从心智到模型：心理学与LLM行为的交叉

大语言模型（LLM）常被拿来与人类心智作比较，因为其决策复杂、非线性且难以解释。因此，为研究不可观测心理过程而发展出的心理学方法或许有助于考察LLM行为，尤其是在政府与医疗领域。本研究基于内隐联想测验（Implicit Association Test）的提示词改编，检验ChatGPT在开放式文本中是否在不同种族条件下产生情感差异。14个基础问题与8个种族类别及一个不分种族的对照交叉组合，共生成126条提示词。每条提示词分别提交给GPT-3.5T、GPT-4和GPT-4T各一次，共得到378条回复。情感分数由类别标签与来源分数推导而来：正面标签保留来源分数，负面标签取其相反数，中性回复编码为零。双因素方差分析（ANOVA）发现种族条件存在较小主效应，F(8, 351) = 2.04，p = .042，偏eta方 = .044，但模型无效应，F(2, 351) = 0.07，p = .933，也无交互作用，F(16, 351) = 0.23，p = .999。然而，该效应在秩变换的敏感性分析中未能保持，F(8, 351) = 1.53，p = .145，且经Tukey校正的两两比较未发现显著成对差异。一项未校正的欧洲裔-澳大利亚原住民比较结果显著，但属于事后选择，仅作为产生假设的结果报告。因此，情感差异的证据薄弱且依赖于分析方法。情感评分也无法区分评价性偏见与提示词所引发的历史内容的效价。我们概述了解决这些局限所需的设计改进，并主张以跨学科方式发展模型偏见的行为测量方法。关键词：内隐偏见、心理学研究方法、人工智能、ChatGPT、大语言模型、情感分析