Нейросети в роли личности: моделирование психометрических профилей

Автор: Денис Аветисян

Новое исследование показывает, как большие языковые модели способны имитировать особенности мышления людей с нейроотличиями.

Большие языковые модели демонстрируют способность к точному воспроизведению психометрических ответов, соответствующих характеристикам нейроотличий у взрослых, открывая новые возможности для исследований и оценки.

Существующие психометрические инструменты часто оказываются недостаточно чувствительными к тонким различиям в проявлениях нейроотличий у взрослых. В исследовании ‘Large Language Models as Simulative Agents for Neurodivergent Adult Psychometric Profiles’ показано, что большие языковые модели (LLM) способны генерировать психометрические ответы, достоверно имитирующие профили взрослых с СДВГ, РАС и синдромом когнитивной отстраненности. Полученные результаты демонстрируют, что модели GPT-4o и Qwen3-235B-A22B превосходят случайные ответы и позволяют создавать последовательные симуляции нейроразвитийных черт. Могут ли LLM стать ценным инструментом для предварительного тестирования и разработки новых психометрических шкал, а также для углубленного изучения феномена нейроотличий?

Нейроразнообразие: Отклонение от нормы или естественная вариативность?

Нейроразнообразие представляет собой концепцию, признающую, что вариации в функционировании мозга являются естественной частью человеческого разнообразия, а не дефицитами или заболеваниями. Этот подход смещает фокус с «нормальности» и «патологии» на признание уникальных сильных сторон и особенностей каждого человека. Вместо того, чтобы рассматривать такие состояния, как синдром дефицита внимания и гиперактивности (СДВГ) или расстройство аутистического спектра (РАС), как требующие «исправления», нейроразнообразие подчеркивает, что эти различия могут приводить к иным способам восприятия, обучения и взаимодействия с миром. Признание нейроразнообразия способствует созданию более инклюзивного общества, в котором ценятся различные типы мышления и поведения, а также предоставляются возможности для реализации потенциала каждого индивида, независимо от особенностей его неврологической организации.

Нейроотличия, такие как синдром дефицита внимания и гиперактивности (СДВГ), расстройство аутистического спектра (РАС) и синдром когнитивной отстраненности (СКО), представляют собой отдельные, но часто пересекающиеся проявления особенностей функционирования мозга. Важно понимать, что эти состояния не являются взаимоисключающими; у одного человека может наблюдаться комбинация нескольких нейроотличий, что усложняет диагностику и требует индивидуального подхода к пониманию его потребностей. СДВГ характеризуется трудностями с концентрацией внимания и импульсивностью, РАС — особенностями социального взаимодействия и повторяющимися моделями поведения, а СКО — сниженной мотивацией и когнитивной усталостью. Взаимодействие этих состояний может приводить к сложным клиническим картинам, требующим комплексной оценки и персонализированных стратегий поддержки, учитывающих уникальный профиль когнитивных и поведенческих особенностей каждого индивида.

Точная идентификация и понимание нейроотличий, таких как СДВГ, расстройства аутистического спектра и синдром когнитивной разобщенности, имеет первостепенное значение, однако традиционные методы диагностики часто оказываются ограниченными и субъективными. Существующие подходы, основанные преимущественно на поведенческих наблюдениях и самоотчетах, могут упускать из виду тонкие нюансы нейрологических различий, приводя к неверным диагнозам или задержкам в оказании необходимой поддержки. Более того, критерии диагностики, разработанные на основе преимущественно нейротипичных норм, могут некорректно оценивать функциональные особенности людей с нейроотличиями. В связи с этим, ведется активный поиск более объективных и всесторонних методов оценки, включающих нейровизуализацию, генетические исследования и анализ когнитивных особенностей, направленных на более точное понимание и поддержку людей с различным неврологическим функционированием.

