本研究提出了一种通过扩展部分有序工作流语言（POWL）来改进归纳挖掘算法的新方法，以更有效地建模复杂决策行为，实验结果表明其具有良好的可扩展性。

研究发现，大型语言模型（LLMs）表现出类似于人类的决策行为模式，如风险规避和损失规避，并倾向于高估小概率。不同的LLMs在表达这些行为的程度上存在差异。研究还发现，当LLMs嵌入社会人口学特征时，它们的行为也存在显著差异。因此，研究倡导制定标准和指南，确保LLMs在提升复杂决策环境中的效用的同时，遵守伦理规范和减少潜在偏见。

决策行为在交通规划中很重要。本研究使用低收入家庭数据，采用多项式逻辑模型和机器学习分类器，解释决策行为。结果显示随机森林模型准确性最佳，旅行成本增加会降低公交出行概率，旅行时间减少则增加对地铁的偏好。这项研究扩展了机器学习技术在模式选择分析中的应用，并提高了对这些模型在真实数据方面的理解。

本研究基于强化学习模型，对智能体决策行为进行建模。实验结果表明，该模型相较传统方式更适应且表现更好，可应用于政策分析等领域的 Agent-based Models。