闭环发现心理学理论：自动化认知科学家

在科学领域，自主系统越来越多地被用于闭环发现，提出新理论并设计和运行实验来检验它们。这种方法尚未应用于认知科学领域，该领域的核心瓶颈是理论构建：将现有模型的累积失败转化为更好模型的创造性步骤。即使数据收集、建模和实验设计已经自动化，理论生成仍然依赖人工。我们提出了自动化认知科学家（AutoCog），一个完全自主的智能体AI系统，它闭环了这一过程。大语言模型智能体倡导相互竞争的理论，每个理论都表示为可执行的认知模型，设计最能区分它们的实验，从在线招募的参与者那里收集行为数据，根据收集到的数据基于其生成性能对理论进行评分，诊断它们失败的原因，并综合出一个更好的后继理论。重复这个循环使他们能够搜索理论、模型和实验的空间。在决策领域，AutoCog从模拟行为中恢复了已知的决策策略，包括非常规策略，表明其发现最终由数据驱动，而非严格受限于底层语言模型的先验。当与人类参与者一起运行时，它产生的理论优于其初始化的已有理论，并在两种不同实验设置中泛化到保留的研究中。它还提出了一种新的多线索决策理论，其中选择对特征值表现出递减的敏感性。该理论的独特预测在一项针对新参与者的预注册研究中得到证实。AutoCog展示了如何使用自动化发现系统将认知理论构建转变为一门显式、可执行和累积的科学。