A carregar...
Publicação
Large language models as advisors in sports sponsorship decisions : predictive calibration and weight of advice
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 8.69 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Sports sponsorship is a high-stakes investment domain, with the European market reaching EUR 24.79bn in 2025. Prior research suggests that sponsorship decisions may be influenced by managerial personal objectives and team preferences, while sports predictions are associated with systematic overconfidence. This thesis examines two questions: how accurately large language models (LLMs) predict sports outcomes, and whether their predictions can function as advisory tools shaping how decision-makers integrate advice into their judgments and confidence. A two-experiment quantitative design was employed. Experiment 1 evaluated GPT-5.4 and Claude Opus 4.6 under short and long prompt conditions using 4,692 probabilistic predictions across 1,173 sports events in football, tennis, basketball, and ice hockey. Experiment 2 involved 240 marketing professionals who made initial sponsorship judgments, received AI advice, and revised their decisions, enabling computation of Weight of Advice (WoA) and testing six hypotheses. Results indicate that LLMs achieved 60.6% prediction accuracy but displayed systematic overconfidence (+5.6 percentage points), with greater variation across sports than across models or prompts. Participants substantially adjusted their decisions toward AI advice (mean WoA = 0.56), reducing deviations from AI recommendations from 36.3% to 16.9%. Preference positively influenced initial confidence (β = .17, p = .023), whereas perceived expertise showed no significant effect. Advice-taking was not significantly influenced by perceived expertise, preference, or AI input strength. Overall, the findings suggest that LLMs can shape sponsorship judgments despite calibration limitations, indicating that their effectiveness may depend not only on predictive performance but also on when they are introduced into the decision-making process.
O patrocínio desportivo é um domínio de investimento de elevado risco, com o mercado europeu a atingir 24,79 mil milhões de euros em 2025. A literatura sugere que decisões podem ser influenciadas por objetivos pessoais dos gestores e preferências por equipas, enquanto previsões desportivas se associam a sobreconfiança sistemática. Esta dissertação analisa a precisão com que grandes modelos de linguagem (LLMs) preveem resultados desportivos e se as suas previsões podem funcionar como ferramentas consultivas na decisão. Foi adotado um desenho quantitativo com dois estudos. O Experimento 1 avaliou GPT-5.4 e Claude Opus 4.6 com prompts curtos e longos, em 4.692 previsões sobre 1.173 eventos de futebol, ténis, basquetebol e hóquei no gelo. O Experimento 2 incluiu 240 profissionais de marketing que formularam julgamentos iniciais, receberam conselhos da IA e reviram decisões, permitindo calcular o Weight of Advice (WoA) e testar seis hipóteses. Os LLMs atingiram 60,6% de precisão, mas apresentaram sobreconfiança (+5,6 pontos percentuais), com maior variação entre desportos do que entre modelos ou prompts. Os participantes ajustaram decisões aos conselhos da IA (WoA = 0,56), reduzindo desvios de 36,3% para 16,9%. A preferência influenciou positivamente a confiança inicial (β = 0,17, p = 0,023), enquanto a perceção de conhecimento não apresentou efeito significativo. A adesão aos conselhos não foi influenciada por perceção de conhecimento, preferência ou intensidade do input de IA. Globalmente, os LLMs podem moldar julgamentos de patrocínio apesar de limitações de calibração, sugerindo que a sua eficácia depende também do momento de introdução no processo decisório.
O patrocínio desportivo é um domínio de investimento de elevado risco, com o mercado europeu a atingir 24,79 mil milhões de euros em 2025. A literatura sugere que decisões podem ser influenciadas por objetivos pessoais dos gestores e preferências por equipas, enquanto previsões desportivas se associam a sobreconfiança sistemática. Esta dissertação analisa a precisão com que grandes modelos de linguagem (LLMs) preveem resultados desportivos e se as suas previsões podem funcionar como ferramentas consultivas na decisão. Foi adotado um desenho quantitativo com dois estudos. O Experimento 1 avaliou GPT-5.4 e Claude Opus 4.6 com prompts curtos e longos, em 4.692 previsões sobre 1.173 eventos de futebol, ténis, basquetebol e hóquei no gelo. O Experimento 2 incluiu 240 profissionais de marketing que formularam julgamentos iniciais, receberam conselhos da IA e reviram decisões, permitindo calcular o Weight of Advice (WoA) e testar seis hipóteses. Os LLMs atingiram 60,6% de precisão, mas apresentaram sobreconfiança (+5,6 pontos percentuais), com maior variação entre desportos do que entre modelos ou prompts. Os participantes ajustaram decisões aos conselhos da IA (WoA = 0,56), reduzindo desvios de 36,3% para 16,9%. A preferência influenciou positivamente a confiança inicial (β = 0,17, p = 0,023), enquanto a perceção de conhecimento não apresentou efeito significativo. A adesão aos conselhos não foi influenciada por perceção de conhecimento, preferência ou intensidade do input de IA. Globalmente, os LLMs podem moldar julgamentos de patrocínio apesar de limitações de calibração, sugerindo que a sua eficácia depende também do momento de introdução no processo decisório.
Descrição
Palavras-chave
Sports sponsorship Decision-making Large language models (LLMs) GPT-5.4 Claude opus 4.6 AI advisory systems Debiasing Weight of advice (WoA) Decision confidence Prompt engineering Tomada de decisão Grandes modelos de linguagem (LLMs) Sistemas de aconselhamento em IA Redução de enviesamentos Confiança na decisão Engenharia de prompts
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC