Araştırma Soruları
- LLM’ler insan tercihlerini ve karar düzeylerini “doğrudan” taklit edebilir mi?
- Mutlak taklit mümkün değilse, müşteri segmentleri (özellikle dil farklılıkları) arasındaki çeşitliliği yansıtabilir mi?
- “Chain-of-thought conjoint” yaklaşımı LLM kararlarını insanlara daha çok yaklaştırır mı ve tercih farklılıklarını açıklamaya yardımcı olur mu?
Sonuçlar
- LLM’ler (GPT-3.5 ve GPT-4) insanlara kıyasla daha sabırsız çıktı; GPT-4’ün indirim oranları insan seviyesinin çok üzerindeydi.
- GPT-3.5 lexicographic tercih yapısı sergileyerek insan davranışlarıyla uyumsuz sonuçlar verdi.
- Chain-of-thought yöntemi GPT-4’ün sabırsızlığını azalttı, fakat yine de insanlardan daha sabırsız kaldı.
- LLM’ler dil farklılıklarını yansıtabildi; zayıf gelecek zaman referanslı (FTR) dillerde daha sabırlı çıktılar.
- LLM’ler doğrudan tercih ölçümünde güvenilir değil, fakat hipotez üretimi ve heterojenlik analizi için değerli araçlar olabilir.
Bulgular
-
Sabırsızlık: GPT-4’ün indirim oranı (δ) insanlardan çok yüksekti; GPT-3.5 ve GPT-4 büyük ödülü ertelemeye nadiren yöneldi (sırasıyla %22 ve %16).
-
Lexicographic davranış (GPT-3.5): Kararlar faiz oranına duyarsızdı; hiçbir geçerli fayda fonksiyonu ile açıklanamıyordu.
-
Chain-of-thought etkisi: GPT-4’ün büyük ödülü seçme oranını %16’dan %34,5’e çıkardı; ayrıca kararların ardındaki temaları (risk, belirsizlik, fırsat maliyeti) ortaya koydu.
-
Dil farklılıkları: Zayıf FTR dillerinde (Almanca, Mandarin) GPT’ler daha sabırlı çıktı; bu sonuç literatürle örtüşüyor.
-
Tematik analiz: Gecikme süresi arttıkça “risk ve belirsizlik” konusuna atıf yapma ihtimali sistematik olarak yükseldi.
-
LLM Modelleri: 5
-
Sentetik Veri: 2
-
Yöntem: 5
-
Hız: 1
-
Etik: 1
-
Doğruluk Oranı: 4
-
Demografi: 3
Bu makale ile ilgili daha detaylı bilgiye ulaşmak isterseniz buraya tıklayarak ilgili makalenin ekine ulaşabilirsiniz.