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

Аннотация

Введение. Большие языковые модели, или LLM, все активнее используются в социальных науках для имитации поведения участников экспериментов и анализа норм кооперации и справедливости. Однако остается 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, в котором 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. Проведено сопоставление с результатами реальных экспериментов; дополнительно применен регрессионный анализ с учетом 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 ее 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: искусственный интеллект, большие языковые модели, поведенческая экономика, экономические агенты, экспериментальные исследования, моделирование поведения, социальные взаимодействия, экономические решения, синтетические выборки

Финансирование: исследование выполнено за счет гранта Российского научного фонда № 25-18-00539, https://rscf.ru/project/25-18-00539/

Для цитирования

Паршаков П. А., Паклина С. Н., Маткин Н. А., Шенкман Е. А. Гендерные различия в игре диктатора: сравнение поведения больших языковых моделей и людей // Вестник Пермского университета. Серия «Экономика». 2026. Т. 21, № 1. С. 42–57. DOI 10.17072/1994-9960-2026-1-42-57. EDN KCQTGF

СПИСОК ИСТОЧНИКОВ

1. Horton J. J. Large language models as simulated economic agents: What can we learn from homo silicus? // National Bureau of Economic Research. 2023. DOI 10.3386/w31122
2. Alekseenko I., Dagaev D., Paklina S., Parshakov P. Strategizing with AI: Insights from a beauty contest experiment // Journal of Economic Behavior & Organization. 2025. Vol. 240. Article 107330. DOI 10.1016/j.jebo.2025.107330
3. Dodivers E., Rafai I. Uncovering the fairness of AI: Exploring focal point, inequality aversion, and altruism in ChatGPT’s dictator game decisions // Economics Bulletin. 2025. Vol. 45, iss. 4. P. 1818–1825.
4. Xie Ch., Chen C., Jia F., Ye Z., Lai Sh., Shu K., Gu J., Bibi A., Hu Z., Jurgens D., Evans J., Torr Ph., Ghanem B., Li G. Can Large Language Model agents simulate human trust behavior? // arXiv. 2024. DOI 10.48550/arXiv.2402.04559
5. Eckel C. C., Grossman P. J. Are women less selfish than men?: Evidence from dictator experiments // The Economic Journal. 1998. Vol. 108, iss. 448. P. 726–735. DOI 10.1111/1468-0297.00311
6. Xu R., Sun Y., Guo M., Pan R., Lin H., Sun Le, Han X. AI for social science and social science of AI: A survey // Information Processing & Management. 2024. Vol. 61, iss. 3. Article 103665. DOI 10.1016/j.ipm.2024.103665
7. Akata E., Schulz L., Coda-Forno J. Oh S. J., Bethge M., Schulz E. Playing repeated games with large language models // Nature Human Behaviour. 2025. Vol. 9. P. 1380–1390. DOI 10.1038/s41562-025-02172-y
8. Brookins P., DeBacker J. M. Playing games with GPT: What can we learn about a Large Language Model from canonical strategic games? // SSRN. 10 July 2023. 15 p. DOI 10.2139/ssrn.4493398
9. Fan C., Chen J., Jin Y., He H. Can large language models serve as rational players in game theory? A systematic analysis // Proceedings of the AAAI Conference on Artificial Intelligence. 2024. Vol. 38, no. 16. P. 17960–17967. DOI 10.1609/aaai.v38i16.29751
10. Fan L., Li L., Ma Z. Lee S., Yu H., Hemphill L. A bibliometric review of Large Language Models research from 2017 to 2023 // ACM Transactions on Intelligent Systems and Technology. Association for Computing Machinery (ACM). 2024. Vol. 15, iss. 5. Article 91. DOI 10.1145/3664930
11. Cappelen A. W., Nielsen U. H., Sørensen E. Ø., Tungodden B., Tyran J.-R. Give and take in dictator games // Economics Letters. 2013. Vol. 118, iss. 2. P. 280–283. DOI 10.1016/j.econlet.2012.10.030
12. Kahneman D., Knetsch J. L., Thaler R. Fairness as a constraint on profit seeking: Entitlements in the market // The American Economic Review. 1986. Vol. 76, no. 4. P. 728–741. URL: https://www.jstor.org/stable/1806070 (дата обращения: 15.04.2025).
13. Ma J. Can machines think like humans? A behavioral evaluation of LLM-agents in dictator games // arXiv. 2024. DOI 10.31235/osf.io/s37ax
14. Wan Y., Pu G., Sun J., Garimella A., Chang K.-W., Peng N. “Kelly is a warm person, Joseph is a role model”: Gender biases in LLM-generated reference letters // Findings of the Association for Computational Linguistics: EMNLP 2023. Singapore: Association for Computational Linguistics. P. 3730–3748. DOI 10.18653/v1/2023.findings-emnlp.243
15. Rozado D. Gender and positional biases in LLM-based hiring decisions: Evidence from comparative CV/résumé evaluations // arXiv. 2025. DOI 10.7717/peerj-cs.3628
16. An H., Acquaye C., Wang C., Li Z., Rudinger R. Do Large Language Models discriminate in hiring decisions on the basis of race, ethnicity, and gender? // Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Vol. 2: Short Papers). Bangkok: Association for Computational Linguistics. P. 386–397. DOI 10.18653/v1/2024.acl-short.37
17. Nomelini G. G., Marcolin C. Gender bias in Large Language Models: A job postings analysis // Revista de Administração Mackenzie. 2024. Vol. 25, no. 6. P. 1–27. DOI 10.1590/1678-6971/eramd240056
18. Zhong H., Chen S., Liang M. Gender bias of LLM in economics: An existentialism perspective // arXiv. 2024. DOI 10.48550/arXiv.2410.19775
19. Dong X., Wang Y., Yu Ph. S., Caverlee J. Probing explicit and implicit gender bias through LLM conditional text generation // arXiv. 2023. DOI 10.48550/arXiv.2311.00306
20. Kotek H., Dockum R., Sun D. Gender bias and stereotypes in Large Language Models // Proceedings of The ACM Collective Intelligence Conference (CI '23). New York: Association for Computing Machinery, 2023. P. 12–24. DOI 10.1145/3582269.3615599
21. Dong X., Wang Y., Yu Ph. S., Caverlee J. Disclosure and mitigation of gender bias in LLMs // arXiv. 2024. DOI 10.48550/arXiv.2402.11190
22. Aneja U., Gupta A., Vashistha A. Beyond semantics: Examining gender bias in LLMs deployed within low-resource contexts in India // Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency (FAccT '25). New York: Association for Computing Machinery, 2025. P. 2784–2795. DOI 10.1145/3715275.3732180

Показать весь текст