PNAS：大语言模型从人类口头报告中精准揭示风险决策的真实动机

认知神经科学前沿文献分享

基本信息

Title:Large language models accurately identify decision reasons in verbal reports

发表时间:2026-06-29

发表期刊:PNAS

影响因子:9.5

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

在决策科学领域，理解人类为什么在风险下做出某种选择一直是个核心难题。长期以来，经济学家和心理学家们习惯于一种“只看行为”的范式：即通过人们最终的选择结果来反推其内在的决策过程。这种方法催生了著名的前景理论（Prospect Theory）等经典模型。然而，这种“行为至上”的路径存在一个致命的局限：它必须假设人类的决策过程在不同情境和不同个体间是恒定不变的（即不变性假设）。

事实上，人类在做决定时往往有丰富的内心戏。如果直接问参与者“你为什么这么选”，他们能给出详细的口头报告。但在过去，由于自然语言数据过于庞杂且难以进行系统性的定量分析，研究者们往往认为“口头报告不可靠”或“处理成本太高”而不予重视。

随着大语言模型（LLMs）的爆发，这一僵局被打破。在这项发表于 PNAS 的最新研究中，研究者试图回答一个关键问题：大语言模型能否作为一种可靠的分析工具，精准提取人类在自由文本中表达的决策理由？如果可以，这些被重新听懂的“口头报告”，能否帮我们建立比传统行为模型更准确、更贴近真实心理过程的决策理论？

研究核心总结

为了验证这一想法，研究者设计了一套包含 47 种潜在决策理由的分析框架，并让参与者在完成 20 个经典的货币彩票选择任务后，用自由文本写下他们的思考过程。随后，研究者利用大语言模型（如 Qwen3-235B-A22B）对这些文本进行了深度解析。

一、大语言模型能精准破译人类的“决策自白”

研究者首先测试了大模型是否真的“懂”这些决策理由。结果表明，大模型不仅能准确理解复杂的彩票结构，还能在参与者随性写下的口头报告中，精准识别出他们所使用的决策策略。

更重要的是，大模型从文本中提取出的决策理由，与参与者最终的实际选择高度一致（对齐率高达 95%）。这意味着，模型并没有在“胡说八道”，它给出的置信度评分能够真实反映参与者在决策时大脑中正在运行的规则。分析还发现，人们最常使用的决策理由往往倾向于风险厌恶和“保本”策略（例如极力避免损失、关注最有利的保底结果）。

Fig 1. 本研究的整体分析流程：从定义 47 种决策理由，到收集人类口头报告，再到利用大语言模型进行精准识别与验证。

Fig 2. 大语言模型在理解各类选择问题和决策理由时的准确率热图，深蓝色代表模型能够完美匹配理由与选项。

Fig 3. 大语言模型对决策理由的置信度评估分布，证明了模型给出的高置信度理由与人类实际选择高度一致。

传统决策模型通常假设每个人都有一套固定的决策偏好。然而，通过对大模型提取出的理由进行聚类分析，研究者发现了一个颠覆性的现象：人们使用的决策理由，主要取决于“面对的是什么样的问题”，而不是“做决定的是谁”。

具体而言，不同参与者之间的决策理由分布非常相似，差异仅仅在于某些策略的权重微调。但当面对不同结构的彩票问题时，决策理由的分布却出现了剧烈的变化。这种基于问题结构的策略切换，完全打破了传统决策科学中基于“收益/损失”或“风险/安全”的简单分类，揭示了人类决策高度的情境依赖性。

Fig 4. 实验中被识别出的各类决策理由的使用频率，揭示了人类在风险决策中对“避免损失”和“确定性”的强烈偏好。

Fig 5. 决策理由在不同个体（A）和不同问题（B）上的分布差异，直观展示了“问题情境”带来的巨大策略波动。

如果口头报告真的有价值，那么它应该能帮我们更好地预测人类行为。研究者将数据集分为训练集和测试集，利用大模型从口头报告中提取的“理由画像”来预测参与者在全新测试中的选择。

结果令人振奋：基于口头报告提取的决策理由，其样本外预测准确率不仅超越了仅靠行为数据反推的基线模型，甚至击败了作为领域标杆的经典前景理论（Prospect Theory）。更关键的是，口头报告模型在实现更高预测准确率的同时，使用的有效理由数量（困惑度）大幅减少。这说明，口头报告不仅提供了更多信息，还帮我们过滤掉了那些仅仅是“巧合”的噪音，给出了更简洁、更符合心理现实的解释。

Fig 6. 不同条件下的样本外预测准确率对比，显示基于大模型解析的口头报告模型（蓝色）在预测表现上优于传统行为推断模型和前景理论。

研究意义

这项研究在理论和方法学上都具有里程碑式的意义。

在方法学上，它证明了“言语并非廉价（talk is not cheap）”。大语言模型的引入，彻底解放了口头报告这一长期被低估的重要工具。研究者现在拥有了一种可扩展、高精度的工具，能够将原本难以量化的定性文本，转化为可以直接用于计算建模的硬核数据。

在理论上，这项工作对决策科学中根深蒂固的“不变性假设”提出了强有力的挑战。它用扎实的数据证明，人类并不是用一套死板的数学公式来应对所有风险，而是会根据当前问题的具体结构，灵活调用不同的认知策略。这一发现为未来构建更加“情境敏感”的心理学和神经科学计算模型指明了方向。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部

你好，这里是「PsyBrain 脑心前沿」

专注追踪全球认知神经科学的最尖端突破

视野直击 Nature, Science, Cell 正刊 及核心子刊与顶级大刊

每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

点击卡片进群，欢迎你的到来

一键关注，点亮星标 ⭐ 前沿不走丢！

一键分享，让更多人了解前沿