不同思考者、一致基线：LLM-人类战略行为的有限理性解释

研究者开始在行为和政治科学实验中使用 LLM 代理，以替代人类受试者，常常是因为它们在实验室池中更便宜。这种替代在战略情境下并不成立：人类和 LLM 可靠地做出不同的选择，无论是精调人类响应数据还是人格条件，都未能缩小这一差距。行为经济学文献自 Simon 引入有限理性以来，已将人类战略行为建模为经典基线加上加法校正项 $\delta$。本文提出的框架将 $\delta$ 解读为有限计算的数学签名：无限理性代理应计算的内容与实际计算的内容之间的差距。对于解决方案已存在于标准训练语料库中的经典游戏，LLM 通过检索和重组语料库材料来绕过产生 $\delta$ 的限制。该框架可扩展至通过认知金字塔理论实现推理蒸馏的模型：它们可访问的 $k$ 级战略推理受计算预算和上下文长度限制，而非人类的认知约束，产生的 $\delta$（如果有的话）携带不同的结构特征。提出四项操作性检验（条件依赖、分布不对称、重复下的路径依赖性和改写鲁棒性），以区分人类形态的 $\delta$ 与 LLM 形态的 $\delta$。预测者预计 $|\delta|$ 会随着对等信号的 individuation 而增大，在命名对手与聚合对手设置之间，预计 Cohen's $d \geq 0.5$。