大型语言模型通过可解释机制预测人类社会行为

大型语言模型（LLM）的发展为预测不同情境下的人类行为提供了良好机遇。然而，既有研究大多侧重于行为模仿，对人类决策所依赖的认知机制缺乏透明且可解释的模型关注。在本研究中，我们提出了 MindEvolve，这是一种自主工作流，旨在通过生成可解释的认知符号模型，预测社会互动中的行为。我们系统评估了多个大型语言模型在一组涵盖社会认知四个核心领域的社会经济博弈中的建模能力：经济偏好、社会偏好、社会推理（心智理论）以及递归规划。大型语言模型提出的符号模型由人类专家评估其可解释性与理论一致性。结果表明，尽管大多数大型语言模型能够在相对简单的策略情境中稳健地捕捉经济偏好和社会偏好，并且在某些情况下能够生成整合了比人类专家所提出模型更广泛知识的新颖模型，但其对更复杂心理过程的建模能力仍然有限。然而，一部分最先进的模型在捕捉心智理论和递归规划等高阶推理过程方面展现出良好潜力。总体而言，这些发现凸显了大型语言模型不仅能够模仿行为，还具有生成关于人类社会决策的可解释、机制性说明的潜力。我们的研究结果为推动基于大型语言模型的认知建模迈向人类专家水平的理论构建提供了路线图。

大型语言模型（LLM）的发展为预测人类在多种情境下的行为提供了广阔前景。然而，既有研究大多侧重于行为模仿，对人类决策背后认知机制的透明或可解释模型关注有限。在本研究中，我们提出了 MindEvolve，这是一种自主工作流，旨在通过生成可解释的认知符号模型来预测社会互动中的行为。我们围绕涵盖社会认知四个核心领域的一系列社会经济博弈，系统评估了多个 LLM 的建模能力，这四个领域包括经济偏好、社会偏好、社会推理（心智理论）以及递归规划。LLM 所提出的符号模型由人类专家评估其可解释性与理论一致性。结果表明，尽管大多数 LLM 能够在相对简单的策略情境中稳健地捕捉经济偏好和社会偏好，并且在某些情况下能够生成整合了比人类专家所提出模型更广泛知识的新颖模型，但它们对更复杂心理过程的建模能力仍然有限。然而，部分最先进模型在捕捉心智理论和递归规划等高阶推理过程方面展现出令人鼓舞的表现。总体而言，这些发现凸显了 LLM 不仅能够模仿行为，还具有生成关于人类社会决策的可解释机制性解释的潜力。我们的研究为推动基于 LLM 的认知建模走向人类专家水平的理论构建提供了路线图。

感谢您有兴趣传播 bioRxiv 的相关信息。

注意：要求提供您的电子邮箱地址仅用于确认您是本文的发送者。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.06.749667v1?rss=1

🏷️ 大型语言模型 认知建模 社会行为预测 可解释人工智能 心智理论 递归规划