TL;DR
LLM воспроизводит нерациональные человеческие предубеждения (избегание потерь, искажение вероятностей, зависимость от точки отсчёта) — если дать ей не просто роль, а многомерный поведенческий профиль: кто человек, как он думает, какие у него ограничения. Исследователи назвали эту архитектуру Profile + Planning + Action и показали: LLM с таким профилем принимает решения так же, как реальные люди с аналогичными характеристиками.
Главная находка: LLM не нейтральна. Она уже содержит паттерны человеческого поведения из обучающих данных — в том числе предубеждения. Обычный промпт вроде "ты — менеджер по продажам" это не раскрывает. Но стоит добавить психологические параметры (отношение к риску, чувствительность к потерям, горизонт планирования) и поведенческие ограничения — и модель начинает симулировать реалистичный выбор конкретного типа человека.
Метод строится из трёх слоёв в одном промпте. Профиль — кто агент: демография, отношение к риску, цель. Планирование — как он оценивает варианты: какие факторы взвешивает, как формирует приоритеты. Действие — правила принятия решения и формат вывода. Три слоя вместе заставляют LLM "войти в роль" глубже, чем просто назначение персонажа.
Схема метода
(Всё в одном промпте)
СЛОЙ 1 — Профиль (кто агент)
→ Атрибуты: профессия, возраст, цель, давление времени
→ Поведенческие параметры: отношение к риску, чувствительность к потерям/выгодам
→ Ограничения: что невозможно, что обязательно
СЛОЙ 2 — Планирование (как думает)
→ Приоритеты: какие факторы агент взвешивает в первую очередь
→ Логика оценки: как сравнивает варианты через свои психологические установки
СЛОЙ 3 — Действие (что решает)
→ Правила принятия решения: как риск-аверсия / риск-склонность влияет на выбор
→ Формат вывода: структурированный ответ с объяснением
Пример применения
Задача: HR-директор Яндекса хочет понять, как разные типы сотрудников отреагируют на новую систему оплаты — фиксированный оклад 250 000 ₽ против оклада 180 000 ₽ + бонус до 150 000 ₽ при достижении KPI. Нужно проверить реакцию до запуска, не проводя опрос.
Промпт:
Ты — Алексей, 42 года, ведущий аналитик данных в IT-компании.
[ПРОФИЛЬ]
Профессия: инженер данных, 15 лет опыта
Жизненная ситуация: ипотека, двое детей, основной кормилец в семье
Горизонт планирования: долгосрочный (думает на 3–5 лет вперёд)
Отношение к риску: избегающее — стабильность важнее потенциального выигрыша
Чувствительность к потерям: высокая — возможная потеря 70 000 ₽ воспринимается
тяжелее, чем потенциальный выигрыш 70 000 ₽
Точка отсчёта: текущая зарплата 230 000 ₽ — это "норма", от неё ты оцениваешь
варианты как выигрыш или потерю
[ПЛАНИРОВАНИЕ]
При оценке предложений ты в первую очередь смотришь на:
1. Гарантированный минимум — что ты получишь точно
2. Вероятность достижения KPI — насколько это реально в твоей зоне контроля
3. Цену неопределённости — насколько страшна ситуация "бонус не пришёл"
[ДЕЙСТВИЕ]
Тебе предложили выбор:
- Вариант А: фиксированный оклад 250 000 ₽
- Вариант Б: оклад 180 000 ₽ + бонус до 150 000 ₽ при выполнении KPI
Правила: избегающий риск человек предпочтёт предсказуемость.
Потенциальный максимум привлекает меньше, чем пугает возможный минимум.
Выбери вариант. Объясни своей логикой — через призму своих страхов,
приоритетов и жизненной ситуации. Затем укажи: при каком условии ты бы
изменил решение.
