利用大语言模型复现路线选择中的人类偏差：迈向可扩展的行为建模

一篇arXiv论文研究了大语言模型（LLM）能否复现人类在路线选择中的非理性行为偏差。实验表明，LLM无需显式设定前景理论参数即可生成与人类决策偏差一致的结果，为大规模行为建模提供了可扩展的新方法。

传统方法依赖调查和实验校准个体参数，难以通用化且成本高；LLM无需参数标定即可模拟人类非理性决策，有望大幅降低大规模行为仿真的门槛。

LLM通过海量文本训练已内化人类决策模式，因此在路线选择等任务中能自发表现出概率加权、损失厌恶等前景理论效应，无需额外数学建模。

导航、出行类产品可用LLM替代传统参数校准来预测用户真实路线偏好，减少调研依赖；基于LLM的智能体模拟可加速产品策略测试，但需验证计算成本与稳定性。

• 在导航App中集成LLM主干，动态推荐符合用户非理性偏好的路线，提升满意度。
• 开发基于LLM的行人/交通行为模拟器，用于自动驾驶或城市出行场景的测试。
• 为游戏或虚拟世界构建更具人类偏差的NPC路线选择模块。

• LLM在非路线选择的决策领域（如消费、投资）能否复现类似偏差？
• LLM复现的偏差是否稳定，是否会因提示词或模型版本产生偏移？
• 使用LLM进行大规模仿真的计算成本是否低于传统参数化方法？