通过情感分析来研究决策和策略互动中的人类行为，以改变传统基于结果的效用函数观点，强调语言的重要性，为经济学、心理学和人工智能领域提供新颖的博弈论方法。

Mar, 2024

在过去二十年中，一系列实验研究提供了证据，表明语言框架影响经济游戏中的人类行为，超越了可用行动的经济后果。本文提出了一个超越基于结果偏好模型的传统限制的新框架：LENS 模型。根据 LENS 模型，对决策问题的语言描述会触发情绪反应，提出潜在的行为准则，进而相互作用从而塑造个人的策略选择。此文综述了支持 LENS 模型各路径的实验证据，并指出了引发此模型的若干关键研究问题，为未来研究提供了方向。

Mar, 2024

研究从语言中学习以实现语言使用与机器智能的价值对齐，分析了两种不同类别的语言，即指令和描述，运用上下文强化学习进行形式化的建模，并且验证了这种社会学习方法在传统的强化学习任务中可以降低遗憾值。

Jun, 2022

本文考虑了如何从人类交互数据中准确估计人类主体的偏好，并与行为经济学中的均衡概念相比较，其中四种基于行为均衡模型的估计方法被开发用于推断人类代理的效用，并使用 2x2 游戏的实验数据进行评估。结果表明，这些行为均衡方法产生的估计结果比纳什均衡法更准确，并且与量纲后悔法相比较，这些行为方法具有更好的命中率，但相对于整体均方误差来说，量纲后悔法表现更好，我们探讨了这些方法之间的差异。

Dec, 2021

本研究分析了 GPT-3.5 在多种语言中对奖励和时间的偏好，发现当以德语和汉语等未来时态参照性较弱的语言提问时，GPT 表现出更高的耐心，并且发现虽然 GPT 可以捕捉到跨语言的变异，但它们所做出的选择并不符合人类决策者的选择。

May, 2023

我们评估 LLMs 在战略场景中是否学会进行类似人类的偏好判断，结果显示 Solar 和 Mistral 表现出稳定的基于价值的偏好，包括与人类一致的囚徒困境和旅行者困境中的利益大小效应和罚款大小效应，我们发现模型的大小、基于价值的偏好和表面性之间存在关系，最后我们发现使用滑动窗口注意力训练的模型更加稳健，此外，我们提出了一种从任意 LLMs 构造偏好关系的新方法，并支持一个关于旅行者困境中人类行为的假设。

Apr, 2024

在不确定性下做决策时，个体往往偏离理性行为，这可以通过风险偏好、概率权重和损失规避三个维度进行评估。本文提出基于行为经济学的框架，评估大型语言模型（LLMs）的决策行为，结果显示 LLMs 通常表现出类似于人类的行为模式，如风险规避和损失规避，并且倾向于高估小概率。然而，不同的 LLMs 在表达这些行为的程度上存在显著差异。此外，研究还探讨了当 LLMs 嵌入社会人口学特征时的行为，并发现存在显著差异。因此，本研究倡导制定标准和指南，确保 LLMs 在提升复杂决策环境中的效用的同时，遵守伦理规范和尽量减少潜在偏见。

Jun, 2024

通过对大规模跨文化研究的启发，我们对大型语言模型进行了道德困境的决策制定，发现其中在不同语言环境下，模型与人类偏好吻合程度存在差异，并对模型的道德选择进行了解释和发展水平的评估。

Jul, 2024

本文提出了一种基于语言认知的模型，不仅能够从语言中推断出用户的奖励函数，以便在新环境中实现期望的操作，而且能够更准确地推断奖励并预测新环境下的最佳操作，相比于以往的指令跟随和逆向强化学习方法。

Apr, 2022

通过测试两种大型语言模型表明，它们在选择上呈现出与人类和动物相似的相对价值偏见，相较于绝对奖励。而当模型被提示估计预期结果时，该偏见消失。这些结果对于人类选择中的上下文依赖性和潜在机制具有重要意义。

Jan, 2024