一項新近發佈在arXiv上的元分析研究考察了大型語言模型是否在風險決策中表現出與人類相同的前景理論特徵。該研究由Adi Tarabeih完成，論文題為《大型語言模型中的前景理論：對損失厭惡、敏感性遞減與概率權重的元分析》，於2026年10月22日提交，編號arXiv:2610.33103，歸入人工智能、計算與語言以及一般經濟學等分類。
前景理論將風險選擇拆解為三個部分。第一部分是損失厭惡，用損失相對於收益的權重λ來衡量，例如λ=2意味着損失的心理權重是同等收益的兩倍。第二部分是對結果規模的敏感性遞減，涉及價值函數的曲率與線性程度。第三部分是概率的非線性加權，即人們對小概率和大概率賦予與客觀概率不同的權重。作者要回答的問題是：大型語言模型是否也具備這些同樣的性質。
為回答這一問題，研究對11項研究中的102個擬合估計進行了元分析，覆蓋32個語言模型。結果顯示，三個組成部分在模型身上的呈現方式各不相同。
在損失厭惡方面，模型的效應相對温和。合併後的λ為1.26，95%置信區間為1.06至1.46。這一數值遠低於人類元分析中最強的估計值1.96，但與更保守的估計（1.07和1.31）相容。按實驗設計進行匹配後，當收益與損失對稱時，模型與人類基本一致，λ為1.15，人類為1.07；然而當損失小於收益時，模型的λ為1.46，人類則為2.3，而後者正是人類損失厭惡最強的情境，模型在此明顯偏低。
在敏感性遞減方面，結論對測量方法高度敏感。採用Tversky-Kahneman方法時，模型的價值函數接近線性而非凹形，估計值為1.01，而人類為0.67；但採用Tanaka方法時，模型的價值函數比人類更具凹性，估計值為0.52，人類為0.67。因此，模型是否表現出敏感性遞減，取決於研究者如何測量它。
在概率加權方面，模型呈現出類似人類的逆S形曲線，Tversky-Kahneman方法下γ為0.81，Tanaka方法下γ為0.84，不過這一結論所依據的研究數量較少。
總體而言，大型語言模型表現出較弱的損失厭惡和較弱的敏感性遞減，但保留了類似人類的概率扭曲。作者同時提醒，這些概括性結論會隨具體模型家族和擬合方法的不同而變化。該研究的價值在於把分散在不同實驗設計下的估計彙總起來，同時也凸顯出測量方法的選擇會實質性地影響關於模型是否“像人”的結論。