في عالم الذكاء الاصطناعي، تتنوع استجابات البشر في المواقف الاستراتيجية، مما يثير تساؤلات حول كيفية تحسين أداء نماذج الذكاء الاصطناعي في محاكاة هذه التفاعلات. في دراسة جديدة، تم تسليط الضوء على أهمية دمج علوم الإدراك (Cognitive Science) والاقتصاد (Economics) لاستخدام نماذج رياضية تعكس سلوكيات البشر أثناء اتخاذ القرارات.

يُعرف الأسلوب الذي تم تطويره في هذه الدراسة باسم 'التوجيه من المعادلة إلى السلوك' (Equation-to-Behavior Prompting)، والذي يهدف إلى توجيه نماذج اللغة الكبيرة (Large Language Models) للتقارب من النماذج الإدراكية. تم تقييم هذا الأسلوب على ألعاب الإقناع المرتبطة باتخاذ القرارات القانونية، حيث أظهرت النتائج أنها تستطيع تقريب المواصفات القائمة على المعادلات مثل تحديث بايزي (Bayesian Updating)، والتشويه المعرفي (Affine Distortion)، والتحديث المدفوع بالخداع (Motivated Updating) وحتى نموذج غريثر (Grether's α-β model).

ومع ذلك، واجهت النماذج الصغيرة (Small Models) صعوبة في التكيف مع هذه الأساليب. لذا، تم استخدام التعلم المعزز (Reinforcement Learning) لتدريب هذه النماذج الصغيرة على الالتزام بالقواعد الرياضية، مما قلل من أخطاء المعتقد بنسبة 26.5% في معايير غير متوافقة. بالإضافة إلى ذلك، ساعد هذا التدريب على خلق بيئات تدريب متنوعة، مما أدى إلى تحسين متوسط تغيير المفاهيم بنسبة تتراوح بين 2.5% إلى 12% مقارنةً بالتدريب القائم على بايز فقط.

يمكن أن تسهم هذه المحاكاة في تحسين عمليات التدريب والتقييم للنماذج في بيئات أكثر واقعية، مما يفتح الطريق أمام أبحاث جديدة حول النماذج الرياضية الأكثر تعقيدًا لسلوكيات اتخاذ القرار لدى البشر.