（LLM）可以节省人们的时间，但越来越多的证据表明，将任务卸载给此类模型会产生社会成本。我们在两个经典经济博弈中引出行为适当性，以研究人们对人类和代表其行动的 LLM 是否持有不同的规范。更具体地说，我们研究了一系列可能行为的社会适当性：当 LLM 代表我们分配资源时（独裁者博弈和最后通牒博弈），以及当它们评估资源分配的公平性时（最后通牒博弈）。我们使用 Krupka-Weber 规范引出任务来检测社会适当性评分的可能变化。两项预先注册且带有激励的实验研究使用了英国和美国的代表性样本（N = 2,658），结果显示出三个关键发现。第一，在独裁者博弈中，当独裁者是人类或代表人类行动的 LLM 时，最符合社会适当的分配仍然是平均分配，但当由 LLM 实施时，自私自利的分配被评为较不适当。第二，在最后通牒博弈中，拒绝来自 LLM 提议者的报价被评为比拒绝来自人类提议者的相同报价更适当，且这一差异集中在相对慷慨的报价上。最后，由 LLM 回应者实施的拒绝决定被评为并不比由人类回应者实施的相同拒绝决定更不适当。事后来看，这些模式与以下观点一致：人们在所研究的资源分配场景中赋予 LLM 有限的主体性。我们的发现对 AI 系统的设计具有启示意义。
| 评论： | 先前标题：“人们是否期望代表其行动的大型语言模型表现出不同行为？来自两个经典经济博弈中规范引出的证据” |
| 主题： | 计算机科学与博弈论（cs.GT）；人工智能（cs.AI）；计算与语言（cs.CL）；计算机与社会（cs.CY）；人机交互（cs.HC）；一般经济学（econ.GN） |
| MSC 分类： | 91A80, 91B42, 91B10 |
| ACM 分类： | I.2.7; J.4; K.4.2 |
| 引用为： | arXiv:2601.15312 [cs.GT] |
| （或 arXiv:2601.15312v2 [cs.GT] 为此版本） | |
| https://doi.org/10.48550/arXiv.2601.15312 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Journal of Experimental Social Psychology, 127, 104991 |
| 相关 DOI： | https://doi.org/10.1016/j.jesp.2026.104991
链接到相关资源的 DOI |
提交历史
来自：Paweł Niszczota [查看电子邮件]
[v1]
2026年1月14日星期三 16:07:00 UTC（1,095 KB）
[v2]
2026年11月10日星期二 00:21:11 UTC（1,742 KB）
来源：arXiv cs.AI · arxiv.org