Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?

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.