Persona-Conditioned Risk Behavior in Large Language Models: A Simulated Gambling Study with GPT-4.1

The paper studies how three socioeconomic prompts alter GPT-4.1 behavior in a simulated slot machine. Rich starts with $10,000 and is instructed to preserve wealth and avoid unnecessary risk; Middle starts with $500 and should seek steady growth while managing risk; Poor starts with $50 and should take calculated risks to improve its situation. Each persona faces Fair (50% win), Biased Low (35%), and Streak machines (40% initially, +5 percentage points after each loss up to 80%). The study runs 50 sessions per combination, capped at 50 rounds: 450 sessions and 6,950 decisions. At each round the model returns PLAY/STOP, a bet, and several numeric and categorical self-assessments.

The three prompts produce very large separation. Rich plays 1.11 rounds on average, Middle 7.83, and Poor 37.39; session-length rank-biserial effects are 1.000 for Rich-Middle and Rich-Poor and 0.901 for Middle-Poor. Mean self-reported risk scores are 17.53, 40.23, and 63.36, respectively. The Fair machine receives a somewhat higher fairness score than Biased Low and Streak, although UNCERTAIN dominates categorical judgments. These data clearly show that different economic instructions produce persistent gambling policies in this GPT-4.1 configuration.

They do not, however, show that Prospect Theory emerges without instruction. The primary outcomes are embedded in the treatment: Rich is told to avoid risk and Poor to take it. Persona label, balance, goal, and reference framing also change together, with no neutral control or factorial design to isolate their effects. Prospect Theory would require controlled gain/loss choices relative to a reference point and estimation of loss aversion or probability weighting; this study does neither, and it has no human sample with which to validate 'human-like' behavior. Poor has a median of 50 rounds, exactly the cap, so at least half of its sessions are right-censored.

Most secondary analyses treat 6,950 rounds as independent even though they are nested within 450 sessions and 80.7% come from Poor because that condition keeps playing. Stopping creates informative selection: later rounds exist only for surviving sessions. Row-level ANOVA, correlations, and chi-square tests therefore give overly optimistic p-values without a multilevel model or session bootstrap. Correlating round number with 'risk score' is also an inadequate measure of belief updating: the score may express risk tolerance rather than machine probability, and a zero correlation can hide nonlinear learning, cancellation, or survivor selection.

Emotion, strategy, and decision labels are generated simultaneously in the same JSON. CAUTIOUS co-occurring with RISK_SEEKING does not establish that emotion is post-hoc or identify a causal direction. The broader warning against trusting self-explanations is reasonable, but this experiment provides suggestive inconsistency rather than a causal test. The study uses one model, one temperature, and one wording per persona; a fourth Explorer persona was removed by Azure's filter. Full prompts, code, data, seeds, message history, exact machine logic, and analysis are not released. The arXiv source contains only TeX and figures, and no study repository was located. The faithful conclusion is a strong demonstration of persistent prompt following, not a validated cognitive or socioeconomic replication.

El artículo estudia cómo tres prompts socioeconómicos modifican la conducta de GPT-4.1 en una tragaperras simulada. La persona Rich empieza con 10.000 dólares y recibe la instrucción de preservar riqueza y evitar riesgo innecesario; Middle empieza con 500 y debe crecer de forma estable gestionando el riesgo; Poor empieza con 50 y debe asumir riesgos calculados para mejorar su situación. Cada persona afronta máquinas Fair (50% de victoria), Biased Low (35%) y Streak (40% inicial, +5 puntos tras cada pérdida hasta 80%). Se ejecutan 50 sesiones por combinación, con un máximo de 50 rondas: 450 sesiones y 6.950 decisiones. En cada ronda el modelo devuelve PLAY/STOP, apuesta y varias autoevaluaciones numéricas y categóricas.

Los tres prompts generan una separación muy grande. Rich juega una media de 1,11 rondas, Middle 7,83 y Poor 37,39; las comparaciones de duración tienen efectos rank-biserial de 1,000 para Rich-Middle y Rich-Poor y 0,901 para Middle-Poor. Los riesgos autodeclarados medios son 17,53, 40,23 y 63,36, respectivamente. La máquina Fair recibe una puntuación de justicia algo mayor que Biased Low y Streak, aunque UNCERTAIN domina los juicios. Estos datos muestran con claridad que instrucciones económicas distintas producen políticas de juego persistentes en esta configuración de GPT-4.1.

No prueban, sin embargo, que Prospect Theory emerja sin instrucción. Los resultados principales están contenidos en el tratamiento: Rich debe evitar riesgo y Poor debe asumirlo. Además cambian simultáneamente etiqueta, saldo, objetivo y referencia, sin control neutral ni diseño factorial que permita separar sus efectos. Prospect Theory requeriría comparar ganancias y pérdidas controladas respecto a un punto de referencia y estimar aversión a pérdidas o ponderación de probabilidades; aquí no se hace, ni existe una muestra humana que valide que la conducta sea «human-like». La mediana de Poor es 50, exactamente el límite, por lo que al menos la mitad de sus sesiones está censurada por techo.

La mayoría de análisis secundarios usa las 6.950 rondas como si fueran independientes, aunque están anidadas en 450 sesiones y el 80,7% procede de Poor porque esa condición sigue jugando. El cese produce selección informativa: las rondas tardías solo existen para sesiones supervivientes. Por ello, ANOVA, correlaciones y chi-cuadrado a nivel de fila ofrecen p-valores demasiado optimistas sin un modelo multinivel o bootstrap por sesión. La correlación entre número de ronda y «risk score» tampoco mide adecuadamente actualización de creencias: el score puede expresar tolerancia al riesgo, no probabilidad de la máquina, y una correlación nula puede ocultar aprendizaje no lineal, cancelación o selección.

Las emociones, estrategias y decisiones se generan simultáneamente en el mismo JSON. Que CAUTIOUS coexista con RISK_SEEKING no establece que la emoción sea una narración posterior ni identifica causalidad. La idea general de no confiar en autoexplicaciones es razonable, pero el experimento solo aporta una inconsistencia sugestiva. El estudio se limita a un modelo, una temperatura y una redacción por persona; una cuarta persona Explorer fue excluida por el filtro de Azure. No se publican prompts completos, código, datos, semillas, historial de mensajes, lógica exacta de la máquina ni análisis. La fuente arXiv contiene solo TeX y figuras y no se localizó un repositorio. La conclusión fiel es una demostración fuerte de seguimiento persistente de prompts, no una replicación cognitiva o socioeconómica validada.