以LLM Agent程序细化发现认知算法

从行为数据中建立算法推理的认知模型，是认知科学中挑战现有方法的核心问题。传统认知建模方法可解释并受益于专家知识，但缺乏灵活性和可扩展性。利用大型语言模型（LLM）从零生成认知模型的新方法灵活且可扩展，但缺少人类专家的作用，且大多用于比算法恢复更简单的任务。我们提出一种混合系统，将认知算法发现视为程序细化问题。人工创建的认知模型以概率程序表达，并交给LLM Agent系统，要求它识别模型与行为之间的不匹配、在研究者指定的约束内提出代码级修改、验证结构忠实性。修订会传递到概率推断模块，用于潜变量推断和数据似然计算。我们在人类问题求解行为范式上评估这条管线，该范式揭示多种认知算法。修订后的模型相较原始模型持续改善拟合，并揭示一小组反复出现的创新，捕捉到该任务中有意义的行为变异。