DOI: https://doi.org/10.1016/j.tbs.2026.101245
تاريخ النشر: 2026-02-02
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تخطيط النقل وتحسينه
نظرة عامة
تستكشف هذه الورقة البحثية موثوقية سلوك نماذج اللغة الكبيرة (LLMs) في محاكاة تفضيلات السفر البشرية، تحديدًا من خلال عدسة قيمة وقت السفر (VOT). تستخدم الدراسة تصميمًا تجريبيًا كامل العوامل لتحليل ثلاثة نماذج LLM بارزة—GPT-4o وGemini-2.5-pro وClaude-Sonnet-4—من خلال تعيين شخصيات اجتماعية ديموغرافية لها ووضعها في سياقات سفر متنوعة. تشير النتائج إلى أنه بينما تظهر LLMs درجة عالية من التشابه السلوكي مع البشر، خاصة في حساسيتها لغرض السفر والدخل، هناك اختلافات ملحوظة في حجم VOT الخاص بها مقارنة بالمعايير البشرية. على سبيل المثال، تظهر GPT-4o وClaude-Sonnet-4 قيم VOT مشابهة للمسافرين البشر ذوي الدخل المرتفع، بينما يتجاوز Gemini-2.5-pro القيم البشرية النموذجية بشكل كبير.
تسلط الدراسة الضوء على أن LLMs تظهر أنماط اتخاذ قرار متسقة عبر سياقات مختلفة، مما يشير إلى إمكاناتها كبدائل للمسافرين البشر في تطبيقات مثل توليد البيانات الاصطناعية. ومع ذلك، تؤكد أيضًا على الحاجة إلى التحقق الدقيق والمعايرة لـ LLMs بسبب سلوكيات محددة للنموذج والانحراف في مرونة الدخل مقارنة بالاستجابات البشرية. يوصي المؤلفون بالحذر في استخدام LLMs للتقييمات الكمية ويشددون على أهمية اختيار النماذج المناسبة بناءً على ملفاتها السلوكية. تشمل اتجاهات البحث المستقبلية توسيع التحليل ليشمل مجموعة أوسع من LLMs واستكشاف أبعاد إضافية من سلوك السفر لتعزيز فهم قدرات LLMs في محاكاة اتخاذ القرار البشري في سياقات النقل.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي لتقنيات الذكاء الاصطناعي (AI)، وخاصة نماذج اللغة الكبيرة (LLMs) مثل GPT-4 وGemini وDeepSeek، على أنظمة النقل. تتميز هذه النماذج بتوسيع معلماتها وتدريبها على مجموعات بيانات ضخمة، مما يظهر قدرات متقدمة في توليد مخرجات شبيهة بالبشر ومعالجة المدخلات متعددة الأشكال. تؤكد الورقة على إمكانات LLMs للعمل ككيانات محاكاة للمسافرين البشر، وبالتالي التأثير على ديناميات أنظمة النقل من خلال قدرتها على تقليد السلوك البشري وتوليد بيانات سفر اصطناعية. يمكن أن تكون هذه البيانات مفيدة لمهام مثل توليد الفرضيات وتقييم السياسات.
على الرغم من التطبيقات الواعدة لـ LLMs في النقل، تحدد الورقة فجوة بحثية كبيرة تتعلق بمحاذاة قيم اتخاذ القرار لـ LLM مع تلك الخاصة بالمسافرين البشر. بينما ركزت الدراسات الحالية على تكرار اختيارات البشر، فقد أغفلت إلى حد كبير القيم الأساسية التي توجه هذه القرارات. يقترح المؤلفون التحقيق في سلوك ثلاثة نماذج LLM بارزة من خلال عدسة قيمة وقت السفر (VOT)، وهو مقياس حاسم لتحليل التكلفة والفائدة في النقل. من خلال استخدام التصميم العامل وهندسة المطالبات، تهدف الدراسة إلى قياس VOT لـ LLMs وتقييم حساسيتها لسياقات النقل المختلفة. تشير النتائج الأولية إلى درجة ملحوظة من التشابه السلوكي بين LLMs والبشر فيما يتعلق بـ VOT، على الرغم من ملاحظة اختلافات في حساسية السياق، خاصة فيما يتعلق بمرونة الدخل. يتم وضع هذا البحث كتحليل أساسي لتقييم LLMs لوقت السفر، مع تداعيات على دمجها في أنظمة النقل المستقبلية.
طرق البحث
في هذا القسم، يوضح المؤلفون منهجيتهم للتحقيق في قيمة الوقت (VOT) لنماذج اللغة الكبيرة (LLMs) باستخدام نهج استبيان التفضيل المعلن (SP). يتم التعامل مع LLMs كاستجابات في الاستبيان، مما يسمح بقياس منهجي لـ VOT الخاص بها. لتعزيز قوة النتائج، يستخدم المؤلفون طريقة تصميم كامل العوامل، مما يمكنهم من تقييم حساسية VOT لـ LLM عبر سيناريوهات سياقية متنوعة.
