赋予 AI 个性可实现更人类化的推理
人工智能
2025-02-24 v2 计算与语言
计算机与社会
摘要
在计算认知建模中，捕捉人类判断与决策过程的完整谱系（仅限于最优行为之外）是一个重大挑战。本研究探讨了大型语言模型 (LLM) 是否能够通过预测直觉快速系统 1 和深思熟虑的慢速系统 2 的推理过程来模拟人类推理的广泛范围。我们旨在检验 AI 能否在人类群体中模拟多样化推理行为，解决我们称之为"完整推理谱系问题"。我们设计了使用自然语言推断 (NLI) 格式的新型泛化推理任务，以评估 LLM 复制人类推理的能力。这些问题旨在引发系统 1 和系统 2 响应。通过众包方式收集的人类响应被建模，而非仅关注多数答案。我们采用受大五人格模型启发的性格化引导，激发 AI 反映特定性格特征的响应，捕捉人类推理的多样性，并探讨性格特征如何影响 LLM 输出。结合遗传算法优化这些引导的权重，该方法在传统机器学习模型之外进行测试。结果表明，LLM 能够模拟人类响应分布，开源模型如 Llama 和 Mistral 在此方面超过专有 GPT 模型。性格化引导，尤其是在遗传算法优化后，显著提升了 LLM 预测人类响应分布的能力，这表明捕捉次优、自然化推理可能需要包含多样化推理风格和心理学轮廓的建模技术。本研究的结论是，性格化引导结合遗传算法在增强 AI 在推理中的"人类化"方面具有前景。
引用
@article{arxiv.2502.14155,
title = {Giving AI Personalities Leads to More Human-Like Reasoning},
author = {Animesh Nighojkar and Bekhzodbek Moydinboyev and My Duong and John Licato},
journal= {arXiv preprint arXiv:2502.14155},
year = {2025}
}