Моделирование нейроразнообразия: Создание синтетических участников

Компьютерное моделирование предоставляет эффективный метод создания “синтетических участников” исследований, демонстрирующих характеристики нейроотличий. Вместо привлечения людей с различными нейрологическими особенностями, исследователи разрабатывают вычислительные модели, имитирующие когнитивные процессы и поведенческие паттерны, типичные для таких состояний, как аутизм, СДВГ или дислексия. Этот подход позволяет контролировать и манипулировать переменными, недоступными в исследованиях с реальными участниками, и масштабировать эксперименты для изучения широкого спектра сценариев. Создание таких моделей опирается на данные нейровизуализации, когнитивных тестов и поведенческих наблюдений, что обеспечивает определенный уровень валидности и позволяет проводить предварительные исследования перед переходом к работе с людьми.

В последнее время наблюдается рост использования больших языковых моделей (БЯМ) для моделирования когнитивных процессов и поведенческих реакций в рамках создания «синтетических участников» исследований. БЯМ, обученные на обширных текстовых данных, способны генерировать ответы и моделировать поведение, имитирующие характеристики, наблюдаемые у людей с различными нейроотличиями. Этот подход позволяет исследователям контролировать параметры моделирования, варьировать специфические когнитивные особенности и анализировать поведенческие проявления в стандартизированных условиях, что значительно расширяет возможности изучения когнитивных процессов и разработки персонализированных подходов к терапии и поддержке.

Использование больших языковых моделей (LLM) предоставляет возможность проведения контролируемых экспериментов и исследования тонких различий в когнитивном функционировании, которые сложно или невозможно изучить с помощью традиционных методов исследования. В частности, LLM позволяют манипулировать параметрами моделирования для создания ‘синтетических участников’ с заданными когнитивными особенностями, что позволяет изолировать и оценить влияние конкретных когнитивных процессов на поведение. Это особенно важно при изучении нейроотличий, где субъекты могут демонстрировать гетерогенные проявления, затрудняющие проведение статистически значимых исследований в реальных условиях. LLM обеспечивают возможность масштабируемого и повторяемого анализа, недоступного при работе с ограниченным числом реальных участников.

Оценка и интеграция: Психометрические тесты и LLM

Установленные психометрические тесты, такие как Autism-Spectrum Quotient (AQ), Adult ADHD Self-Report Scale (ASRS) и Barkley Adult ADHD Rating Scale-IV (BAARS-IV), предоставляют ценные данные для калибровки синтетических моделей участников. Эти инструменты позволяют количественно оценить характеристики, связанные с нейроотличиями, и служат основой для создания реалистичных профилей, используемых в исследованиях и разработке. Точные результаты тестов, полученные от реальных участников, выступают в качестве эталона для настройки параметров искусственных моделей, обеспечивая соответствие симулированных данных наблюдаемым паттернам поведения и когнитивным особенностям, связанным с аутизмом и СДВГ.

Установленные психометрические тесты, такие как Autism-Spectrum Quotient (AQ), могут быть применены к большим языковым моделям (LLM) для количественной оценки смоделированных нейроотличий. В ходе тестирования GPT-4o продемонстрировал точность 0.66 по шкале AQ, что сопоставимо с результатами, получаемыми от людей, что позволяет использовать LLM для создания и калибровки синтетических моделей участников с целью исследования нейроразнообразия.

Использование больших языковых моделей (LLM), в частности GPT-4o, позволяет проводить “структурированные интервью” для качественного исследования смоделированных переживаний участников. В ходе тестирования, GPT-4o продемонстрировал точность 0.87 при оценке результатов по шкале Barkley Adult ADHD Rating Scale-IV (BAARS-IV), что свидетельствует о возможности LLM достоверно воспроизводить паттерны ответов, характерные для взрослых с синдромом дефицита внимания и гиперактивности (СДВГ). Такой подход позволяет получать развернутые, текстовые ответы, которые затем могут быть проанализированы для выявления особенностей восприятия и поведения смоделированных участников.

