Аннотация
Введение. Интенсивное развитие инструментов и технологий искусственного интеллекта открывает широкие междисциплинарные возможности для исследования различных типов поведения личности. К таким инструментам относятся большие языковые модели (LLM) – нейронные сети глубокого обучения со множеством параметров. Одним из перспективных вариантов их использования выступает прогнозирование поведения человека через интерпретацию содержания текстовых сообщений пользователей различных онлайн платформ в цифровой среде.
Методы. Исследование осуществлено на выборке, включающей 541 текстовое сообщение, которые были извлечены из онлайн-платформ. Тексты были размечены экспертами-психологами на основе стандартизированных психолингвистических критериев по трем типам поведения: деструктивное, конструктивное, информативное. В качестве инструмента интерпретации текстов был выбрана большая языковая модель «Claude 3.5», адаптированная под задачи многоклассовой классификации через конфигурируемые запросы. Для автоматической классификации текстов был применен API модели Claude 3.5 с базовым запросом, формализующим критерии экспертов-психологов.
Результаты. Впервые предложена технология прогнозирования (интерпретации) конструктивного, деструктивного и информативного поведения пользователей социальных сетей с точностью классификации в пределах 62-76%. Прогнозирование осуществляется через квалитативный анализ текстов любого объема на базе больших языковых моделей. Технология разработана на базе междисциплинарного взаимодействия психологов, IT-специалистов и систем искусственного интеллекта с использованием возможностей больших языковых моделей к рефлексии через итеративный диалог.
Обсуждение результатов. Технология расширяет возможности психологов прогнозировать поведение на выборках, включающих миллионы пользователей цифровой среды и показывает векторы разработки инструментов интерпретации различных психологических феноменов через анализ текстов. Также показана необходимость дальнейшей адаптации технологии под культурные и лингвистические особенности для минимизации ошибок и противоречий в классификации.
Библиографические ссылки
Ермаков, П. Н., Коленова, А. С., Денисова, Е. Г., Куприянов, И. В. (2022). Психологические предикторы конструктивных и деструктивных форм информационного поведения молодежи. Российский психологический журнал, 19(2), 21–34. https://doi.org/10.21702/rpj.2022.2.2
Кузнецова, Ю. М. Сценарный подход к анализу текстов. (2018). Труды Института Системного Анализа Российской Академии Наук, 68(1), 31–41. https://doi.org/10.14357/20790279180103
Мишланов, В. А., Чуганская, А. А., Смирнов, И. В., Суворова, М. И., Курузов, И. А. (2020). Разработка методов анализа сценариев поведения (на материале инструктивных интернет-текстов). Медиалингвистика, 7(1), 16–28. https://doi.org/10.21638/spbu22.2020.102
Татарова, Г. Г., Бабич, Н. С., Бессокирная, Г. П., Кученкова, А. В. (2023). Типологический анализ в социологии как диагностическая процедура. Москва: ФНИСЦ РАН, 2023. https://doi.org/10.19181/monogr.978-5-89697-408-6.2023
Abdurahman, S., Atari, M., Karimi-Malekabadi, F., Xue, M. J., Trager, J., Park, P. S., … Dehghani, M. (2024). Perils and opportunities in using large language models in psychological research. PNAS Nexus, 3(7), 245. https://doi.org/10.1093/pnasnexus/pgae245
Abramski, K., Citraro, S., Lombardi, L., Rossetti, G., & Stella, M. (2023). Cognitive Network Science Reveals Bias in GPT-3, GPT-3.5 Turbo, and GPT-4 Mirroring Math Anxiety in High-School Students. Big Data and Cognitive Computing, 7(3). https://doi.org/10.3390/bdcc7030124
