Identifying Proposers Behavioral Patterns in Human-AI Economic Interactions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Understanding how humans adapt their decisionmakingin economic interactions with artificial intelligence (AI)is essential for building socially attuned AI agents. In this study,we analysed human proposers’ behavior in the Ultimatum Game(UG) using interpretable behavioural features and supervisedmachine learning models to classify strategic proposer types (Fair,Selfish, Learner, Tit-for-Tat). Using data from human–human andhuman–AI interactions in a UG experiment, we uncover contextsensitivepatterns in proposer behaviour. The analyses revealedthat machine learning models—especially Random Forest (RF)and Neural Network (NN)—can reliably identify behavioral strategytypes with high accuracy across both interaction contexts.Classification was slightly more stable in the human condition,but the strongest models generalized well to AI interactions aswell. In contrast, simpler models such as Logistic Regression(LR) and Support Vector Machine (SVM) showed reducedperformance in the AI condition, indicating greater variabilityin human behavior when interacting with artificial agents.These findings suggest that while strategic behavior remainsrecognizable, collaboration with AI partners introduces greatervariability, potentially due to expectancy violations or ambiguousfairness norms. Outcomes in human–AI interactions appear todepend on whether the context is cooperative (e.g., fair or tit-fortatstrategies) or competitive (e.g., exploitative or self-maximisingbehavior). These insights can inform AI design, particularly whenit comes to developing systems that interact more effectively andadaptively with humans.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle