Identifying Proposers’ Behavioral Patterns in Human-AI Economic Interactions
Notice bibliographique
Résumé
Understanding how humans adapt their decision-making in economic interactions with artificial intelligence (AI) is essential for building socially attuned AI agents. In this study, we analyzed human proposers’ behavior in the Ultimatum Game (UG) using interpretable behavioral features and supervised machine learning models to classify strategic proposer types (Fair, Selfish, Learner, Tit-for-Tat). Using data from human–human and human–AI interactions in a UG experiment, we uncover context-sensitive patterns in proposer behavior. The analyses revealed that machine learning models—especially Random Forest (RF) and Neural Network (NN) can reliably identify behavioral strategy types with high accuracy across both interaction contexts. Classification was slightly more stable in the human condition, though the strongest models also generalized well to AI interactions. In contrast, simpler models such as Logistic Regression (LR) and Support Vector Machine (SVM) showed reduced performance in the AI condition, suggesting greater variability in human behavior when interacting with artificial agents. These findings suggest that while strategic behavior remains recognizable, collaboration with AI partners introduces greater variability, potentially due to expectancy violations or ambiguous fairness norms. Outcomes in human–AI interactions appear to depend on whether the context is cooperative (e.g., fair or tit-for-tat strategies) or competitive (e.g., exploitative or self-maximizing behavior). These insights can inform AI design, particularly when it comes to developing systems that interact more equitably and ethically 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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 tête enseignante, 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 ».