Utiliser l'IA pour prédire les choix économiques

La prédiction des choix économiques, c'est un truc qui consiste à deviner comment les gens vont prendre des décisions en fonction de différentes options. C'est pas évident parce que récolter des données sur le comportement des gens, c'est souvent compliqué. La plupart des études en économie expérimentale se sont concentrées sur des choix simples. Récemment, des chercheurs en intelligence artificielle (IA) ont exploré si les grands modèles de langage (LLM) peuvent remplacer les humains pour prédire ces choix plus simples. Ils ont aussi regardé comment l'apprentissage automatique peut jouer un rôle dans des contextes plus complexes, comme les interactions répétées et la communication basée sur le langage, comme dans les jeux de persuasion.

Ça soulève une question intéressante : est-ce que les LLM peuvent vraiment simuler des environnements économiques et produire des données qui aident à prévoir comment les gens vont choisir, remplaçant ainsi les labos économiques traditionnels ? Notre étude est un premier pas dans cette direction, montrant que c'est possible. On a découvert qu'un modèle entraîné seulement sur des données générées par des LLM peut efficacement prédire le Comportement Humain dans un jeu de persuasion, et peut même faire mieux que des modèles entraînés sur des données humaines réelles.

Dans l'apprentissage automatique, avoir de bonnes données est essentiel. Il faut des ensembles de données larges et de haute qualité pour que les modèles soient performants dans des tâches comme la classification ou la prédiction des résultats. Les modèles d'apprentissage automatique sont souvent utilisés pour prédire comment les gens agiront dans des situations économiques. Ça nécessite d'avoir accès à des données sur les choix humains, ce qui n'est pas toujours possible à cause des défis liés à la collecte, au stockage et à l'utilisation de ces données. Créer les outils nécessaires pour collecter ces données peut être compliqué et coûteux, et il y a aussi des préoccupations en matière de confidentialité et de questions juridiques.

D'un autre côté, les LLM ont fait des progrès rapides dans diverses applications, comme résumer du texte, traduire des langues et analyser des sentiments. Des études récentes ont montré que des agents basés sur les LLM peuvent agir comme des Décideurs dans des environnements économiques, cherchant à maximiser leurs résultats dans des interactions complexes. Utiliser les LLM pour générer des données réalistes offre une nouvelle approche prometteuse. Si les LLM peuvent imiter la prise de décision humaine dans des contextes économiques, ils pourraient fournir une alternative moins chère et plus efficace aux méthodes traditionnelles d'entraînement des modèles de prédiction de choix.

Dans notre travail, on montre le potentiel de cette approche dans un scénario économique commun, en se concentrant sur un jeu de persuasion. Dans ces jeux, un joueur (l'expéditeur) essaie d'influencer un autre joueur (le destinataire) en présentant des informations sélectives. L'expéditeur en sait plus sur la situation que le destinataire, et son but est de communiquer d'une manière qui influence les décisions du destinataire. Bien qu'il y ait eu une étude approfondie de divers facteurs économiques en jeu dans les jeux de persuasion, on s'intéresse à la prédiction des décisions des récepteurs humains lorsqu'ils interagissent avec des expéditeurs fixes, sans utiliser de données réelles sur les choix humains dans notre entraînement.

Prédire comment les gens vont agir dans ce cadre de persuasion est important pour de nombreux domaines, comme le commerce de détail, le e-commerce, la publicité et les systèmes de recommandation. Par exemple, les plateformes en ligne utilisent souvent des algorithmes pour suggérer des produits aux utilisateurs. Si ces plateformes peuvent prédire avec précision comment les gens réagissent à différentes tactiques de persuasion, elles peuvent optimiser leurs opérations pour améliorer l'engagement des utilisateurs et les ventes. Important à noter, la possibilité de faire cela sans accès à de vraies données humaines ouvre des portes pour tester diverses stratégies dans un environnement contrôlé, minimisant les risques et maximisant l'efficacité.

#Notre Contribution

Notre recherche montre que prédire le comportement humain dans un jeu de persuasion basé sur le langage peut être réalisé en utilisant uniquement des données générées par des LLM. On a utilisé un jeu où un agent de voyage (expert) essaie de convaincre un décideur (DM) de choisir son hôtel en partageant des informations à son sujet. La vraie qualité de l'hôtel est quelque chose que l'expert garde privé, et le DM ne bénéficie d'accepter l'offre que si l'hôtel est de bonne qualité. Au fur et à mesure que le jeu avance, les interactions entre l'expert et le DM deviennent plus complexes, menant à des stratégies avancées qui peuvent impliquer l'apprentissage, la coopération et même la punition. Notamment, on a remplacé le format de message simpliste du modèle théorique par de vraies données textuelles.

