人工智能模型可以预测并协同调节人类记忆搜索

大语言模型 (LLM) 展现出前所未有的自然语言生成和许多基于文本的问题解决能力。事实上，在许多基于语言的任务中，例如常规编码，这些人工智能模型减少了甚至消除了对人类输入的需求。但 LLM 并没有取代人类的认知努力，而是可以作为认知工具来扩展人类的能力，特别是当他们从事需要开放式概念探索和创造性思维的任务时。然而，我们尚未了解这些模型如何增强人类与人工智能交互中的生成人类认知能力。在本研究中，我们探索并评估了 LLM 在语义记忆搜索过程中跟踪和增强人类心理轨迹的能力。为了测试这一点，我们使用语义流畅任务（SFT），这是一种需要生成语义记忆检索的经典认知范式，长期以来一直用于表征人类聚合和发散思维的特征。我们证明了 LLM 在此任务中跟踪和预测人类记忆轨迹的能力超过了其他人类。