Identifying Proposers Behavioral Patterns in Human-AI Economic Interactions
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».