Boas decisões costumam exigir que a gente pense em como um resultado vai nos fazer sentir. Um estudo publicado no arXiv (preprint, versão v1) investigou se grandes modelos de linguagem (LLMs) fazem essa associação entre resultado e sentimento e se usam essas estimativas ao escolher. Segundo os autores, a pergunta é relevante porque esses modelos vêm entrando em fluxos de decisão, mesmo com pouco conhecimento sobre esse mapeamento.
O que foi testado
O foco foi em resultados de apostas e de negociação de ações. Os modelos deveriam antecipar como cada resultado se sentiria e, depois, o estudo verificou se essas notas influenciavam a escolha.
Principais resultados
- Avaliados isoladamente: as notas mostraram sensibilidade decrescente à magnitude, parecida com funções de valor humanas. Porém, os modelos avaliaram ganhos com mais intensidade do que perdas equivalentes. O estudo chama essa inversão da aversão à perda clássica (a tendência humana de pesar mais as perdas do que ganhos de mesmo valor) de « amplificação de ganho de silício ».
- Avaliados em conjunto: quando os resultados podiam ser comparados diretamente, as notas ficaram lineares.
- Na escolha: a assimetria entre ganhos e perdas praticamente desapareceu. Além disso, as próprias notas dos modelos não explicaram as escolhas de forma mais confiável do que a utilidade monetária.
Por que isso importa
Segundo os autores, o mapeamento de resultados em afeto é maleável, ou seja, muda conforme o modo como a informação é apresentada. Eles levantam a questão de se e como modelos com capacidade de agir deveriam incorporar sentimentos antecipados às decisões, mas o resumo não responde a essa pergunta.
O texto disponível é o resumo do preprint. Detalhes de metodologia, quais modelos foram usados e os números completos não aparecem aqui.
