迈向机器心理学：大型语言模型预测人类记忆

大型语言模型 (LLM)，如 ChatGPT，在自然语言处理方面展现出卓越能力，为心理学研究开辟了新途径。本研究探讨了 LLM 是否能预测涉及花园路径句和上下文信息的任务中的人类记忆表现。在第一部分，我们使用 ChatGPT 对由匹配或不匹配上下文前置的花园路径句的相关性和可记忆性进行评分。在第二部分，人类参与者阅读相同的句子，对其相关性进行评分，并完成意外记忆测试。结果表明，ChatGPT 的相关性评分与人类参与者的评分高度吻合，其可记忆性评分有效预测了人类记忆表现。LLM 和人类数据均显示，在不匹配上下文条件下，较高的相关性与更好的记忆表现相关，这与依赖于上下文的学习的概率框架一致。这些发现表明，尽管 LLM 缺乏类人记忆机制，但它们可以模拟人类认知的某些方面，并作为心理学研究中有价值的工具。我们提出了“机器心理学”这一领域，以探索人类认知与人工智能之间的这种相互作用，提供一种双向方法，使 LLM 既能受益于也能促进我们对人类认知过程的理解。