Automating Psychological Hypothesis Generation with AI: Large Language Models Meet Causal Graph

本文是LLM系列文章，针对《Automating Psychological Hypothesis Generation with AI: Large Language Models Meet Causal Graph》的翻译。

摘要

利用因果知识图谱和大型语言模型（LLM）之间的协同作用，我们的研究引入了一种开创性的心理学计算假设生成方法。我们使用LLM分析了43312篇心理学文章，以提取因果关系对。这一分析产生了一个专门的心理学因果图。应用链接预测算法，我们生成了130个关注“幸福感”的潜在心理假设，然后将其与博士学者设想的研究思路和LLM单独提出的研究思路进行比较。有趣的是，我们的LLM和因果图的组合方法在新颖性方面反映了专家级的见解，明显超过了仅LLM的假设（分别为t(59)=3.34，p=0.007和t(59)=4.32,p<0.001。使用深层语义分析进一步证实了这种一致性。我们的研究结果表明，将LLM与因果知识图谱等机器学习技术相结合，可以彻底改变心理学中的自动发现，从广泛的文献中提取新颖的见解。这项工作站在心理学和人工智能的十字路口，为心理学研究中数