Los modelos de lenguaje grandes identifican con precisión las razones de decisión en los informes verbales

Comprender las razones detrás de las elecciones humanas bajo riesgo es un objetivo central de las ciencias de la decisión, sin embargo, los métodos tradicionales basados en datos de comportamiento están limitados por estrictas suposiciones de invariancia. Aquí, introducimos un método escalable utilizando modelos de lenguaje grandes (LLMs) para analizar informes verbales e identificar las razones articuladas para las elecciones entre loterías monetarias. Mostramos que un LLM validado identifica con precisión las razones de decisión predefinidas en los informes de texto libre de los participantes, alineándose con sus elecciones reales en más del 92% de los ensayos. Nuestro análisis revela que el uso de razones varía sistemáticamente y está impulsado más por la estructura del problema de elección que por diferencias individuales. Un modelo predictivo basado en estos perfiles de razones específicos del problema supera la teoría de prospectos en predicciones fuera de muestra. Este trabajo demuestra que los informes verbales son una rica fuente de datos y que los LLMs pueden desbloquear su potencial, desafiando las suposiciones fundamentales de invariancia y allanando el camino para modelos más conscientes del contexto en la toma de decisiones humanas.