一项开创性的研究成功地将大语言模型（LLM）的强大计算能力与精确的行为选择数学相结合，开发出一种全新的自动化认知映射框架。这项由SynoSys研究员Kamil Fuławka博士领导的团队完成的工作，首次证明了人类的自我洞察是一种高度可靠且在数学上有效的数据来源，能够揭示人们在面对问题时，其核心决策逻辑如何根据问题的具体呈现方式而系统性地转变。

传统的行为经济学研究往往只关注人们的最终选择，例如点击哪个按钮或购买哪种产品，却无法深入了解导致这些行为背后的隐藏思维过程、疑虑和心理捷径。尽管研究人员一直渴望通过阅读人们的书面解释来理解其真实动机，但手动分析海量自由文本数据一直是巨大的瓶颈。这项新研究通过部署LLM作为高速、自动化的定性审计员，成功克服了这一挑战，为大规模洞察人类思维提供了前所未有的机会。

赌博文本实验：深入探究决策过程

在模拟的赌博实验中，参与者被要求在涉及不断变化的风险参数的回合中，不仅要做出选择，更重要的是，在每一轮结束后，必须用自己的语言积极描述其内部思维过程和主观理由。这种设计确保了研究人员能够收集到丰富的、未经预设的决策解释。

算法行为准则：构建人类理性分类体系

研究人员借鉴了数十年来行为金融学和决策理论的既有成果，构建了一个详尽的人类理性分类体系。这个“算法行为准则”涵盖了从专注于实现最佳结果的“最大化启发式”（maximax heuristics），到极力避免最大损失的“最小化损失规避”（minimax loss aversion）等多种可能的决策理由。这一全面的分类体系为后续的LLM分析提供了坚实的基础。

LLM作为可扩展的定性审计员

为了高效处理数千份个人日志，研究团队没有依赖耗时耗力的人工阅读和标记，而是部署了经过微调的LLM。这些模型充当了高速的定性审计员，能够大规模阅读自由文本数据，并立即标记出驱动每个决策背后的确切心理原因。这极大地提升了数据分析的效率和规模。

数学选择验证：确保LLM的准确性

为了验证LLM的文本分类并非“幻觉”或随意生成，研究人员采取了严谨的交叉验证方法。他们将LLM从参与者文本中识别出的心理原因（例如“试图避免灾难性损失”）与参与者实际物理选择的客观数学模型进行比对。结果显示，数学模型与文本分析结果惊人地吻合：人们所“说”的与他们所“做”的完美契合。这有力地证明了LLM的分析具有高度的准确性和科学严谨性。

动态策略转变：决策并非一成不变

综合数据显示，人类的决策策略并非固定不变的个性特征。相反，个体表现出高度的适应性：他们会根据问题的呈现方式，在一轮又一轮的决策中动态且系统性地调整其推理模式。这一发现挑战了传统上认为决策风格是稳定特质的观点，强调了情境因素在决策中的关键作用。

Kamil Fuławka博士强调：“我们对人类行为，包括决策制定的理解，可以通过要求人们详细阐述其思维过程来深化。然而，对这种自由文本数据进行系统性分析需要可扩展且严谨的分析框架——现在，LLM能够支持这一努力。”

公共政策的新工具包

Fuławka博士指出，这种自动化的分析框架为在复杂、现实世界生态系统中研究人类行为开辟了广阔的前景。通过允许研究人员解析大量的自由文本公共反馈，政策制定者可以更好地理解社区如何解释和简化公共卫生、经济规划和技术适应等领域中的复杂权衡。例如，在面对退休规划、癌症治疗选择或适应新技术等涉及复杂权衡的重大决策时，人们的解释对于揭示他们如何简化复杂问题、关注特定信息以及适应性地使用简单决策策略尤其有价值。这项研究展示了LLM如何帮助研究人员大规模分析这些解释，从而为在更真实、更复杂的环境中研究人类决策提供了创新机会。