Decision and Gender Biases in Large Language Models: A Behavioral Economic Perspective

文章总结与翻译

一、主要内容

本文从行为经济学视角，探究大型语言模型（LLMs）在决策中是否呈现人类的认知与社会偏见，通过两项经典实验（最后通牒博弈、赌博博弈）对Google Gemma-7B和Qwen-2.5-32B-Instruct-AWQ两款模型展开测试，核心内容如下：

1. 实验设计：设置中性与性别条件提示（男性角色Joseph、女性角色Kelly），在最后通牒博弈中分析公平偏好（不公平厌恶参数α、优势不公平厌恶参数β），在赌博博弈中基于前景理论分析风险偏好（价值函数曲率α/β、损失厌恶系数λ、概率权重参数φ⁺/φ⁻），每项配置重复100次（温度参数设为1）以保证结果稳健性。
2. 核心发现：
   • 模型决策介于完全理性与人类行为之间，偏见程度弱于人类：Gemma在最后通牒博弈中α≈0.454（低于人类的0.6-1.0）、β≈0.542（高于人类的0.2-0.3），呈现“β>α”的特殊模式（人类通常α>β），即更倾向于避免自身优势不公而非惩罚他人不公；Qwen在赌博博弈中λ≈1.542（低于人类的2.25），增益域接近风险中性，损失域存在温和损失厌恶。
   • 性别提示的影响具有场景依赖性：最后通牒博弈中，男性回应者使模型策略更稳定，女性提议者更具“他人导向”；赌博博弈中性别对参数估计无显著影响，说明性别差异主要体现在社交互动场景而非纯风险决策中。
3. 结论：LLMs从训练数据中内化了人类的社会启发式，虽未被明确编程公平或风险偏好