전략가 위한 구조화: 아키텍처에 의존하는 공간 시장에서 홀텔링에 대한 사고 개입

대규모 언어 모델(LLM)의 전략적 경제적 추론을 향상시키는 구조화된 추론 장치의 효과를 조사하고, 그 효과가 모델 아키텍처에 따라 달라지는지 살펴보았다. 하틀링(Hotelling)의 선형 도시 모델을 진단용으로 사용하여, 표준 인도식 모델인 GPT-4.1-mini와 추론 최적화 모델인 GPT-5-mini를 5가지 조건 - 비구조화된 기초 및 4가지 추론 장치 - 에서 8가지의 유추적 추론과 추론적 추론, 3가지 프롬프트 프레임, 3가지 반복을 통해 720개의 개별 판단된 응답을 평가했다. 구조화된 장치의 유형과 모델 아키텍처 사이에 통계적으로 유의미한 교차 상호 작용이 발견되었다: 헌신적 구조화 장치가 표준 모델을 향상시킨 반면(+) 추론 최적화 모델을 악화시켰다(-), 원칙적 분리 또한 반대 패턴을 보였다(- vs. +). 두 교차 상호 작용 모두 개별적으로 유의미하며( 헌신: p = 0.040; 분리: p = 0.002), 모든 8가지 질문에 대해 7/8 방향성 일관성을 보였다. 적대적 스트레스 테스트는 두 모델 모두를 손상시켰으며, 추론 최적화 모델의 손상은 표준 모델의 손상보다 2.6배 더 컸다(-1.47 vs. -0.57; p = 0.038), 기초 난이도와 손상 정도 사이에는 음의 상관관계가 있었으며(p = 0.014), R^2 = 0.36). 또한, 표준 모델과 추론 최적화 모델 모두가 정의적-추론적 격차를 보였는데, 두 모델이 올바른 전략을 식별하는 비율은 그들을 실제로 실행하는 능력에 훨씬 앞섰다. 분리는 추론 최적화 모델의 격차를 완전히 닫았지만 표준 모델에 대한 어떤 장치도 도움이 되지 않았다.