Large Language Models Do Not Simulate Human Psychology

一、文章主要内容总结

本文聚焦大型语言模型（LLMs）能否模拟人类心理这一核心问题，通过概念论证与实证研究，驳斥了“LLMs可替代人类被试用于心理学研究”的观点，具体内容如下：

1. 研究背景与争议

• LLMs（如ChatGPT、CENTAUR）在科研领域应用日益广泛，涵盖学术写作辅助、文献综述、数据标注等，甚至有研究提出其可模拟人类心理以替代心理学研究中的人类被试，例如专门针对心理反应微调的CENTAUR模型，声称能“预测和模拟任何可用自然语言表达的实验中的人类行为”。
• 反对观点指出，LLMs的核心功能是基于概率预测下一个token，无明确的意义或真理辨别机制，且存在推理失效、偏见、过度依赖导致研究者技能退化等局限。

2. 支持LLMs模拟人类心理的相关研究

部分研究显示LLMs与人类反应存在较高一致性，例如：

• Dillion等人（2023）发现GPT-3.5对464个道德场景的评分与人类评分相关系数达0.95，且在不同人口统计学群体中表现稳定；2025年其进一步研究显示，人类认为GPT-4o的道德推理在道德性、可信度和正确性上略优于美国代表性样本及伦理专家。
• Jiang等人（2025）提出的Delphi模型，基于众包道德判断训练，在复杂道德情境中表现优于GPT-4等通用模型。
• 部分“道德图灵测试”相关研究（如Aharoni等人，2024）发现GPT-4的道德评估被认为比人类更理性、可信，但AI反应因情感参与度低易被识别。

<