A Review of Incorporating Psychological Theories in LLMs

📄 arXiv: 2505.00003v2 📥 PDF

作者: Zizhou Liu, Ziwei Gong, Lin Ai, Zheng Hui, Run Chen, Colin Wayne Leach, Michelle R. Greene, Julia Hirschberg

分类: cs.CL

发布日期: 2025-03-28 (更新: 2026-01-25)

💡 一句话要点

综述心理学理论在大型语言模型中的应用，旨在促进类人认知与行为的建模。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 心理学理论 认知心理学 社会心理学 自然语言处理 人机交互 情感识别

📋 核心要点

  1. 现有大型语言模型在模拟人类认知、行为和交互方面存在不足，心理学理论的融入是关键。
  2. 该综述旨在整合心理学各分支的理论，并分析其在LLM开发各阶段的应用，从而提升模型性能。
  3. 通过分析跨领域联系和潜在冲突，该研究旨在促进心理学与自然语言处理研究的更有效融合。

📝 摘要（中文）

心理学洞见长期以来影响着自然语言处理的突破，从注意力机制到强化学习和社会建模。随着大型语言模型（LLMs）的发展，人们越来越一致地认为心理学对于捕捉类人认知、行为和交互至关重要。本文回顾了心理学理论如何为LLM开发的各个阶段提供信息并加以改进。我们的综述整合了来自心理学的六个子领域的见解，包括认知心理学、发展心理学、行为心理学、社会心理学、人格心理学和心理语言学。通过阶段性分析，我们强调了心理学理论应用中的当前趋势和差距。通过检查跨领域联系和紧张点，我们旨在弥合学科分歧，并促进心理学更周到地融入自然语言处理研究。

🔬 方法详解

问题定义：现有的大型语言模型在模拟人类的认知、行为和社会互动方面存在局限性。它们通常缺乏对人类心理过程的深刻理解，导致在某些任务中表现不佳，例如情感识别、常识推理和人际交往。现有方法未能充分利用心理学理论来指导模型的设计和训练，导致模型难以捕捉人类行为的复杂性和多样性。

核心思路：本文的核心思路是系统性地回顾和整合心理学各分支的理论，并分析这些理论如何应用于大型语言模型的开发过程。通过将心理学理论融入到LLM的各个阶段，例如数据收集、模型设计、训练和评估，可以提高模型对人类认知和行为的理解和模拟能力。这种跨学科的方法旨在弥合心理学和自然语言处理之间的差距，从而构建更智能、更人性化的LLM。

技术框架：该综述采用阶段性的分析框架，将LLM的开发过程划分为多个阶段，例如数据收集、模型设计、训练和评估。然后，针对每个阶段，回顾和分析了心理学各分支的理论如何应用于该阶段。具体来说，该综述涵盖了认知心理学、发展心理学、行为心理学、社会心理学、人格心理学和心理语言学等六个子领域。通过这种方式，该综述提供了一个全面而系统的视角，展示了心理学理论在LLM开发中的潜在应用。

关键创新：该综述的关键创新在于其跨学科的视角和系统性的分析框架。以往的研究通常侧重于将心理学理论应用于LLM的特定任务或领域，而该综述则提供了一个更广泛和更深入的分析，涵盖了LLM开发的各个阶段和心理学的多个分支。此外，该综述还强调了心理学理论应用中的当前趋势和差距，并指出了未来研究的方向。

关键设计：该综述的关键设计在于其对心理学各分支理论的整合和分析。例如，认知心理学可以为LLM的注意力机制和记忆模型提供指导，发展心理学可以为LLM的知识获取和推理能力提供指导，行为心理学可以为LLM的奖励机制和强化学习提供指导，社会心理学可以为LLM的社会互动和情感识别能力提供指导，人格心理学可以为LLM的个性化和风格迁移提供指导，心理语言学可以为LLM的语言理解和生成能力提供指导。通过对这些理论的深入分析，该综述为LLM的开发人员提供了宝贵的参考和指导。

📊 实验亮点

该综述整合了心理学六个子领域的理论，并分析了它们在LLM开发各阶段的应用，揭示了心理学理论在提升LLM性能方面的巨大潜力。该研究强调了当前应用中的趋势和差距，为未来研究指明了方向，并促进了跨学科的交流与合作。虽然没有提供具体的性能数据，但该综述为LLM研究人员提供了一个宝贵的理论框架。

🎯 应用场景

该研究成果可广泛应用于开发更具人性化和智能化的LLM，例如智能客服、虚拟助手、教育机器人和心理咨询机器人。通过融入心理学理论，这些LLM可以更好地理解人类的需求和情感，从而提供更有效和个性化的服务。此外，该研究还可以促进心理学和自然语言处理领域的交叉研究，推动人工智能技术的进步。

📄 摘要（原文）

Psychological insights have long shaped pivotal NLP breakthroughs, from attention mechanisms to reinforcement learning and social modeling. As Large Language Models (LLMs) develop, there is a rising consensus that psychology is essential for capturing human-like cognition, behavior, and interaction. This paper reviews how psychological theories can inform and enhance stages of LLM development. Our review integrates insights from six subfields of psychology, including cognitive, developmental, behavioral, social, personality psychology, and psycholinguistics. With stage-wise analysis, we highlight current trends and gaps in how psychological theories are applied. By examining both cross-domain connections and points of tension, we aim to bridge disciplinary divides and promote more thoughtful integration of psychology into NLP research.