Resumen: La predicción precisa del comportamiento humano es esencial para una colaboración robusta y segura de Human-AI. Sin embargo, los enfoques existentes para modelar a las personas a menudo tienen hambre de datos y quebradizos porque hacen suposiciones poco realistas sobre la racionalidad o son demasiado exigentes computacionalmente para adaptarse rápidamente. Nuestra idea clave es que muchas interacciones sociales cotidianas pueden seguir patrones predecibles; “Scripts” eficientes que minimizan la carga cognitiva para actores y observadores, por ejemplo, “espera la luz verde, luego vaya”. Proponemos modelar estas rutinas como programas de comportamiento instanciados en el código de la computadora en lugar de las políticas condicionadas a las creencias y los deseos. Introducimos ROTE, un algoritmo novedoso que aprovecha ambos modelos de lenguaje grande (LLM) para sintetizar un espacio de hipótesis de programas de comportamiento e inferencia probabilística para el razonamiento sobre la incertidumbre sobre ese espacio. Probamos el rutina en un conjunto de tareas del mundo de red y un simulador doméstico incorporado a gran escala. El rutina predice los comportamientos humanos y la IA a partir de observaciones dispersas, superando las líneas de base competitiva, incluida la clonación de comportamiento y los métodos basados en LLM, hasta un 50% en términos de precisión en la muestra y generalización fuera de la muestra. Al tratar la comprensión de la acción como un problema de síntesis de programa, Rote abre un camino para los sistemas de IA para predecir eficiente y efectivamente el comportamiento humano en el mundo real.
Publicado Originalme en export.arxiv.org El 2 de octubre de 2025.
Ver Fuente Original