Расширение возможностей: Продвинутые LLM и когнитивное моделирование

Современные языковые модели, такие как GPT-4o и Qwen3-235B-A22B, демонстрируют значительный прогресс в области рассуждений, особенно при использовании метода “Chain-of-Thought” (Цепочка Мыслей). Данный подход позволяет модели не просто выдавать ответ, а последовательно излагать ход своих мыслей, имитируя процесс человеческого рассуждения. Это существенно повышает точность и надежность получаемых результатов, позволяя решать более сложные задачи, требующие логического анализа и планирования. В отличие от предыдущих поколений, эти модели способны не только оперировать фактами, но и выстраивать аргументацию, что делает их мощным инструментом для решения широкого спектра интеллектуальных задач и углубленного анализа данных.

Современные большие языковые модели, такие как GPT-4o, открывают новые возможности для детального моделирования когнитивных состояний, в частности, синдрома вялого мышления (SCT) и других состояний, характеризующихся замедленностью когнитивных процессов. Исследования показали, что GPT-4o способен с высокой точностью воспроизводить паттерны, связанные с SCT, демонстрируя нормализованную среднюю абсолютную ошибку (MAE) всего в 0.09 при многократных симуляциях. Такая степень детализации позволяет создавать более реалистичные модели, имитирующие внутренние мыслительные процессы, что, в свою очередь, способствует более глубокому пониманию механизмов, лежащих в основе этих состояний и открывает перспективы для разработки более эффективных методов диагностики и поддержки.

Возможность моделирования внутренних мыслительных процессов значительно повышает достоверность синтетических моделей участников, позволяя получать более точные прогнозы и ценные выводы. Исследования показали, что модель GPT-4o достигает средней абсолютной ошибки (MAE) в 0.25 при оценке общих баллов тестов, что существенно превосходит результаты случайной базовой модели, демонстрирующей MAE в 0.45. Это указывает на то, что продвинутые языковые модели способны не только воспроизводить внешние проявления когнитивных процессов, но и имитировать их внутреннюю динамику, открывая новые перспективы для изучения когнитивных особенностей и разработки более реалистичных моделей поведения.

Исследование демонстрирует, что большие языковые модели способны воспроизводить психометрические ответы, соответствующие нейроотличиям. Это не просто имитация, но и отражение сложных паттернов мышления, которые часто остаются незамеченными в традиционных методах оценки. Как отмечал Жан-Поль Сартр: «Существование предшествует сущности». В данном контексте, это означает, что модель, прежде чем выдавать результат, формирует собственное представление о “существе” — о нейроотличном профиле — на основе предоставленных данных, а затем уже выражает его в психометрических показателях. Такой подход открывает новые возможности для ранних этапов психометрических исследований и оценки, позволяя заглянуть за рамки стандартных оценок и увидеть индивидуальные особенности проявления нейроотличий.

Что дальше?

Утверждение о том, что большие языковые модели способны “симулировать” психометрические профили, звучит, конечно, амбициозно. Но стоит помнить: все эти “профили” — лишь попытка свести сложность человеческого поведения к набору чисел. Модель имитирует не человека, а интерпретацию человека, созданную другими людьми. И если модель успешно воспроизводит “нейроотличия”, то это говорит скорее о предвзятости в самих методах диагностики, чем о прозрении искусственного интеллекта.

В дальнейшем, вероятно, стоит сосредоточиться не на улучшении точности симуляции, а на исследовании ошибок. Где модель терпит неудачу? Какие аспекты человеческого поведения она упускает? Именно в этих несоответствиях кроется потенциал для понимания того, что действительно отличает одного человека от другого. Ведь любое “поведение инвестора” — это просто эмоциональная реакция с хорошим обоснованием, и нейроотличия не исключение.

В конечном счете, задача не в том, чтобы создать идеальную симуляцию, а в том, чтобы признать, что сама идея “нормальности” — это всего лишь статистическая иллюзия. И если модель научится воспроизводить эту иллюзию, то это будет не триумфом науки, а горькой иронией.

Оригинал статьи: https://arxiv.org/pdf/2601.15319.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-01-24 21:45

🚀 Квантовые новости