语言智能体镜像人类因果推理偏见。我们如何帮助它们像科学家一样思考？

语言模型(LM)智能体越来越被用作需要主动收集信息以指导其决策的自主决策者。对于此类智能体而言，高效地探索和理解世界因果结构的能力是关键技能，这有助于进行稳健、基于科学的推理。然而，目前尚不清楚 LM 是否具备这一能力，或是否表现出导致错误结论的系统性偏见。在本工作中，我们使用发展心理学中已建立的Blicket Test范式来检验 LM 推断因果关系的能力。我们发现，LM 可靠地推断出常见的、直观的析取性因果关系，但在处理不寻常且同样（或有时更）有证据的合取性因果关系时则系统性地困难。这种"析取偏差"在不同模型家族、规模和提示策略之间都持续存在，随着任务复杂度的增加，性能进一步下降。有趣的是，类似的偏差也出现在成年人类身上，表明 LM 可能从其训练数据中继承了深植的推理启发式方法。为此，我们量化了 LM 与人类的相似性，发现 LM 表现出类似成年人的推理轮廓(但不呈现儿童般的)。最后，我们提出一种测试时采样方法，该方法显式地采样并消除关于因果关系的假设。这种可扩展的方法显著减少了析取偏差，使 LM 更接近科学、严谨的因果推理目标。