Гендерные различия в игре диктатора: сравнение поведения больших языковых моделей и людей

Вестник Пермского университета. Серия: Экономика. 2026. Т. 21. № 1. С. 42–57.

Паршаков П. А., Паклина С. Н., Маткин Н. А., Шенкман Е. А.

Введение. Большие языковые модели (LLM) всё активнее используются в социальных науках для имитации поведения участников экспериментов и анализа норм кооперации и справедливости. Однако остаётся открытым вопрос, способны ли они воспроизводить социальные асимметрии, включая гендерные различия. Цель. Работа направлена на проверку того, воспроизводят ли LLM гендерные различия в игре «Диктатор» и каким образом текстовые объяснения решений соотносятся с выбранными стратегиями. Материалы и методы. Для анализа адаптирован классический эксперимент, где «диктатор» распределяет 10 долларов между собой и оппонентом. Пять моделей (GPT-5, Grok-4, YandexGPT 5 Pro, Gigachat 2 Max и Qwen3-235b-a22b) сгенерировали 1000 решений на основе двадцати профилей участников. Сопоставление проведено с результатами реальных экспериментов; дополнительно применён регрессионный анализ с учётом текстовых объяснений. Результаты. Все модели продемонстрировали более высокую щедрость по сравнению с людьми: «мужские» агенты передавали в среднем 3,57 единицы, «женские» — 4,18, тогда как реальные участники — 0,82 и 1,6 соответственно. Гендерный разрыв сохраняется, но снижается при контроле текстовых аргументов. Упоминание «равенства» и «справедливости» связано с ростом щедрости, тогда как апелляции к «рациональности» и акцент на «оппоненте» — с её снижением. Значимые различия выявлены и между моделями: наиболее щедрое поведение зафиксировано у Grok-4 и YandexGPT 5 Pro, наименее — у Gigachat 2 Max и Qwen3-235b-a22b. Выводы. LLM воспроизводят как нормы кооперации, так и социальные асимметрии, при этом их выраженность зависит от архитектуры и аргументационных стратегий. Результаты демонстрируют, что поведенческая оценка LLM должна сочетаться с анализом объяснений решений. Исследование адресовано исследователям в области поведенческой экономики, ИИ и социальной информатики; перспективой является расширение анализа на многоходовые игры, многоязычные протоколы и контроль параметров генерации.

Ключевые слова: поведенческая экономика, искусственный интеллект, экономические агенты, экспериментальные исследования, экономические решения, economic agents, моделирование поведения, behavior modeling, experimental research, social interactions, социальные взаимодействия, behavioral economics, большие языковые модели, artificial intelligence, Large Language Models, synthetic samples, economic decisions, синтетические выборки