大型語言模型數位雙生的建構效度與人類測驗比較研究

研究背景與目的

大型語言模型（LLM）被視為人類受測者的數位雙生，但其在心理測量上的可比性仍未確定。研究團隊因此提出一套建構效度框架，涵蓋構念表徵與共變範圍，藉以對照模型與人類金標準的表現。

主要方法與測驗

研究採用多項測驗，包括詞彙聯想測試、決策與情境任務、以及跨語言自由文本任務（英語與中文），並以人類受測者資料作為基準。

核心發現

在整體層面，LLM 能達到高準確度與概念輪廓相關性；然而在單項題目層面的相關性則顯著下降。詞彙聯想測驗顯示，模型具備類似人類的小世界結構與理論一致的社群，但在詞彙選擇與局部結構上仍有差異。決策與情境任務中，模型未能完整再現啟發式偏誤，呈現規範理性、變異壓縮與時間敏感度不足。

加入特徵豐富與特質條件後，模型在五大人格預測與共變範圍對齊上有所提升，但網路不變性仍受限，只能提供部分配置解決方案且載荷差異持續存在。跨語言自由文本任務顯示，特徵豐富的數位雙生在敘事內容上更貼近構念層面，但語言與個體差異仍顯著。

結論與應用範圍

研究指出，數位雙生在已驗證的構念、任務與推論層級下最具實用價值，應在與人類資料相符的範圍內使用。

延伸閱讀

• 「SopriBench」與「Argus」：多模態跨貼文隱私洩漏基準與溯因推理框架解析
• SenBen：以場景圖與知識蒸餾構建可解釋的敏感內容審查基準
• FoodMonitor 基準：以逐幀定位與結構化生成評估廚房合規監測的多模態大語言模型

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。