Prevendo e Compreendendo Decisões de Ação Humana: Insights de Grandes Modelos de Linguagem e Aprendizado Baseado em Instâncias Cognitivas

Grandes Modelos de Linguagem (LLMs) demonstraram suas capacidades em várias tarefas, desde tradução de idiomas até raciocínio complexo. Compreender e prever o comportamento humano e seus vieses é crucial para sistemas assistidos por inteligência artificial (IA) oferecerem assistência útil, porém permanece uma questão em aberto se esses modelos podem atingir esse objetivo. Este artigo aborda essa lacuna aproveitando as capacidades de raciocínio e geração dos LLMs para prever o comportamento humano em duas tarefas sequenciais de tomada de decisão. Essas tarefas envolvem o equilíbrio entre ações exploratórias e exploratórias e o manejo de feedback atrasado, ambas essenciais para simular processos decisórios da vida real. Comparamos o desempenho dos LLMs com um modelo cognitivo baseado em aprendizado por instância (IBL), que imita a tomada de decisão humana experiencial. Nossos resultados indicam que os LLMs se destacam ao incorporar rapidamente feedback para melhorar a precisão da previsão. Em contraste, o modelo cognitivo IBL explica melhor os comportamentos exploratórios humanos e captura efetivamente o viés de aversão à perda, ou seja, a tendência a escolher um objetivo subótimo com menos penalidades de custo por etapa ao invés de explorar para encontrar a escolha ótima, mesmo com experiência limitada. Os resultados ressaltam os benefícios de integrar LLMs com arquiteturas cognitivas, sugerindo que essa sinergia pode aprimorar a modelagem e compreensão de padrões complexos de tomada de decisão humana.