Aligning LLM agents with human learning and adjustment behavior: A dual agent approach

Published in Transportation Research Part C in 2026, this paper proposes calibrating GPT-4o traveler agents to predict how an individual changes routes in a repeated congestion game. Each traveler agent combines a four-period short memory, a 24-period long memory, and a free-form textual “persona” describing preferences, thresholds, and decision rules. A second GPT-4o agent acts as a calibrator. At each period it reevaluates the persona over an eight-observation window, writes textual “pseudo-gradients” attributing prediction errors, synthesizes update directions, generates candidate personas, re-simulates them, and retains a candidate only if it lowers loss. The result is then smoothed with a summary of up to 80 periods. Persona here is therefore a learned verbal policy for a binary task, not a validated psychological personality. The evaluation reuses a laboratory experiment with 15 students making 160 repeated choices between an expressway and one of two local roads. The first 80 periods are used for training and the last 80 for evaluation on the same individuals. The method reports 0.655 accuracy and 0.635 group-weighted F1, compared with 0.549 and 0.544 for the best baseline: absolute gains of 10.6 and 9.1 percentage points, or relative gains of 19.3% and 16.7%. It beats each baseline for 10 to 12 of the 15 participants depending on the metric, but is not best for everyone. On a two-dimensional behavior measure, switching after a loss and staying after a win, it reaches mean cosine similarity 0.974, only 0.004 above Bounded-LLM, and ranks last for three participants. This similarity is near saturation for every method, measures vector angle rather than magnitude, and does not observe cognition. In the aggregate simulation where all models receive the true previous system state, MAPE falls from 42.3% to 40.0% and the quantity called MSE from 7.49 to 5.94. However, the inspected arXiv formula averages an unsquared L2 norm, so it does not define mean squared error; missing code prevents resolving the discrepancy. The free-running simulation without true previous states is presented only through plots and qualitative discussion. An audit of the public input confirms 2,400 unique records, 15 people by 160 periods, with no missing participant-period pair. It also shows that Table 1 is mislabeled: its headings say first/last 20 days, but its percentages are calculated from the first/last 80 periods. Although the paper calls the input “real-world” data, it is a roughly 45-minute laboratory game. One of five available human groups is selected without a reported rationale. There are no significance tests, intervals, repeated GPT-4o runs, component ablations, or evaluation on unseen people, other models, or transport networks. The original human input is public, but the calibration code, prompts, exact GPT-4o snapshot, predictions, persona histories, losses, and cost accounting are not. The study supports improved temporal prediction for these 15 people in this setup, not recovery of their cognition or generalization to real travelers.

Publicado en 2026 en Transportation Research Part C, este trabajo propone calibrar agentes viajeros basados en GPT-4o para que predigan cómo una persona cambia de ruta en un juego repetido de congestión. Cada agente viajero combina una memoria corta de cuatro periodos, una memoria larga de 24 y una «persona» textual libre que describe preferencias, umbrales y reglas de decisión. Un segundo agente GPT-4o actúa como calibrador: cada periodo reevalúa la persona sobre una ventana de ocho observaciones, redacta «pseudogradientes» textuales para explicar errores, sintetiza direcciones de cambio, genera personas candidatas, vuelve a simularlas y conserva una candidata solo si reduce el error. Después la suaviza con un resumen de hasta 80 periodos. La persona es, por tanto, una política verbal aprendida para una tarea binaria; no equivale a una personalidad psicológica validada. La evaluación reutiliza un experimento de laboratorio con 15 estudiantes que eligen durante 160 turnos entre una vía rápida y una de dos vías locales. Se usan los primeros 80 turnos como entrenamiento y los últimos 80 como evaluación para esas mismas personas. El método obtiene accuracy 0,655 y F1 ponderado por grupo 0,635, frente a 0,549 y 0,544 del mejor baseline: mejoras absolutas de 10,6 y 9,1 puntos, o relativas de 19,3 % y 16,7 %. Supera a cada baseline para entre 10 y 12 de los 15 participantes según la métrica, pero no es mejor para todos. En una medida bidimensional de comportamiento, cambiar tras perder y mantenerse tras ganar, alcanza similitud coseno media 0,974, apenas 0,004 sobre Bounded-LLM, y queda último para tres participantes. Esta similitud está casi saturada en todos los métodos, mide solo el ángulo del vector y no observa un mecanismo cognitivo. En la simulación agregada que proporciona a todos los modelos el estado real anterior, el MAPE baja de 42,3 % a 40,0 % y la cantidad denominada MSE de 7,49 a 5,94. Sin embargo, la fórmula de la versión arXiv inspeccionada promedia una norma L2 sin elevarla al cuadrado, por lo que no define un error cuadrático medio; el código ausente impide resolver la discrepancia. La simulación libre, sin estados reales previos, solo se presenta mediante gráficas y comentarios cualitativos. La auditoría del dato público confirma 2.400 registros únicos, 15 personas por 160 turnos y ningún hueco. También revela que la Tabla 1 está mal rotulada: dice «primeros/últimos 20 días», pero sus porcentajes se calculan con los primeros/últimos 80 turnos. Aunque el artículo habla de datos «reales», se trata de un juego de laboratorio de unos 45 minutos; de los cinco grupos humanos disponibles se selecciona uno sin justificarlo. No hay pruebas estadísticas, intervalos, repeticiones de GPT-4o, ablaciones ni evaluación con personas nuevas, otros modelos o redes de transporte. El dato humano original es público, pero no se han publicado el código de calibración, prompts, versión exacta de GPT-4o, predicciones, historiales de personas, pérdidas ni costes. El estudio respalda una mejora de predicción temporal para estas 15 personas y esta configuración, no la recuperación de su cognición ni la generalización a viajeros reales.