Language Models Trained to do Arithmetic Predict Human Risky and Intertemporal Choice

要約

人間と大規模な言語モデル（LLM）の行動における観察された類似性は、研究者がLLMを人間の認知のモデルとして使用する可能性を考慮するように促しました。
ただし、LLMSを正当に認知モデルと見なす前に、いくつかの重要な課題に対処する必要があります。
たとえば、LLMは、人間が通常遭遇するよりもはるかに多くのデータについて訓練されており、特定の認知タスクで人間のデータについて直接訓練されているか、人間の好みと整合している可能性があります。
その結果、これらの行動類似性の起源はよく理解されていません。
この論文では、認知モデルとしてLLMの有用性を高める新しい方法を提案します。
このアプローチには、（i）LLMと合理的なエージェントの両方が認知問題を解決するために習得する必要がある計算的に同等のタスクを活用し、（ii）LLMが人間のような行動を示すために必要な特定のタスク分布を調べることが含まれます。
このアプローチは、重要な計算的に同等のタスクが期待値計算の算術である場合、意思決定、特にリスクがあり、時代間選択の選択に適用します。
私たちは、算術-GPTと呼ばれる生態学的に有効な算術データセットで事前に処理されたLLMが、多くの従来の認知モデルよりも人間の行動をよりよく予測することを示しています。
生態学的に有効な算術データセットでのLLMを事前に除去することは、これらのモデルと人間の意思決定との間に強い対応を生み出すのに十分です。
また、我々の結果は、認知モデルとして使用されるLLMは、事前トレーニングデータのアブレーション研究を介して慎重に調査する必要があることを示唆しています。

要約(オリジナル)

The observed similarities in the behavior of humans and Large Language Models (LLMs) have prompted researchers to consider the potential of using LLMs as models of human cognition. However, several significant challenges must be addressed before LLMs can be legitimately regarded as cognitive models. For instance, LLMs are trained on far more data than humans typically encounter, and may have been directly trained on human data in specific cognitive tasks or aligned with human preferences. Consequently, the origins of these behavioral similarities are not well understood. In this paper, we propose a novel way to enhance the utility of LLMs as cognitive models. This approach involves (i) leveraging computationally equivalent tasks that both an LLM and a rational agent need to master for solving a cognitive problem and (ii) examining the specific task distributions required for an LLM to exhibit human-like behaviors. We apply this approach to decision-making — specifically risky and intertemporal choice — where the key computationally equivalent task is the arithmetic of expected value calculations. We show that an LLM pretrained on an ecologically valid arithmetic dataset, which we call Arithmetic-GPT, predicts human behavior better than many traditional cognitive models. Pretraining LLMs on ecologically valid arithmetic datasets is sufficient to produce a strong correspondence between these models and human decision-making. Our results also suggest that LLMs used as cognitive models should be carefully investigated via ablation studies of the pretraining data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google