面向语言模型的机器心理学

大型语言模型（LLM）展现出日益高级的涌现能力，并正被纳入各个社会领域。因此，理解它们的行为与推理能力十分重要。我们认为，一个富有成效的研究方向是让 LLM 参与受心理学启发的实验，这些实验传统上旨在理解人类的认知与行为。在此，我们重点阐述并总结了这一方法所带来的理论视角、实验范式与计算分析技术。它为面向 LLM 的“机器心理学”铺平了道路，这一取向超越性能测量，转而聚焦于计算层面的洞见，推动我们更好地理解和发现 LLM 中的涌现能力与行为模式。我们综述了采用这一方法的现有工作，综合了最佳实践，并指出了有前景的未来方向。我们还描述了将原本用于理解人类的方法论应用于机器时的重要注意事项。我们断言，随着模型变得更强大、更不透明、更多模态，并融入复杂的具身智能现实环境，利用实验心理学的工具来研究 LLM 将变得越来越有价值。

中文由 AI 翻译，仅供参考，以原文为准。