Результат: Модель выдаст выбор от лица Алексея с объяснением через его поведенческую логику — страх недобора до ипотечного платежа, недоверие к KPI "вне зоны контроля", переоценка потери стабильности. В конце — конкретное пороговое условие для смены решения (например, "если гарантированного KPI-бонуса 50% при любом раскладе"). Это реалистичнее, чем абстрактный анализ: модель воспроизводит субъективное восприятие, а не рациональный расчёт.
Почему это работает
LLM обучена на огромном массиве текстов, где люди описывают свои решения, страхи, логику выборов. Там есть паттерны: как мыслит консервативный человек с ипотекой, как рассуждает молодой предприниматель без обязательств. Обычный промпт "ты — менеджер" не активирует эти паттерны. Модель отвечает нейтрально, как "усреднённый человек".
Три слоя профиля работают как точный адрес в пространстве паттернов. Профессия + жизненная ситуация + точка отсчёта + чувствительность к потерям — это не просто описание персонажа. Это координаты конкретного типа мышления. Модель генерирует текст, согласованный с этими координатами.
Ключевой рычаг — точка отсчёта и чувствительность к потерям. Именно это определяет, воспринимает ли агент ситуацию как "выигрыш от нормы" или "угрозу потери". Один и тот же сценарий с оппонирующим профилем (молодой, без обязательств, высокая толерантность к риску) даст принципиально другое решение — и это живая симуляция рыночной сегментации.
Рычаги управления:
- Точка отсчёта (текущая зарплата — это "норма") → меняй её, чтобы переключать восприятие между выигрышем и потерей
- Уровень чувствительности к потерям (возможная потеря воспринимается тяжелее) → усиль/убери для разных психотипов
- Горизонт планирования → краткосрочный даст импульсивный выбор, долгосрочный — взвешенный
- Условие смены решения → добавь запрос "при каком условии изменишь выбор" — получишь пороговый анализ
Шаблон промпта
Ты — {имя}, {возраст} лет, {профессия}.
[ПРОФИЛЬ]
Жизненная ситуация: {ключевые обстоятельства — семья, финансовые обязательства, статус}
Горизонт планирования: {краткосрочный / среднесрочный / долгосрочный}
Отношение к риску: {избегающее / нейтральное / склонное к риску} — {почему, 1 предложение}
Чувствительность к потерям: {высокая / средняя / низкая} — {что это значит конкретно}
Точка отсчёта: {текущее состояние} — это "норма", от неё ты оцениваешь варианты
как выигрыш или потерю
[ПЛАНИРОВАНИЕ]
При оценке вариантов ты взвешиваешь в первую очередь:
1. {Фактор 1 — самый важный для этого типа человека}
2. {Фактор 2}
3. {Фактор 3}
[ДЕЙСТВИЕ]
{Описание ситуации и вариантов выбора}
Правила: {поведенческая логика — как риск-профиль влияет на решение, 1-2 предложения}
Сделай выбор. Объясни своей логикой — через призму своих приоритетов и ситуации.
Укажи: при каком условии ты бы изменил решение.
Плейсхолдеры:
- {профессия} и {жизненная ситуация} → определяют базовый контекст
- {точка отсчёта} → самое важное: что человек считает "нормой" и от чего отсчитывает выигрыш/потерю
- {чувствительность к потерям} → как сильно потеря пугает по сравнению с эквивалентным выигрышем
- {факторы планирования} → 2-3 критерия, специфичных для этого психотипа
- {поведенческая логика} → подсказка модели как конкретно риск-профиль должен проявляться
🚀 Быстрый старт — вставь в чат:
Вот шаблон для симуляции поведенческого агента. Адаптируй под мою задачу:
{твоя задача — например: "хочу понять, как мои клиенты-пенсионеры отреагируют
на переход с тарифа X на тариф Y"}.
Задавай вопросы чтобы заполнить профиль.
[вставить шаблон выше]
LLM спросит о жизненной ситуации персонажа, его отношении к риску и точке отсчёта — потому что без этого поведенческие предубеждения не активируются. Она возьмёт структуру Profile+Planning+Action и адаптирует под твоих клиентов или задачу.