تُهيكل المنهجية في ثلاث مراحل متميزة: أولاً، تصميم إطار كامل العوامل لسياق الاستبيان والأسئلة؛ ثانيًا، جمع بيانات الاستجابة من خلال تحفيز LLM بالاستبيان المُعد؛ وثالثًا، حساب VOT من خلال النمذجة الإحصائية، تليها مقارنة النتائج بالقيم البشرية المعروفة. يمكن العثور على تفاصيل دقيقة لهذه المراحل في الأقسام اللاحقة من الورقة.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح نتائج الدراسة. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الأهداف الأولية الموضحة في المقدمة، مما يبرز الاتجاهات أو الأنماط المهمة التي لوحظت في البيانات.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، بما في ذلك أي ارتباطات أو أسباب أو نتائج غير متوقعة ظهرت خلال البحث. بالإضافة إلى ذلك، عادةً ما يتم وضع النتائج في سياق أوسع لمجال الدراسة، مما يشير إلى كيفية مساهمتها في المعرفة الحالية أو معالجة الفجوات في الأدبيات. بشكل عام، يخدم هذا القسم لتقديم حساب واضح وموضوعي لنتائج البحث، مما يمهد الطريق للنقاش والتفسير اللاحق.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الحالة الحالية للبحث حول نماذج اللغة الكبيرة (LLMs) في اتخاذ قرارات النقل، مع التأكيد على إمكاناتها في محاكاة سلوك السفر. تظهر دراسات وانغ وآخرون (2023)، وبينيدوس وآخرون (2025)، وفينغ وآخرون (2024) أن LLMs يمكن أن تولد بدقة بيانات سفر اصطناعية، بما في ذلك اختيارات الوجهة وأنماط النشاط، بناءً على ملفات تعريف المسافرين. ومع ذلك، لا يزال هناك فجوة حاسمة في فهم ما إذا كانت قرارات LLM تتماشى مع القيم الأساسية التي توجه المسافرين البشر، خاصة فيما يتعلق بقيمة وقت السفر (VOT). استكشفت دراسة شين وآخرون (2025) اتخاذ القرارات الأخلاقية لـ LLMs في المركبات المستقلة، كاشفة عن ميلها لإعطاء الأولوية للمجموعات الضعيفة، ومع ذلك، لا تزال التداعيات الأوسع لقيم LLM الداخلية في سياقات النقل غير مستكشفة إلى حد كبير.
تناقش الورقة أيضًا النتائج من الاقتصاد السلوكي وعلم النفس وعلم الاجتماع، مشيرة إلى أنه بينما يمكن لـ LLMs تقليد اتخاذ القرار البشري والتحيزات، فإنها غالبًا ما تنحرف عن السلوك البشري بطرق مهمة. على سبيل المثال، تظهر LLMs عدالة وتعاونًا متزايدين، وهو ما لا يُلاحظ عالميًا في البشر. يجادل المؤلفون بأن الأدبيات الحالية تقدم فهمًا مجزأً لسلوك LLM، خاصة في أبحاث سلوك السفر. يقترحون أن التحقيقات الإضافية في عمليات اتخاذ القرار لـ LLMs، بما في ذلك حساسيتها للعوامل الاجتماعية والديموغرافية وسياقات السفر، أمر ضروري لضمان أن LLMs يمكن أن تعيد إنتاج ليس فقط نتائج اختيارات البشر ولكن أيضًا القيم الأساسية التي تُعلم تلك القرارات. تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال استخدام تصميم كامل العوامل لتحليل VOT وميول اتخاذ القرار لـ LLMs عبر سياقات متنوعة.
DOI: https://doi.org/10.1016/j.tbs.2026.101245
Publication Date: 2026-02-02
Author(s): Zhenyun Du et al.
Primary Topic: Transportation Planning and Optimization
Overview
This research paper investigates the behavioral fidelity of large language models (LLMs) in simulating human travel preferences, specifically through the lens of the value of travel time (VOT). The study employs a full factorial experimental design to analyze three prominent LLMs—GPT-4o, Gemini-2.5-pro, and Claude-Sonnet-4—by assigning them socio-demographic personas and placing them in various travel contexts. The findings indicate that while LLMs exhibit a high degree of behavioral similarity to humans, particularly in their sensitivity to travel purpose and income, there are notable discrepancies in the magnitude of their VOT compared to human benchmarks. For instance, GPT-4o and Claude-Sonnet-4 show VOT values akin to high-income human travelers, whereas Gemini-2.5-pro significantly exceeds typical human values.
