Когда человек выбирает между риском и безопасностью, итоговое действие показывает только часть картины. Чтобы понять решение глубже, важно знать, как сам человек объясняет свой выбор: чего он боялся, на что надеялся, какую информацию посчитал главной и какие варианты сразу отбросил.
Команда Камила Фулавки (Kamil Fuławka), Дирка У. Вульфа (Dirk U. Wulff) и Ральфа Хертвига (Ralph Hertwig) представила подход, который объединяет свободные письменные объяснения участников, большие языковые модели и математическое моделирование поведения. В работе участвовали исследователи, связанные с Институтом Макса Планка (Max Planck Institute) и Базельским университетом (University of Basel).
Исследование опубликовано в журнале Proceedings of the National Academy of Sciences.
Что именно изучали учёные
Участники эксперимента принимали решения в задачах, похожих на азартные игры с денежным риском. Им нужно было выбирать между вариантами с разными шансами выиграть или проиграть, а затем своими словами объяснять, почему они сделали именно такой выбор.
Такие объяснения называют вербальными отчётами — то есть текстовыми или устными сообщениями человека о собственных мыслях. Для науки они ценны, но неудобны: тысячи коротких свободных ответов трудно быстро и одинаково оценить вручную.
Поэтому исследователи использовали большие языковые модели. Это вычислительные системы, обученные на огромных массивах текстов и способные распознавать смысловые связи в языке. В данном случае модели не «угадывали мысли» участников, а классифицировали их объяснения по заранее заданным причинам выбора.
Какие причины искала модель
Исследователи опирались на существующие теории принятия решений и составили набор возможных мотивов. Например, участник мог выбирать вариант, потому что обращал внимание на наибольший возможный выигрыш, хотел избежать крупной потери, сравнивал средний ожидаемый результат или упрощал задачу до одного наиболее заметного признака.
Затем большие языковые модели анализировали свободные ответы участников и определяли, какие из этих причин в них присутствуют. После этого результаты проверяли с помощью математического моделирования: учёные смотрели, соответствуют ли найденные в тексте мотивы реальному выбору человека.
Именно эта проверка важна. Она снижает риск того, что модель просто красиво «прочитала» текст, но не отразила реальное поведение. По данным авторов, причины, выделенные моделью в объяснениях, хорошо согласовывались с тем, какие решения участники действительно принимали.
Почему это не просто анализ текста
Главный вывод исследования состоит в том, что собственные объяснения людей могут быть строгим источником данных, если их анализировать системно. Раньше поведенческие эксперименты часто опирались прежде всего на конечный выбор: нажал человек одну кнопку или другую, предпочёл риск или безопасность, выбрал быстрый выигрыш или более надёжный вариант.
Но такой подход не всегда показывает, как именно человек пришёл к решению. Два участника могут выбрать один и тот же вариант по разным причинам: один стремится к максимальному выигрышу, другой боится худшего исхода, третий просто игнорирует часть информации, чтобы не перегружать себя.
Новый подход позволяет совместить две линии данных: что человек сделал и как он сам объяснил своё действие. Это особенно важно для решений, где есть риск, неопределённость и несколько конкурирующих целей.
Люди меняют логику в зависимости от задачи
Исследование показало, что причины выбора не являются постоянными. Люди не всегда используют одну и ту же стратегию. Их логика меняется в зависимости от того, как устроена задача: насколько велик возможный выигрыш, насколько пугающей выглядит потеря, как распределены вероятности и насколько легко сравнить варианты.
Это важное наблюдение для психологии принятия решений. Оно говорит о том, что человек не похож на простой калькулятор, который всегда применяет одну формулу. Скорее он выбирает разные «умственные ярлыки» в зависимости от ситуации.
Такие ярлыки могут быть полезными: они помогают быстро принимать решения в сложной среде. Но иногда они приводят к ошибкам, особенно когда задача специально устроена так, что яркий признак отвлекает от более важной информации.
Где это может пригодиться
Авторы считают, что метод может быть полезен далеко за пределами лабораторных азартных задач. Многие важные решения в жизни устроены сложнее, чем выбор между двумя кнопками: финансовое планирование, медицинские решения, отношение к новым технологиям, участие в социальных программах или выбор поведения в условиях риска.
В таких ситуациях важно не только знать, что человек выбрал, но и понимать, как он упростил проблему для себя. Какие сведения заметил? Какие проигнорировал? Что счёл опасным? Чему доверял?
Большие языковые модели могут помочь исследователям и специалистам анализировать большие массивы открытых ответов — например, анкеты, объяснения пациентов, мнения граждан или комментарии участников экспериментов. Но сами авторы подчёркивают: такой анализ должен сопровождаться строгой проверкой, а не заменять её.
Осторожность остаётся необходимой
Работа не доказывает, что большие языковые модели всегда надёжно понимают человеческие мотивы. Она показывает более узкую вещь: при заранее заданных категориях, строгой проверке и сопоставлении с реальным поведением такие модели могут стать полезным инструментом для анализа объяснений.
Это особенно важно для медицины и общественного здравоохранения. Пациенты часто принимают решения не только на основании фактов, но и под влиянием страха, личного опыта, доверия к врачу, семейных обстоятельств и того, насколько понятной выглядит информация. Анализ свободных объяснений может помочь лучше увидеть эти причины и сделать коммуникацию более ясной.
Ранее МКБ-11 писал о том, почему люди выбирают простые объяснения даже тогда, когда они неверны. Новая работа дополняет эту тему: она показывает, как можно изучать не только итоговый выбор, но и внутреннюю логику, которую человек сам описывает словами.
Литература
Fuławka K., Hertwig R., Wulff D. U. Large language models accurately identify decision reasons in verbal reports // Proceedings of the National Academy of Sciences. 2026. Vol. 123, No. 27. Article e2526798123. DOI: 10.1073/pnas.2526798123.