Мысли вслух помогают понять, как мы рискуем экспресс
Каждый раз, когда вы раздумываете над рискованным шагом — вложить ли деньги в акции или переждать, — в голове идёт внутренний диалог. Обычно учёные пытаются восстановить ход этого диалога по одному лишь итоговому выбору, как если бы детектив восстанавливал разговор двух людей, глядя на фотографию места встречи. Такой картины часто не хватает: одни и те же действия могут родиться из совершенно разных размышлений.
Авторы работы предложили записывать сам диалог. Участники проговаривали свои мысли во время игры, где нужно выбирать между надёжным выигрышем и рискованной лотереей. Затем эти записи вместе с выборами передавали программе, которая ищет наилучшее объяснение поведению. Результат поразил: модели, обученные на такой «стенограмме», стали заметно точнее предсказывать решения людей на новых примерах. Более того, для 69% участников сама архитектура модели изменилась. Без подсказок программа строила модель типа «явного сравнения» — как будто человек кладёт варианты на чаши весов и смотрит, что перевесит. А с речевыми данными модель переходила к «интегрированной полезности» — как если бы все «за» и «против» сплавлялись в единое ощущение выгодности, и решение рождалось из этого сплава.
Значит, слова, произнесённые в момент сомнения, — не просто шум. Они несут отпечаток того, как именно мы приходим к решению, и этот отпечаток можно расшифровать. Такой подход обещает не только более точные модели, но и возможность заглянуть в те механизмы мышления, которые по одним лишь действиям не видны.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2605.05091
Computational cognitive models discovered using large language models have so far relied solely on behavioral data. However, it is well-known that models produced from the behavioral trajectory alone are typically under-determined. In this work, we explore the use of Think Aloud traces as an additional form of data constraint during automated model discovery. When applied to the domain of risky decision-making, we find that the models discovered with think-aloud achieve significantly improved predictive performance on held-out data. Additionally, we find that the discovered models belong to different structural classes than those discovered from behavior alone for the majority of participants (69.4\%), specifically, it shifts from Explicit comparator towards Integrated utility. These results suggest that process-level language data not only improve model fit, but also systematically reshape the structure of the discovered cognitive models, enabling the identification of mechanisms that are not recoverable from behavior alone.
Проговаривание мыслей вслух (think-aloud) изначально применяли для изучения того, как эксперты решают задачи — например, как шахматисты выбирают ход. Оказалось, что этот метод помогает заглянуть в «чёрный ящик» сознания даже при простом выборе между деньгами.