作为神经多样性成人心理测量档案模拟代理的大型语言模型
神经元与认知
2026-01-23 v1 人工智能
摘要
成人神经多样性，包括注意缺陷/多动障碍（ADHD）、高功能自闭症谱系障碍（ASD）和认知脱离综合征（CDS），以显著的症状重叠为特征，这限制了标准心理测量工具的判别敏感性。虽然最近的研究表明大型语言模型（LLM）能够从定性数据中模拟人类的心理测量反应，但它们能否准确且稳定地模拟神经发育特征，而非广泛的人格特征，仍不清楚。本研究探讨了当以结构化的定性访谈为基础时，LLM 能否生成近似于真实个体的心理测量反应，以及此类模拟是否对特征强度的变化敏感。26 名成年人完成了一项包含 29 个项目的开放式访谈和四项标准化自我报告测量（ASRS、BAARS-IV、AQ、RAADS-R）。两个 LLM（GPT-4o 和 Qwen3-235B-A22B）被提示从访谈内容中推断个体心理档案，然后以该角色身份回答每份问卷。使用组级比较、误差指标、精确匹配评分和随机基线评估了准确性、可靠性和敏感性。两个模型在各项工具上的表现均优于随机反应，其中 GPT-4o 表现出更高的准确性和可重复性。模拟反应在 ASRS、BAARS-IV 和 RAADS-R 上与人类数据高度匹配，而 AQ 则揭示了分量表特定的局限性，特别是在“对细节的关注”上。总体而言，研究结果表明，基于访谈的 LLM 能够产生连贯且高于随机水平的神经发育特征模拟，支持了其作为早期心理测量研究中合成参与者的潜在用途，同时突出了明确的领域特定限制。
引用
@article{arxiv.2601.15319,
title = {Large Language Models as Simulative Agents for Neurodivergent Adult Psychometric Profiles},
author = {Francesco Chiappone and Davide Marocco and Nicola Milano},
journal= {arXiv preprint arXiv:2601.15319},
year = {2026}
}