一项新近发布在arXiv上的元分析研究考察了大型语言模型是否在风险决策中表现出与人类相同的前景理论特征。该研究由Adi Tarabeih完成，论文题为《大型语言模型中的前景理论：对损失厌恶、敏感性递减与概率权重的元分析》，于2026年10月22日提交，编号arXiv:2610.33103，归入人工智能、计算与语言以及一般经济学等分类。
前景理论将风险选择拆解为三个部分。第一部分是损失厌恶，用损失相对于收益的权重λ来衡量，例如λ=2意味着损失的心理权重是同等收益的两倍。第二部分是对结果规模的敏感性递减，涉及价值函数的曲率与线性程度。第三部分是概率的非线性加权，即人们对小概率和大概率赋予与客观概率不同的权重。作者要回答的问题是：大型语言模型是否也具备这些同样的性质。
为回答这一问题，研究对11项研究中的102个拟合估计进行了元分析，覆盖32个语言模型。结果显示，三个组成部分在模型身上的呈现方式各不相同。
在损失厌恶方面，模型的效应相对温和。合并后的λ为1.26，95%置信区间为1.06至1.46。这一数值远低于人类元分析中最强的估计值1.96，但与更保守的估计（1.07和1.31）相容。按实验设计进行匹配后，当收益与损失对称时，模型与人类基本一致，λ为1.15，人类为1.07；然而当损失小于收益时，模型的λ为1.46，人类则为2.3，而后者正是人类损失厌恶最强的情境，模型在此明显偏低。
在敏感性递减方面，结论对测量方法高度敏感。采用Tversky-Kahneman方法时，模型的价值函数接近线性而非凹形，估计值为1.01，而人类为0.67；但采用Tanaka方法时，模型的价值函数比人类更具凹性，估计值为0.52，人类为0.67。因此，模型是否表现出敏感性递减，取决于研究者如何测量它。
在概率加权方面，模型呈现出类似人类的逆S形曲线，Tversky-Kahneman方法下γ为0.81，Tanaka方法下γ为0.84，不过这一结论所依据的研究数量较少。
总体而言，大型语言模型表现出较弱的损失厌恶和较弱的敏感性递减，但保留了类似人类的概率扭曲。作者同时提醒，这些概括性结论会随具体模型家族和拟合方法的不同而变化。该研究的价值在于把分散在不同实验设计下的估计汇总起来，同时也凸显出测量方法的选择会实质性地影响关于模型是否“像人”的结论。