Almeida, G. F. C. F., Nunes, J. L., Engelmann, N., Wiegmann, A., & Araújo, M. de. (2024). Exploring the psychology of LLMs’ moral and legal reasoning. Artificial Intelligence, 333, 104145. https://doi.org/10.1016/j.artint.2024.104145
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623. https://doi.org/10.1145/3442188.3445922
Binz, M., & Schulz, E. (2023). Using cognitive psychology to understand GPT-3. Proceedings of the National Academy of Sciences, 120(6), e2218523120. https://doi.org/10.1073/pnas.2218523120
Xie, C., Chen, C., Jia, F., Ye, Z., Lai, S., Shu, K., … Li, G. (2024). Can Large Language Model Agents Simulate Human Trust Behavior? arXiv:2402.04559. Retrieved from https://arxiv.org/abs/2402.04559
Dehouche, N. (2021). Plagiarism in the age of massive generative pre-trained transformers (GPT-3). Ethics in Science and Environmental Politics, 21, 17–23. http://dx.doi.org/10.3354/esep00195
Demszky, D., Yang, D., Yeager, D. S., Bryan, C. J., Clapper, M., Chandhok, S., … Pennebaker, J. W. (2023). Using large language models in psychology. Nature Reviews Psychology, 2, 688–701. https://doi.org/10.1038/s44159-023-00241-5
Dillion, D., Tandon, N., Gu, Y., & Gray, K. (2023). Can AI language models replace human participants? Trends in Cognitive Sciences, 27(7), 597–600. https://doi.org/10.1016/j.tics.2023.04.008
Frank, M. C. (2023). Baby steps in evaluating the capacities of large language models. Nature Reviews Psychology, 2(8), 451–452. https://doi.org/10.1038/s44159-023-00211-x
Grossmann, I., Feinberg, M., Parker, D. C., Christakis, N. A., Tetlock, P. E., & Cunningham, W. A. (2023). AI and the transformation of social science research. Science, 380(6650), 1108–1109. https://doi.org/10.1126/science.adi1778
Habermas, J. (1985). Theory of Communicative Action, Volume One: Reason and the Rationalization of Society. Boston: Beacon Press.
Hagendorff, T. (2023). Machine Psychology: Investigating Emergent Capabilities and Behavior in Large Language Models Using Psychological Methods. arXiv:2303.13988. Retrieved from https://doi.org/10.48550/arXiv.2303.13988
Harding, J., D’Alessandro, W., Laskowski, N. G., & Long, R. (2023). AI language models cannot replace human research participants. AI & Society, 39, 2603–2605. https://doi.org/10.1007/s00146-023-01725-x
Hutson, M. (2023). Doing research with human subjects is costly and cumbersome. Can AI chatbots replace them? Science, 381(6654), 121–123. https://doi.org/10.1126/science.adj6791
Jin, C., Zhang, S., Shu, T., & Cui, Z. (2023). The Cultural Psychology of Large Language Models: Is ChatGPT a Holistic or Analytic Thinker? arXiv:2308.14242. Retrieved from https://doi.org/10.48550/arXiv.2308.14242
Ke, L., Tong, S. Cheng, P., & Peng, K. (2024). Exploring the Frontiers of LLMs in Psychological Applications: A Comprehensive Review. arXiv:2401.01519. Retrieved from https://doi.org/10.48550/arXiv.2401.01519
Kublik, S., & Saboo, S. (2022). Gpt-3: the ultimate guide to building NLP products with OpenAI API (1st ed.). Birmingham: Packt Publishing.
Linegar, M., Kocielnik, R., & Alvarez, R. M. (2023). Large language models and political science. Frontiers in Political Science, 5. http://dx.doi.org/10.3389/fpos.2023.1257092
Liu, Y., Han, T., Ma, S., Zhang, J., Yang, Y., Tian, J., … Ge, B. (2023). Summary of ChatGPT-Related research and perspective towards the future of large language models. Meta-Radiology, 1(2), 100017. https://doi.org/10.1016/j.metrad.2023.100017
Markowitz, D. M. (2024). Can generative AI infer thinking style from language? Evaluating the utility of AI as a psychological text analysis tool. Behavior Research Methods, 56, 3548–3559. http://dx.doi.org/10.3758/s13428-024-02344-0
Newell, A. (1994). Unified Theories of Cognition. Cambridge, MA: Harvard University Press.
