Automating Psychological Hypothesis Generation with AI: Large Language Models Meet Causal Graph

最新推荐文章于 2024-10-02 21:42:48 发布

UnknownBody

最新推荐文章于 2024-10-02 21:42:48 发布

阅读量52

点赞数

分类专栏： LLM for psychology 文章标签：人工智能语言模型自然语言处理

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/137167952

版权

LLM 日更同时被 2 个专栏收录

516 篇文章 3 订阅

已下架不支持订阅

LLM for psychology

1 篇文章 0 订阅

订阅专栏

本文介绍了一种使用大型语言模型（LLM）和因果知识图谱来自动化心理学假设生成的方法。通过对心理学文章的分析，构建了心理学因果图，并用链接预测算法生成了关于“幸福感”的假设。研究发现，这种方法在新颖性上与专家观点相当，超越了仅使用LLM的假设生成。这表明结合机器学习技术可以革新心理学领域的假设发现。

摘要由CSDN通过智能技术生成

本文是LLM系列文章，针对《Automating Psychological Hypothesis Generation with AI: Large Language Models Meet Causal Graph》的翻译。

摘要

利用因果知识图谱和大型语言模型（LLM）之间的协同作用，我们的研究引入了一种开创性的心理学计算假设生成方法。我们使用LLM分析了43312篇心理学文章，以提取因果关系对。这一分析产生了一个专门的心理学因果图。应用链接预测算法，我们生成了130个关注“幸福感”的潜在心理假设，然后将其与博士学者设想的研究思路和LLM单独提出的研究思路进行比较。有趣的是，我们的LLM和因果图的组合方法在新颖性方面反映了专家级的见解，明显超过了仅LLM的假设（分别为t(59)=3.34，p=0.007和t(59)=4.32,p<0.001。使用深层语义分析进一步证实了这种一致性。我们的研究结果表明，将LLM与因果知识图谱等机器学习技术相结合，可以彻底改变心理学中的自动发现，从广泛的文献中提取新颖的见解。这项工作站在心理学和人工智能的十字路口，为心理学研究中数据驱动的假设生成提供了一种新的丰富范式。