通过心理分析测量大型语言模型的行为特征

大型语言模型（LLM）越来越多地调节人类决策和交流，但它们的行为规律仍然难以系统地表征。我们开发了一个跨语言心理测量分析框架，并使用七种心理工具评估九名大语言模型，每个模型和语言（中文和英语）重复执行五次。预先指定的重试过程后未解决的项目将保留为 NA。对评分和 NA 回答的联合分析可捕捉回答倾向和自我报告适用性的界限。尽管大语言模型具有较高的亲社会和自我调节反应以及较低的支配、脱离和有害意图认可的共同排列模式，但仍表现出结构化的、特定于模型的概况。 NA 响应是结构化的而不是均匀分布的，表明输出被视为不适用、被拒绝或无法映射到有效响应选项。语言条件和提供者来源与配置文件配置和可回答性相关，而重复管理显示出高再现性并允许恢复模型身份。人类参考和提示稳健性分析进一步表明这些签名是上下文相关的。心理分析和责任性的联合分析提供了量化部署级行为特征的框架。