Ограничения
⚠️ Субъективные и ценностные решения: Метод воспроизводит паттерны из обучающих данных. Для нестандартных культурных контекстов или решений с сильной ценностной составляющей (религия, этика) симуляция менее надёжна.
⚠️ Не замена реальному опросу: Результаты отражают то, как LLM "видит" этот тип человека на основе текстов. Это гипотеза, которую нужно проверять, а не данные.
⚠️ Деградация при упрощении профиля: Если убрать точку отсчёта или чувствительность к потерям — модель возвращается к нейтральному "рациональному" ответу. Структура работает только полностью.
⚠️ Однородность внутри типа: Один профиль = один усреднённый тип. Для симуляции разброса внутри группы нужно запускать несколько агентов с вариациями параметров.
Как исследовали
Команда из Тяньцзиньского университета взяла классическую задачу поведенческой экономики — выбор маршрута в условиях неопределённости — и превратила её в стенд для тестирования LLM. Логика была простой: если у нас есть зрелая теория (Cumulative Prospect Theory), которая точно предсказывает как реальные люди делают нерациональные выборы, то можно проверить — воспроизводит ли LLM эти же паттерны?
Исследователи сконструировали ситуации с маршрутами, где один имел стабильное время поездки, а другой — меньшее среднее время, но высокий разброс. По CPT, люди избегают риска в зоне выигрыша (когда едут быстрее нормы) и ищут риск в зоне потерь (когда опаздывают). Они проверили, воспроизводит ли LLM этот паттерн — и он воспроизвёлся. Причём без явного указания на теорию: агентам просто давали профиль и сценарий.
Что удивило: LLM не просто выдаёт "правильный по теории" ответ. Она генерирует поведение, из которого можно обратно вычислить CPT-параметры (коэффициент неприятия потерь λ, чувствительность α и β) — и они совпадают с диапазонами из реальных исследований на людях. Это значит, что модель не просто "знает теорию" — она воспроизводит подлежащие механизмы восприятия.
Практический инсайт: чем богаче демографический и психологический профиль агента, тем точнее воспроизводятся специфические предубеждения конкретного типа человека. Безликий агент "выбирает рационально". Агент с профилем выбирает как живой человек.
Адаптации и экстраполяции
🔧 Несколько конкурирующих агентов → симуляция рыночного спроса
Запусти три агента с разными профилями на одну и ту же задачу — получишь распределение решений по сегментам:
Ниже три профиля клиентов {сервиса}. Для каждого выполни выбор по шаблону
выше и заполни таблицу:
Агент 1: {консервативный профиль}
Агент 2: {нейтральный профиль}
Агент 3: {риск-ориентированный профиль}
| Агент | Выбор | Ключевой страх | Условие смены решения |
|-------|-------|---------------|----------------------|
Это позволяет за один запрос получить срез реакций трёх сегментов вместо трёх отдельных разговоров.
🔧 Добавить "точку слома" → пороговый анализ
Стандартный шаблон даёт решение. Добавь явный запрос порогового условия:
После выбора ответь на три вопроса:
1. При каком минимальном изменении условий ты изменишь решение?
2. Какой информации тебе не хватает для уверенного выбора?
3. Что должно произойти, чтобы ты пожалел о своём решении?
Это превращает одноразовый выбор в анализ чувствительности: какие рычаги влияют на поведение этого типа людей.
Ресурсы
Название работы: Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling
Авторы: Jiangtao Han, Shoufeng Ma, Shuxian Xu, Geng Li, Shuai Ling, Ning Jia (Tianjin University, China), Zhengbing He (University of Nottingham Ningbo China)
Контакты авторов: shuxianxu@tju.edu.cn, he.zb@hotmail.com
Теоретическая база: Cumulative Prospect Theory — Tversky & Kahneman (1992); Generative Agents — Park et al., Stanford (2023)