Park, P. S., Schoenegger, P., & Zhu, C. (2024). Diminished diversity-of-thought in a standard large language model. Behavior Research Methods, 56(6), 5754–5770. https://doi.org/10.3758/s13428-023-02307-x
Parra, V., Sureda, P., Corica, A., Schiaffino, S., & Godoy, D. (2024). Can Generative AI Solve Geometry Problems? Strengths and Weaknesses of LLMs for Geometric Reasoning in Spanish. International Journal of Interactive Multimedia and Artificial Intelligence, 8(5), 65. https://doi.org/10.9781/ijimai.2024.02.009
Patel, S. C., & Fan, J. (2023). Identification and Description of Emotions by Current Large Language Models. bioRxiv. Retrieved from https://doi.org/10.1101/2023.07.17.549421
Rathje, S., Mirea, D.-M., Sucholutsky, I., Marjieh, R., Robertson, C., & Van Bavel, J. J. (2024). GPT is an effective tool for multilingual psychological text analysis. Proceedings of the National Academy of Sciences, 121(34). https://doi.org/10.1073/pnas.2308950121
Sartori, G., & Orrù, G. (2023). Language models and psychological sciences. Frontiers in Psychology, 14. https://doi.org/10.3389/fpsyg.2023.1279317
Stella, M., Hills, T. T., & Kenett, Y. N. (2023). Using cognitive psychology to understand GPT-like models needs to extend beyond human biases. Proceedings of the National Academy of Sciences of the United States of America, 120(43), e2312911120. https://doi.org/10.1073/pnas.2312911120
Savelka, J., & Ashley, K. D. (2023). The unreasonable effectiveness of large language models in zero-shot semantic annotation of legal texts. Frontiers in Artificial Intelligence, 6, 1279794. https://doi.org/10.3389/frai.2023.1279794
Stokel-Walker, C. (2022). AI bot ChatGPT writes smart essays – should professors worry? Nature. https://doi.org/10.1038/d41586-022-04397-7
Tamkin, A., Brundage, M., Clark, J., & Ganguli, D. (2021). Understanding the Capabilities, Limitations, and Societal Impact of Large Language Models. arXiv:2102.02503. Retrieved from https://doi.org/10.48550/arXiv.2102.02503
Turner, J. C., & Reynolds, K. J. (2012). Self-categorization theory. In Handbook of theories of social psychology. Volume 2 (pp. 399–417). New York: SAGE Publications.
Vaswani, A., Shazeer, N. Parmar, N. Uszkoreit, J. Jones, L. Gomez, A. N. … Polosukhin I. (2017). Attention Is All You Need. arXiv:1706.03762. Retrieved from https://doi.org/10.48550/arXiv.1706.03762
Wei, J., Tay, Y., Bommasani, R., Raffel, C., Zoph, B., Borgeaud, S. … Fedus, W. (2022). Emergent Abilities of Large Language Models. arXiv:2206.07682. Retrieved from https://doi.org/10.48550/arXiv.2206.07682
Ziems, C., Held, W., Shaikh, O., Chen, J., Zhang, Z., & Yang, D. (2024). Can Large Language Models Transform Computational Social Science? Computational Linguistics, 50(1), 237–291. https://doi.org/10.1162/coli_a_00502
Zhong, Y., Chen, Y., Zhou, Y., Lyu, Y.-A.-H., Yin, J.-J., & Gao, Y. (2023). The Artificial intelligence large language models and neuropsychiatry practice and research ethic. Asian Journal of Psychiatry, 84, 103577. https://doi.org/10.1016/j.ajp.2023.103577
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Copyright (c) 2026 Российский психологический журнал