Can an LLM Learn Preferences from Choice Data?
创建于 更新于
摘要
本论文提出了 Simulate–Recommend–Evaluate (SRE) 框架，通过在已知偏好生成的揭示性选择数据上让 LLM 提供新问题的推荐，并以福利相关与参数恢复指标评估其是否真正学到偏好原语；在风险与失望厌恶（DA）模型下的实验表明：总体上推荐质量随历史样本量上升而改善，但学习在偏好空间上高度异质且具参数不对称——GPT 对风险厌恶(ρ)的恢复优于对失望厌恶(β)的恢复，Gemini 在高 β 区域表现较好，而 Claude 在更广泛参数区间中表现最佳 [page::0][page::2][page::11]
