Grandes modelos de linguagem identificam com precisão os motivos das decisões em relatos verbais

Compreender os motivos por trás das escolhas humanas sob risco é um objetivo central das ciências da decisão, mas os métodos tradicionais que dependem de dados comportamentais são limitados por suposições rigorosas de invariância. Aqui, introduzimos um método escalável que usa grandes modelos de linguagem (LLMs) para analisar relatos verbais e identificar os motivos articulados para escolhas entre loterias monetárias. Mostramos que um LLM validado identifica com precisão motivos de decisão predefinidos nos relatos em texto livre dos participantes, alinhando-se com suas escolhas reais em mais de 92% dos ensaios. Nossa análise revela que o uso dos motivos varia sistematicamente e é mais influenciado pela estrutura do problema de escolha do que por diferenças individuais. Um modelo preditivo baseado nesses perfis específicos de motivo do problema supera a teoria da perspectiva em previsões fora da amostra. Este trabalho demonstra que relatos verbais são uma fonte rica de dados e que LLMs podem desbloquear seu potencial, desafiando as suposições fundamentais de invariância e pavimentando o caminho para modelos mais conscientes do contexto em decisões humanas.