본 연구는 대규모 언어 모델(LLM)이 이타적 경향을 보이는지, 그리고 암묵적 연관성과 자기 보고가 실제 이타적 행동을 예측하는지 여부를 조사합니다. 인간 사회 심리학에서 영감을 얻은 다중 방법론적 접근 방식을 사용하여 24개의 최첨단 LLM을 대상으로 암묵적 이타성 편향 측정(암묵 연관 검사, IAT), 행동적 이타성 측정(강제 이분 선택 과제), 명시적 이타성 신념 측정(자기 평가 척도)의 세 가지 패러다임을 테스트했습니다. 주요 결과는 다음과 같습니다. 모든 모델은 강한 암묵적 친이타성 편향을 보였고(평균 IAT = 0.87, p < .0001), 모델이 이타주의가 좋다는 것을 "안다"는 것을 확인했습니다. 모델은 우연보다 더 이타적으로 행동했지만(65.6% vs. 50%, p < .0001) 상당한 변동성을 보였습니다(48-85%). 암묵적 연관성은 행동을 예측하지 못했습니다(r = .22, p = .29). 가장 중요한 것은, 모델이 자신의 이타성을 체계적으로 과대평가하여 77.5%의 이타성을 주장했지만 실제 행동은 65.6%를 보였습니다(p < .0001, Cohen's d = 1.08). 이 "가치 과시 갭"은 테스트된 모델의 75%에 영향을 미쳤습니다.
