※本記事は一次情報をもとにAI支援によって構成・作成し、事実関係の照合を行っています。
発表内容（事実）
2026年10月27日に公開された論文「Prospect Theory in Large Language Models: A Meta-Analysis of Loss Aversion, Diminishing Sensitivity, and Probability Weighting」では、大規模言語モデル（LLMs）が人間と同様のプロスペクト理論に基づく特性を示すかどうかを検証しています。著者であるAdi Tarabeih氏は、32の言語モデルをカバーする11件の研究から得られた102の適合推定値をメタ分析しました。
プロスペクト理論においてリスクを伴う選択は、損失回避性（利益に対する損失の相対的な重み $\lambda$）、結果の大きさに対する感応度逓減（価値関数の曲率と線形性）、そして確率の非線形な重み付けの3つの要素に分割されます。分析の結果、これら3つのコンポーネントの現れ方には違いが見られました。
損失回避性については、プールされた $\lambda$ が1.26（95%信頼区間1.06〜1.46）であり、人間の最も強力なメタ分析推定値である1.96を大きく下回り、より保守的な推定値（1.07および1.31）と適合する控えめな結果となりました。設計上一致させた場合、利得と損失が対称であるときLLMsは人間と適合しますが（1.15対1.07）、人間の損失回避性が最も強くなる損失が利得よりも小さい場合（1.46対2.3）には人間を大きく下回りました。
価値関数に関しては、Tversky-Kahneman法の下では凹型というよりも線形に近く（1.01、人間の値は0.67）、Tanaka法の下では人間よりも凹型になる（0.52、人間の値は0.67）ため、感応度逓減はどのように測定されるかに依存することが示されました。また確率重み付けについては、研究数は少ないものの、人間のような逆S字型（Tversky-Kahneman法の下で $\gamma = 0.81$、Tanaka法の下で $\gamma = 0.84$）を示しました。
この記事のポイント
- 大規模言語モデルにおけるプロスペクト理論の適用性を検証するため、32の言語モデルと11件の研究から得られた102の推定値を対象にメタ分析が実施されました。
- LLMsの損失回避性は控えめであり、プールされた $\lambda$ は1.26（95%信頼区間1.06〜1.46）となり、人間の最大推定値である1.96を下回りました。
- 感応度逓減の傾向は測定手法によって異なり、Tversky-Kahneman法では線形に近く、Tanaka法では人間よりも凹型になることが示されました。
- 確率重み付けについては、研究数が少ないものの、人間と同様の逆S字型の歪み（Tversky-Kahneman法で $\gamma = 0.81$、Tanaka法で $\gamma = 0.84$）が確認されました。
考察（筆者の見解）
事実：分析対象となった11件の研究および32の言語モデルにおいて、損失回避性や感応度逓減、確率重み付けの各要素の数値はそれぞれ異なる傾向を示し、損失回避性は人間の最高値よりも低い1.26という結果になりました。
推測：LLMsにおける意思決定特性は、特定のモデルファミリーや採用するフィッティング手法によって結果が大きく変動するため、今後の研究や実務応用において評価手法の選択が重要な要素になると考えられます。
意見：筆者は、LLMsが人間とは異なる経済的・心理的バイアスの特性を持つことを定量的に示した本研究は、AIモデルの意思決定メカニズムを理解し、より信頼性の高いシステムを設計する上で重要な知見を提供していると考えます。
コメント