问题：在风险决策中，人们常在"单次下注"和"连续下注"之间作出不同选择。这种"偏好反转"现象引发了一个关键问题：大语言模型是否也会因情境不同而改变判断？模型给出的解释是否会影响人类选择，进而扩大其社会影响力？ 原因：经典理论认为，重复情境下人们倾向于评估总体期望收益，选择期望值更高的方案；而在单次情境中，损失厌恶和差异简化等心理机制使人更谨慎。研究据此设计实验，将相同期望值的赌局分别设置为"只参与一次"和"连续参与五次"两种表述，同时构建9组风险水平不同但期望一致的任务，以排除提示差异和偶然因素的影响，并进行多轮独立测量。 影响：结果显示，模型在多次情境下选择"参与"的比例明显上升，在单次情境下更倾向回避风险，与人类实验观察方向一致，但参与度总体更高。这意味着模型决策不仅体现概率与收益的计算，也在一定程度上"复制"了人类的心理偏差。特别有一点是，模型会给出系统化的理由和建议，具有较强说服力，可能对个体风险偏好产生引导作用，在金融、医疗、投资等高风险领域尤其需要警惕。 对策：研究建议加强对模型解释机制的审查与约束，避免将具有偏差的推理过程包装成"理性建议"。同时完善涉及的应用场景的使用规范，引入多维度评估与交叉验证机制，提升使用者的风险识别能力。科研机构和产业界应加强行为机制研究，建立更符合现实决策环境的测试框架，提升模型在不确定性情境中的稳定性与可控性。 前景：随着大语言模型在咨询、决策支持和公共服务中的应用扩展，其对社会行为的影响将持续放大。未来研究应继续揭示模型在不同任务语境中的偏好变化规律，并在算法设计中纳入行为偏差的纠偏机制。公共治理层面也需同步跟进，推动建立相关标准与监管框架，确保技术发展与社会风险之间保持可控平衡。
大语言模型在风险决策中呈现的人类化特征既展示了技术进步，也提醒我们保持清醒认识。这些系统并非完美的理性决策者，而是带有特定模式的计算工具。在拥抱技术便利的同时，需要建立科学的评估体系，明确应用边界，培养批判性使用意识，才能让技术真正服务于人类福祉。未来研究需要继续揭示模型决策的内在机制，为构建更可靠、更透明的智能系统奠定基础。