InsurAgent：面向模拟个人购买洪水保险的大型语言模型驱动代理
人工智能
2025-11-05 v1 计算与语言
摘要
洪水保险是个人缓解灾害相关损失的有效策略。然而，美国在危险区域的人口参与率仍显著偏低。这一差距凸显了洞察和建模保险决策背后行为机制的必要性。大型语言模型（LLM）最近在广泛的任务中展现出类人智能，为模拟人类决策提供了可前景的工具。本研究构建了一个基准数据集，捕获保险购买概率在各因素上的分布。利用该数据集，我们评估了LLM的能力：尽管LLM在定性理解因素方面表现良好，但在估计定量概率方面仍有不足。为此，我们提出了InsurAgent，一个由五个模块组成的LLM驱动代理，包括感知、检索、推理、行动和记忆。检索模块利用检索增强生成（RAG）将决策 grounding 在实证调查数据上，实现对边际概率和二元概率的准确估计。推理模块利用LLM常识，对调查数据之外的情境信息进行外推，捕捉传统模型难以处理的上下文信息。记忆模块支持决策随时间演变的模拟，通过roller coaster生涯轨迹进行展示。总体而言，InsurAgent为行为建模和政策分析提供了宝贵的工具。
引用
@article{arxiv.2511.02119,
title = {InsurAgent: A Large Language Model-Empowered Agent for Simulating Individual Behavior in Purchasing Flood Insurance},
author = {Ziheng Geng and Jiachen Liu and Ran Cao and Lu Cheng and Dan M. Frangopol and Minghui Cheng},
journal= {arXiv preprint arXiv:2511.02119},
year = {2025}
}