利用LLM赋能的智能体模拟类人学习动态

基于深度学习方法捕捉人类学习行为，已成为心理学与智能系统领域的重要研究焦点。现有方法主要依赖受控实验或基于规则的模型来探究认知过程，但难以有效捕捉学习动态、追踪长期进展，也缺乏可解释性。为应对这些挑战，我们提出LearnerAgent——一种基于大语言模型（LLM）的新型多智能体框架，旨在模拟真实的教学环境。为探究类人学习动态，我们构建了具有心理学基础的学习者原型，包括“深层学习者”“表层学习者”和“懒散学习者”，并引入一个无特定人格特征的“通用学习者”以考察基础大语言模型的默认行为。通过每周的知识获取、每月的战略决策、定期测验以及同伴互动，我们能够追踪个体学习者在一年周期内的动态学习进程。研究发现主要体现在四个方面：（1）纵向分析表明，仅“深层学习者”实现了持续的认知成长；我们精心设计的“陷阱问题”能有效识别“表层学习者”的浅层知识缺陷；（2）不同学习者的行为主导模式与认知特征与其心理原型高度一致；（3）学习者的自我概念评分呈现出现实演化轨迹，其中“通用学习者”尽管认知能力有限，却意外展现出极高的自我效能感；（4）关键发现是，基础大语言模型的默认行为模式本质上是一种“勤奋但脆弱的表层学习者”——该智能体虽能模仿优秀学生的外在行为，却缺乏真正可迁移、泛化的理解能力。大量模拟实验表明，LearnerAgent与真实情境高度契合，为揭示大语言模型的行为特征提供了更具洞察力的分析结果。