arXivに公開された新たなメタ分析研究が、大規模言語モデルがリスク下の意思決定において人間と同じプロスペクト理論の特徴を示すかどうかを検討した。論文はAdi Tarabeih氏による「大規模言語モデルにおけるプロスペクト理論：損失回避、感度逓減、確率加重に関するメタ分析」で、2026年10月22日に提出され、arXiv:2610.33103として登録されている。分類は人工知能、計算と言語、一般経済学などにまたがる。
プロスペクト理論はリスクを伴う選択を三つの要素に分解する。第一は損失回避で、損失の重みを利得に対する相対値λで表す。例えばλ=2なら、損失は同じ大きさの利得の2倍の重みを持つことになる。第二は結果の大きさに対する感度逓減で、価値関数の曲率や線形性に関わる。第三は確率の非線形な加重であり、人は客観的な確率とは異なる重みを小確率や大確率に与える。著者は、大規模言語モデルがこうした性質を人間と同様に示すのかを問うている。
この問いに答えるため、研究は11の研究から得られた102の推定値をメタ分析し、32の言語モデルを対象とした。その結果、三つの要素はモデルにおいて異なる現れ方を見せた。
損失回避は比較的控えめだった。統合されたλは1.26で、95%信頼区間は1.06から1.46である。これは人間のメタ分析における最も強い推定値1.96を大きく下回る一方、より保守的な推定値（1.07や1.31）とは整合する。実験デザインを揃えて比較すると、利得と損失が対称な場合にはモデルは人間とほぼ一致し、λは1.15に対し人間は1.07だった。しかし損失が利得より小さい場合、モデルは1.46で人間は2.3となり、人間の損失回避が最も強く現れるこの状況ではモデルが明確に下回った。
感度逓減については、測定方法によって結論が大きく変わる。Tversky-Kahneman法を用いると、モデルの価値関数は凹ではなくほぼ線形となり、推定値は1.01で人間の0.67と対照的だった。一方Tanaka法では、モデルの価値関数は人間より凹となり、0.52に対し人間は0.67だった。したがって、モデルが感度逓減を示すかどうかは測定手法に依存する。
確率加重については、モデルは人間に似た逆S字の曲線を示した。Tversky-Kahneman法ではγが0.81、Tanaka法では0.84だったが、この結論の根拠となる研究は少ない。
総じて、大規模言語モデルは損失回避も感度逓減も弱い一方、人間に似た確率の歪みは保っている。ただし著者は、こうした一般化はモデルの系統や当てはめ手法によって変わり得ると注意を促している。本研究の意義は、異なる実験デザインに散在する推定値を一つにまとめた点にあり、同時に、測定方法の選択がモデルを「人間に似ている」と評価できるかどうかに実質的な影響を与えることを浮き彫りにしている。