期待信号の橋渡し：LLMに基づく実験と行動カルマンフィルターの枠組み

TL;DR（結論）

大規模言語モデル（LLM）を家計や企業の最高経営責任者（CEO）といった経済主体として扱い、個人の所得変化（ミクロ信号）と国全体の経済成長（マクロ信号）をどのように統合して将来予測を行うかを、新たに提案した「行動カルマンフィルター（BKF）」を用いて定量化した。 実験の結果、LLMはマクロ信号よりも身近なミクロ信号を極めて重視する傾向があり、複数の情報源が同時に存在すると各信号への信頼や重みが相互に干渉して減少する「認知的割引」現象や、与えられた役割（ペルソナ）によって情報処理の感度が異なる「プロフェッショナル感受性プレミアム」が確認された。 LoRAを用いたファインチューニングは、LLMの期待形成における応答のばらつきを抑え、非合理的なバイアスを一部緩和する効果があるものの、経済理論が定義する完全に合理的な期待形成（重みの合計が1になり、干渉がゼロになる状態）を実現するには至らず、モデル固有の非合理な成分が依然として残ることが明らかになった。

なぜこの問題か

近年、大規模言語モデル（LLM）は単なるテキスト生成ツールを超えて、経済予測や政策シミュレーションにおける自律的なエージェントとして活用される機会が急速に増えている。しかし、これらのモデルが性質の異なる複数の情報源から得られる信号をどのように統合し、自身の信念や期待を更新しているのかという内部メカニズムは、依然として不透明な「ブラックボックス」のままである。経済学の分野では、期待形成の仕組みについて数十年にわたる研究の蓄積があるものの、性質の異なる複数のショックが相互にどのように影響し合い、エージェントの判断を左右するかという実証的な証拠は驚くほど不足しているのが現状である。特に、個人の所得変化のようなミクロな情報と、国全体の経済成長のようなマクロな情報が同時に与えられた際、それらがどのように干渉し合うのかを形式的に定量化した研究はこれまで少なかった。 LLMが信頼に足る経済主体として機能するためには、矛盾する可能性のある複数の情報ストリームをどのように処理するかを理解することが不可欠である。…

核心：何を提案したのか

本研究の核心は、LLMベースのエージェントが期待を更新するプロセスを精密に測定するために、従来のカルマンフィルターを拡張した「行動カルマンフィルター（BKF）」という新しい理論的フレームワークを提案したことにある。このフレームワークは、標準的な情報経済学で仮定される合理的な期待形成の前提に挑戦するものであり、特に複数の情報信号が相互に干渉し合う様子を捉えることができる。具体的には、過去の状態に対する「事前割引因子」と、信号間の「主観的共分散」という2つの主要なパラメータを導入した。…

続きはログイン/プランで閲覧できます。