Pour définir notre tâche de prédiction des choix humains, on a utilisé des données collectées à partir d'études précédentes. Notre objectif était de prédire avec précision les choix humains sans inclure de données générées par des humains dans notre entraînement. Au lieu de ça, on s'est concentrés uniquement sur des données générées par des LLM.

Nos expériences ont révélé qu'un modèle de prédiction entraîné sur un ensemble de données créé par des joueurs LLM pouvait prédire avec précision les choix humains. En fait, il pouvait même surpasser les modèles entraînés sur des données humaines réelles s'il y avait assez d'échantillons. Dans de nombreuses situations réelles, créer un grand ensemble de données à partir de LLM est plus facile que de rassembler ne serait-ce qu'un petit échantillon de données sur les choix humains.

De plus, on a découvert que si l'expert envoie systématiquement la meilleure critique, peu importe la qualité réelle de l'hôtel, la précision des prédictions de notre modèle s'améliore pour toutes les tailles d'échantillons. Cette stratégie simple de l'expert a montré qu'elle fonctionne efficacement dans des configurations similaires avec des décideurs humains.

On a aussi trouvé qu'utiliser des personas variés pour les joueurs LLM réduit la taille des échantillons nécessaires pour atteindre un certain niveau de précision. On a analysé la contribution de chaque type de persona à la qualité de l'ensemble de données et on a constaté que chaque type de persona jouait un rôle significatif.

#Travaux Connus

Les jeux de persuasion sont un élément clé de la théorie économique et ont diverses applications en apprentissage automatique. On s'est spécifiquement penchés sur un jeu de persuasion basé sur le langage, un jeu en deux étapes répétées où l'expéditeur communique en premier, suivi du récepteur. La nature répétée du jeu et la réputation de l'expéditeur influencent fortement la dynamique de persuasion.

Des recherches récentes ont examiné comment les LLM peuvent imiter le comportement humain dans différents contextes. Certains ont exploré si les LLM peuvent remplacer des sujets humains dans la recherche sociale et comportementale, avec prudence sur leurs limitations actuelles. D'autres travaux ont montré la capacité des LLM à résoudre des problèmes complexes, à gérer des tâches créatives et à fournir des réponses semblables à celles des humains dans divers groupes. Des études récentes ont également évalué les LLM dans le contexte des expériences classiques en économie comportementale.

En plus de simuler le comportement humain, les LLM ont émergé comme des décideurs potentiels dans des configurations économiques. Cela marque un changement par rapport aux anciennes méthodes qui utilisaient des algorithmes sans capacité linguistique pour résoudre des jeux complexes.

Les LLM peuvent améliorer les modèles d'apprentissage automatique de diverses manières. Des études antérieures ont montré que les LLM peuvent remplacer les annotateurs et les évaluateurs humains. Lors de la génération de données pour l'apprentissage automatique, les données générées par les LLM ont été utilisées pour améliorer les performances dans des tâches comme le classement de documents. Notre objectif, cependant, est d'utiliser des données générées par des LLM dans des tâches stratégiques de prédiction de choix humains.

#Définition de la Tâche

Pour expliquer notre tâche de prédiction des choix humains, nous regardons d'abord le jeu de persuasion basé sur le langage que nous avons utilisé. Le jeu implique deux joueurs : un expert (qui envoie des messages) et un décideur (qui reçoit des messages) sur plusieurs tours. Au début de chaque tour, l'expert reçoit des paires d'avis sur des hôtels et des notes. La qualité de l'hôtel est déterminée par la note moyenne de ces avis. L'expert choisit alors un avis à envoyer au DM. Le DM, en recevant le message de l'expert, décide s'il veut réserver l'hôtel ou pas.

Les deux joueurs cherchent à maximiser leurs résultats. La stratégie du DM est basée sur tous les messages possibles et l'historique, tandis que la stratégie de l'expert est basée sur sa connaissance des avis et des interactions précédentes.

#Collecte de Données

Pour notre étude, nous avons utilisé des données collectées à partir d'interactions entre des DMs humains et des Experts via une application mobile. L'ensemble de données comprenait un nombre significatif de décisions prises par différents joueurs humains. On s'est concentrés sur ceux qui ont terminé toutes les étapes du jeu.

