Een team van onderzoekers, waaronder Benjamin S. Manning en Matthew O. Jackson, heeft een innovatieve techniek ontwikkeld om de complexiteit van menselijke keuzes te analyseren. Door gebruik te maken van grote taalmodellen (LLM's) trachten de wetenschappers patronen in menselijke besluitvorming te identificeren en te simuleren. De methode is beschreven in de publicatie "Modeling the Structure of Human Behavior with AI Prompt Vectors", die op 29 augustus 2026 in de tweede versie verscheen via arxiv.org.
De rol van type-vectoren
De kern van deze benadering is het toekennen van een zogenaamde "type vector" aan een AI-model. In plaats van een generieke vraag te stellen over menselijke reacties, krijgt het model een gedetailleerd profiel toegewezen. Dit profiel is opgebouwd uit diverse dimensies, zoals de mate van risicoaversie of altruïsme, die elk een specifieke waarde op een schaal krijgen.
Volgens de details in het wordt de AI vervolgens gevraagd acties te kiezen in scenario's waarvoor reeds menselijke data beschikbaar zijn. Door de waarden in deze dimensies systematisch aan te passen, kunnen de onderzoekers de kloof tussen de voorspellingen van de AI en de daadwerkelijke menselijke keuzes verkleinen.
Resultaten uit grootschalige data-analyse
Om de validiteit van deze methode te toetsen, is de analyse uitgevoerd op een dataset met 119.147 individuele beslissingen. Deze data zijn afkomstig van 78.657 proefpersonen uit meer dan 35 landen, die deelnamen aan tien verschillende klassieke economische spellen. De resultaten tonen aan dat menselijk gedrag in deze diverse contexten verrassend nauwkeurig kan worden benaderd met slechts drie centrale dimensies: vertrouwen, strategische sophisticatedheid en risicoaversie.
Daarnaast ontdekten de onderzoekers dat de types die nodig zijn om individuen over verschillende spellen heen te matchen, uiteenvallen in minder dan twaalf clusters. Een cruciaal aspect van deze bevindingen is de portabiliteit van de representaties; de modellen kunnen gedrag voorspellen in spellen met regels en acties die afwijken van de oorspronkelijke dataset.
Wetenschappelijke en maatschappelijke impact
De auteurs concluderen dat menselijk gedrag over uiteenlopende situaties heen kan worden benaderd via een laag-dimensionale representatie. Dit suggereert dat het mogelijk is om relatief eenvoudige, algemene theorieën te ontwikkelen binnen de gedragswetenschappen om menselijke interacties en besluitvormingsprocessen te begrijpen. Het project bevindt zich daarmee op het snijvlak van kunstmatige intelligentie en theoretische economie.
Terwijl dergelijke geavanceerde toepassingen de wetenschap vooruitstuwen, groeit ook de behoefte aan fundamentele kennis over deze technologie. Zo wordt de basis van AI steeds vaker geïntegreerd in het hoger onderwijs. mtu.edu biedt bijvoorbeeld gespecialiseerde opleidingen aan in Artificial Intelligence en Data Science om studenten voor te bereiden op de technische aspecten van machine learning.
De combinatie van theoretische economische modellen en de praktische inzet van AI, zoals beschreven in de , onderstreept de groeiende rol van computationele modellen bij het ontrafelen van complexe sociale systemen en het menselijk brein.