Araştırma Soruları
- LLM’ler davranışsal ekonomi deneylerinde insan ajanlarını taklit edebilir mi?
- Bu deneyler LLM’lerle yeniden üretilebilir ve yeni parametrelerle genişletilebilir mi?
- LLM’ler farklı özelliklerle “donatıldığında” (endowment) insan benzeri çeşitli bakış açılarını temsil edebilir mi?
Sonuçlar
- GPT-3, davranışsal ekonomi deneylerindeki insan bulgularını niteliksel olarak yeniden üretebildi.
- Daha gelişmiş modeller (ör. davinci-003) daha başarılı çıktı; küçük modeller endowment etkilerini yansıtmakta başarısız oldu.
- LLM deneyleri insan deneylerine göre çok hızlı ve düşük maliyetli.
- LLM’ler farklı kişilikler veya görüşlerle “donatılarak” çeşitlendirilmiş ajanlar gibi davranabiliyor.
Bulgular
-
Deney tekrarları: Sosyal tercihler, adalet yargıları, statüko önyargısı gibi klasik bulgular LLM’lerle yeniden üretildi.
-
Çeşitlilik: Modeller farklı politik görüşler veya tercihlerle yönlendirildiğinde yanıtları öngörülebilir biçimde değişti.
-
Sınırlı modeller: Daha basit GPT-3 varyantları (ada, babbage, curie) endowment etkisini çoğu zaman yansıtamadı.
-
Ezber riski: LLM’lerin eğitim verilerinde bu deneylere dair bilgiler olması, özgünlük sorununu gündeme getiriyor.
-
Etik: İnsan deneklere gerek kalmadan deney yapılabilmesi avantaj olsa da, AI yanıtlarının sahiciliği ve yanlış temsil riski tartışmalı.
-
LLM Modelleri: 5
-
Sentetik Veri: 4
-
Yöntem: 4
-
Hız: 4
-
Etik: 3
-
Doğruluk Oranı: 3
-
Demografi: 2
Bu makale ile ilgili daha detaylı bilgiye ulaşmak isterseniz buraya tıklayarak ilgili makalenin ekine ulaşabilirsiniz.