LLM이 풍경을 위해 추가 비용을 지불할까 주관적 선택에서 지불 의향을 추정하다

초록

본 연구는 여행 보조 상황에서 대형 언어 모델(LLM)이 제시된 선택 딜레마에 대해 내린 답변을 다항 로짓 모델에 적용해 암시적 지불 의향(WTP)을 추정한다. GPT‑4o, Gemini‑3‑Pro, Llama 3.3 70B 등 세 모델을 대상으로, 사용자 과거 선택 정보 제공 여부와 페르소나 프롬프트 사용 여부 등 네 가지 프롬프트 변형을 실험하였다. 결과는 큰 모델일수록 인간 실험에서 보고된 WTP와 유사한 값을 산출하지만, 고가 옵션이나 비즈니스 페르소나에서는 인간보다 과대평가하는 경향이 있음을 보여준다. 저가 옵션을 선호하도록 사전 정보를 제공하면 모델의 WTP가 인간 기준에 더 가까워진다.

상세 분석

이 논문은 LLM을 ‘주관적 의사결정 지원 도구’로 보는 새로운 평가 프레임워크를 제시한다. 핵심은 전통적인 이산 선택 실험(discrete choice experiment, DCE)을 그대로 LLM에 적용하고, 모델이 선택한 A/B 결과를 다항 로짓(multinomial logit, MNL) 모델에 적합시켜 각 속성의 효용계수를 추정한 뒤, 가격 계수와 비교해 속성별 지불 의향(WTP)을 계산한다는 점이다.

실험 설계는 두 단계로 구성된다. 첫째, Masiero et al.