Agenda de investigación · IIPPyG, Universidad Nacional de Río Negro

La agenda de investigación desarrolla modelos de agente económico cuyo proceso de decisión se funda en principios cognitivos —memoria, analogía y narrativas— y explora los modelos de lenguaje de gran escala (LLM) como motor de esos agentes, con el propósito de analizar escenarios de política pública y sus efectos sobre los resultados sociales.

IAgentes económicos computacionales con fundamentos cognitivos e IA generativa

Esta línea busca construir modelos de agente económico en los que la elección no resulte de la maximización de una función de utilidad dada, sino de un proceso computacional que reproduce rasgos documentados de la cognición humana. El punto de partida es la Teoría de la Decisión Basada en Casos (CBDT; Gilboa y Schmeidler, 1995), según la cual el decisor evalúa un problema nuevo comparándolo, por analogía, con los casos almacenados en su memoria y ponderando los resultados observados según el grado de similitud entre problemas.

Trabajos previos propusieron una versión geométrica de la CBDT, en la que la memoria se representa como un grafo de casos y la similitud se deriva de distancias en ese grafo (Contiggiani, Delbianco y Tohmé, 2020). La agenda actual extiende ese marco para incorporar las narrativas —historias, relatos y marcos interpretativos— que acompañan a los casos en la memoria episódica, bajo la hipótesis de que condicionan qué experiencias resultan relevantes y pueden conducir a resultados sociales subóptimos, como la falta de cooperación en dilemas sociales (Shiller, 2017). Los modelos de lenguaje de gran escala ofrecen, por primera vez, una tecnología capaz de operar sobre contenidos textuales de ese tipo y, por ello, se incorporan como componente cognitivo de los agentes, siempre disciplinados por una teoría formal de la elección.

Ejes de trabajo

  1. La CBDT como arquitectura de recuperación de información. La memoria de casos se implementa como base vectorial o grafo de conocimiento, y la función de similitud se aproxima mediante representaciones semánticas (embeddings). El agente recupera los casos y narrativas pertinentes y el LLM evalúa las alternativas condicionado a esa memoria. De este modo, la similitud deja de ser un primitivo exógeno y se convierte en un objeto estimable y contrastable.
  2. Agentes LLM como sujetos experimentales simulados. Se replican con agentes artificiales experimentos de elección administrados por encuesta, para determinar en qué condiciones reproducen, sesgan o amplifican los efectos de enmarque y de narrativa observados en sujetos humanos (Horton, 2023; Argyle et al., 2023).
  3. Sociedades de agentes generativos. Los agentes se insertan en entornos multiagente —bienes públicos y comunes, cumplimiento tributario, gestión de recursos naturales— para estudiar la propagación de narrativas y la emergencia de equilibrios sociales subóptimos, con implicancias para el diseño institucional (Ostrom, 2009; Park et al., 2023).

Criterio transversal. El uso de modelos de lenguaje en investigación económica plantea riesgos específicos —dependencia de modelos propietarios, inestabilidad entre versiones, contaminación de datos de entrenamiento y sesgos hacia el conocimiento producido en los centros—. La línea adopta protocolos de registro de versiones, semillas e instrucciones, preferencia por modelos de pesos abiertos cuando es viable y contraste sistemático con evidencia experimental humana.

Referencias citadas
  • Argyle, L. P. et al. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3), 337–351.
  • Contiggiani, F., Delbianco, F. y Tohmé, F. (2020). A graph-based similarity function for CBDT: acquiring and using new information. Anales de la AAEP; arXiv:2104.14268.
  • Gilboa, I. y Schmeidler, D. (1995). Case-based decision theory. The Quarterly Journal of Economics, 110(3), 605–639.
  • Horton, J. J. (2023). Large language models as simulated economic agents: What can we learn from homo silicus? NBER Working Paper 31122.
  • Ostrom, E. (2009). Understanding institutional diversity. Princeton University Press.
  • Park, J. S. et al. (2023). Generative agents: Interactive simulacra of human behavior. Proceedings of UIST '23.
  • Shiller, R. J. (2017). Narrative economics. American Economic Review, 107(4), 967–1004.