Simulation menschenähnlicher Lernprozesse mit LLM-befähigten Agenten

Die Erfassung menschlichen Lernverhaltens mittels Methoden des tiefen Lernens ist zu einem zentralen Forschungsfokus sowohl in der Psychologie als auch in intelligenten Systemen geworden. Neuere Ansätze stützen sich auf kontrollierte Experimente oder regelbasierte Modelle, um kognitive Prozesse zu untersuchen. Allerdings erweisen sie sich als unzureichend, um Lerndynamiken adäquat zu erfassen, den Fortschritt über die Zeit zu verfolgen oder Erklärbarkeit zu bieten. Um diese Herausforderungen zu meistern, stellen wir LearnerAgent vor – einen neuartigen Multi-Agenten-Framework basierend auf großen Sprachmodellen (Large Language Models, LLMs), der eine realistische Lernumgebung simuliert. Um menschenähnliche Lerndynamiken zu erforschen, konstruieren wir Lernende mit psychologisch fundierten Profilen – beispielsweise „Deep Learner“ (tiefgründiges Lernen), „Surface Learner“ (oberflächliches Lernen) und „Lazy Learner“ (fauler Lerner) – sowie einen persona-freien „General Learner“, um das Standardverhalten des Basis-LLM zu untersuchen. Durch wöchentliche Wissenserwerbung, monatliche strategische Entscheidungen, periodische Tests und Interaktionen unter Lernenden können wir die dynamische Lernentwicklung einzelner Lernender über einen gesamten Jahreszeitraum hinweg verfolgen. Unsere Ergebnisse sind vielfältig: 1) Eine longitudinale Analyse zeigt, dass nur der „Deep Learner“ eine nachhaltige kognitive Entwicklung erreicht. Unsere speziell entworfenen „Fallstrickfragen“ ermöglichen eine effektive Diagnose des oberflächlichen Wissens des „Surface Learners“. 2) Die Verhaltens- und kognitiven Muster verschiedener Lernender entsprechen eng ihren psychologischen Profilen. 3) Die Selbstkonzeptwerte der Lernenden entwickeln sich realistisch; insbesondere zeigt der General Learner, trotz seiner kognitiven Einschränkungen, eine überraschend hohe Selbstwirksamkeit. 4) Kritisch ist, dass das Standardprofil des Basis-LLM ein „sorgfältiger, aber brüchiger Surface Learner“ ist – ein Agent, der das Verhalten eines guten Schülers nachahmt, jedoch über kein echtes, generalisierbares Verständnis verfügt. Umfangreiche Simulationsexperimente belegen, dass LearnerAgent gut mit realen Situationen übereinstimmt und tiefere Einblicke in das Verhalten von LLMs liefert.