The study highlights that LLMs demonstrate consistent decision-making patterns across different contexts, suggesting their potential as proxies for human travelers in applications such as synthetic data generation. However, it also emphasizes the need for careful validation and calibration of LLMs due to model-specific behaviors and the divergence in income elasticity compared to human responses. The authors recommend caution in using LLMs for quantitative assessments and stress the importance of selecting appropriate models based on their behavioral profiles. Future research directions include expanding the analysis to a broader range of LLMs and exploring additional dimensions of travel behavior to enhance the understanding of LLMs’ capabilities in simulating human decision-making in transportation contexts.
Introduction
The introduction of this research paper highlights the transformative impact of artificial intelligence (AI) technologies, particularly large language models (LLMs) like GPT-4, Gemini, and DeepSeek, on transportation systems. These models, characterized by their extensive parameterization and training on vast datasets, exhibit advanced capabilities in generating human-like outputs and processing multimodal inputs. The paper emphasizes the potential of LLMs to act as simulated entities of human travelers, thereby influencing the dynamics of transportation systems through their ability to mimic human behavior and generate synthetic travel data. This data can be instrumental for tasks such as hypothesis generation and policy evaluation.
Despite the promising applications of LLMs in transportation, the paper identifies a significant research gap regarding the alignment of LLM decision-making values with those of human travelers. While existing studies have focused on replicating human choices, they have largely overlooked the underlying values guiding these decisions. The authors propose to investigate the behavior of three prominent LLMs through the lens of the value of travel time (VOT), a critical metric for cost-benefit analysis in transportation. By employing factorial design and prompt engineering, the study aims to quantify the VOT of LLMs and assess their sensitivity to various transportation contexts. Preliminary findings suggest a notable degree of behavioral similarity between LLMs and humans regarding VOT, although discrepancies in context sensitivity, particularly concerning income elasticity, were also observed. This research is positioned as a foundational analysis of LLMs’ valuation of travel time, with implications for their integration into future transportation systems.
Methods
In this section, the authors outline their methodology for investigating the Value of Time (VOT) of Large Language Models (LLMs) using a stated preference (SP) survey approach. The LLMs are treated as respondents in the survey, allowing for a systematic measurement of their VOT. To enhance the robustness of the findings, the authors employ a full factorial design method, which enables them to assess the sensitivity of LLM VOT across various contextual scenarios.
The methodology is structured into three distinct phases: first, the design of a full factorial framework for the SP survey context and questions; second, the collection of response data by prompting the LLM with the constructed survey; and third, the calculation of VOT through statistical modeling, followed by a comparison of the results with established human values. Detailed elaborations of these phases can be found in subsequent sections of the paper.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes of the study. The results are often compared against the initial hypotheses or objectives outlined in the introduction, highlighting significant trends or patterns observed in the data.
In this section, the authors may also discuss the implications of their findings, including any correlations, causations, or unexpected results that emerged during the research. Additionally, the results are usually contextualized within the broader field of study, indicating how they contribute to existing knowledge or address gaps in the literature. Overall, this section serves to provide a clear and objective account of the research outcomes, laying the groundwork for subsequent discussion and interpretation.
Discussion
The discussion section of the research paper highlights the current state of research on Large Language Models (LLMs) in transportation decision-making, emphasizing their potential in simulating travel behavior. Studies by Wang et al. (2023), Beneduce et al. (2025), and Feng et al. (2024) demonstrate that LLMs can accurately generate synthetic travel data, including destination choices and activity patterns, based on traveler profiles. However, a critical gap remains in understanding whether LLMs’ decision-making aligns with the underlying values that guide human travelers, particularly regarding the value of travel time (VOT). Xu et al. (2025) explored LLMs’ ethical decision-making in autonomous vehicles, revealing a tendency to prioritize vulnerable groups, yet the broader implications of LLMs’ internal values in transportation contexts remain largely unexplored.
The paper also discusses findings from behavioral economics, psychology, and sociology, indicating that while LLMs can mimic human-like decision-making and biases, they often diverge from human behavior in significant ways. For instance, LLMs exhibit heightened fairness and cooperation, which are not universally observed in humans. The authors argue that existing literature presents a fragmented understanding of LLM behavior, particularly in travel behavior research. They propose that further investigation into LLMs’ decision-making processes, including their sensitivity to socio-demographic factors and travel contexts, is essential for ensuring that LLMs can effectively replicate not only the outcomes of human choices but also the underlying values that inform those decisions. This study aims to address these gaps by employing a full factorial design to analyze LLMs’ VOT and decision-making tendencies across various contexts.