Pour générer l'ensemble de données LLM, nous avons répliqué le processus de collecte de l'étude précédente en utilisant des LLM au lieu d'humains. Nous avons gardé les mêmes experts, hôtels et paramètres de jeu. Chaque joueur LLM interagissait avec des experts plusieurs fois, suivant des consignes similaires à celles des joueurs humains.

Pour garantir une variété de réponses, on a attribué différentes personas à chaque joueur LLM. Chaque persona a adopté une approche distincte de la prise de décision, ce qui nous a permis de rassembler un ensemble de données plus large. On a généré un grand nombre de décisions, avec un ensemble plus petit axé sur chaque persona spécifique.

#Efficacité des Données générées par LLM

Dans cette section, on démontre à quel point notre approche est efficace. On a comparé les performances d'un modèle de prédiction entraîné avec des données générées par des humains à celles d'un modèle entraîné avec des données générées par des LLM. On a aussi inclus une méthode de référence qui s'appuyait uniquement sur des capacités linguistiques sans compréhension économique.

On a trouvé que les modèles de prédiction utilisant des données générées par des LLM surpassaient ceux utilisant des données humaines si l'échantillon était suffisamment grand. De plus, les modèles entraînés avec des données LLM ont surpassé la méthode de référence, prouvant que l'incorporation d'interactions simulées mène à de meilleures prédictions.

Fait intéressant, nos résultats ont suggéré que bien que les méthodes de référence semblaient plus proches du comportement humain sur certains aspects, elles n'étaient pas efficaces comme ensemble de données pour la prédiction des choix humains par rapport à l'ensemble de données généré par les LLM. Cela indique que même si la compréhension linguistique est importante, les composants stratégiques et économiques dans les données générées par les LLM améliorent considérablement les capacités de prédiction.

#Prédire Contre une Stratégie Spécifique

Après avoir confirmé que notre approche basée sur les LLM donne une grande précision de prédiction, on a examiné l'exactitude des modèles concernant chaque stratégie d'expert. On voulait déterminer à quel point notre approche performait contre divers experts.

Nos résultats ont montré que pour la plupart des stratégies d'expert, la méthode basée sur les LLM surpassait les modèles traditionnels entraînés sur des données humaines s'il y avait suffisamment de points de données disponibles. Cependant, il y avait des stratégies spécifiques où notre approche était moins performante. Malgré cela, on a constamment trouvé que l'entraînement avec des données LLM était supérieur à l'entraînement avec une référence uniquement linguistique.

#La Stratégie SendBest

Une des stratégies d'expert qu'on a analysées était SendBest, où l'expert envoie toujours la meilleure critique possible, peu importe la qualité réelle de l'hôtel. Cette stratégie est pertinente parce qu'elle imite le comportement typique d'agents moins sophistiqués cherchant à persuader les utilisateurs. Fait intéressant, notre approche a pu surpasser les données d'entraînement générées par des humains pour prédire les réponses contre SendBest, et ce, pour toutes les tailles d'échantillons.

#La Stratégie SendBestOrMean

On a aussi évalué la stratégie SendBestOrMean, où l'expert choisit la meilleure critique si l'hôtel est bon ou envoie une critique proche de la moyenne si ce n'est pas le cas. Dans ce cas, notre modèle a eu du mal à prédire les choix humains avec précision par rapport aux données générées par des humains, surtout pour des ensembles de données plus petits.

#Le Rôle de la Diversification des Personas

On a souligné qu'utiliser diverses personas lors de l'entraînement des modèles LLM réduisait la taille des échantillons nécessaires pour atteindre des niveaux de précision spécifiques. En examinant les contributions de différents personas à la qualité globale du modèle, on a trouvé que leurs impacts étaient presque uniformes dans l'amélioration de la valeur de l'ensemble de données.

#Conclusion

Cette étude offre un premier aperçu du potentiel d'utilisation des données générées par des LLM pour entraîner des modèles de prédiction des choix humains. Nos résultats suggèrent que des données générées sans intervention humaine peuvent même donner de meilleurs résultats que les méthodes traditionnelles dans certaines conditions. Cependant, des limitations existent encore, et on note que l'approche basée sur les LLM a surpassé les méthodes uniquement linguistiques mais pas toujours les données générées par des humains.

Pour l'avenir, des recherches supplémentaires pourraient élargir les applications des données générées par des LLM au-delà des jeux de persuasion. Combiner des données humaines et synthétiques pourrait également améliorer les prédictions dans les décisions humaines stratégiques. Comprendre les limitations des données générées par des LLM dans certains contextes sera également essentiel pour faire avancer le domaine de la prédiction des choix humains en économie.