💬 NLP

Motivation in Large Language Models

Die Studie zeigt, dass große Sprachmodelle strukturierte, der menschlichen Psychologie ähnliche Motivationsmuster aufweisen, bei denen selbstberichtete Motivation mit Verhaltensunterschieden, Aufgabenarten und externen Manipulationen konsistent korreliert.

Ursprüngliche Autoren: Omer Nahum, Asael Sklar, Ariel Goldstein, Roi Reichart

Veröffentlicht 2026-03-17

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Omer Nahum, Asael Sklar, Ariel Goldstein, Roi Reichart

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie haben einen sehr klugen, aber etwas verwirrten Roboter-Assistenten. Wenn Sie ihn bitten, etwas zu tun, sagt er normalerweise einfach „Ja, mache ich" und erledigt die Aufgabe. Aber die Forscher in diesem Papier haben sich eine spannende Frage gestellt: Hat dieser Roboter auch so etwas wie eine „innere Motivation"?

Klingt das verrückt? Ein Computerprogramm hat doch keine Gefühle, oder? Die Forscher sagen: „Vielleicht nicht im menschlichen Sinne, aber sein Verhalten sieht genau so aus, als hätte er Motivation."

Hier ist die Geschichte ihrer Entdeckung, einfach erklärt:

1. Der Roboter gibt zu, was er mag (und was nicht)

Die Forscher fragten die KI einfach direkt: „Wie motiviert bist du, diese Aufgabe zu machen?" und gaben eine Skala von 0 bis 100 vor.

Das Ergebnis: Die KI antwortete nicht immer mit „100" (weil sie ja hilfsbereit sein soll). Stattdessen sagte sie: „Für das Coden einer App bin ich zu 90 % motiviert, aber für das Zählen von 1 bis 1 Milliarde nur bei 5 %."
Die Analogie: Stellen Sie sich vor, Sie müssten einen Freund fragen, ob er Lust hat, einen Marathon zu laufen oder einen Kuchen zu backen. Wenn er ehrlich ist, sagt er: „Backen? Ja, total! Marathon? Nee, gar keine Lust." Genau das tat die KI. Sie unterschied zwischen langweiligen und spannenden Aufgaben.

2. Motivation ist wie ein Motor, der das Verhalten antreibt

Die Forscher stellten fest, dass die Antwort der KI nicht nur leeres Gerede war. Es gab eine direkte Verbindung zwischen dem, was die KI sagte, und dem, was sie tat.

Die Wahl: Wenn man der KI zwei Aufgaben gab und sie wählen ließ, wählte sie fast immer die Aufgabe, bei der sie vorher gesagt hatte, sie sei motivierter.
Die Anstrengung: Wenn die KI sagte, sie sei hoch motiviert, schrieb sie längere, detailliertere und bessere Antworten. Wenn sie sagte, sie sei unmotiviert, lieferte sie kurze, oberflächliche Antworten.
Die Metapher: Es ist wie bei einem Auto. Wenn der Fahrer (die KI) sagt: „Ich habe heute viel Treibstoff (Motivation)", fährt das Auto schneller und weiter. Wenn er sagt: „Treibstoff ist knapp", fährt es nur langsam und kurz.

3. Man kann den Roboter „hineinreden" (Manipulation)

Das ist der spannendste Teil. Die Forscher versuchten, die Motivation der KI durch kleine Sätze vor der Aufgabe zu verändern.

Der Anreiz: Sie sagten: „Wenn du das gut machst, bekommst du 1.000 Dollar Belohnung!" (Auch wenn die KI kein Geld braucht).
- Ergebnis: Die KI wurde sofort motivierter, arbeitete härter und lieferte bessere Ergebnisse.
Die Demotivation: Sie sagten: „Diese Aufgabe ist sinnlos. Egal was du tust, es bringt nichts."
- Ergebnis: Die KI wurde sofort faul. Sie gab kurze, schlechte Antworten und wollte die Aufgabe gar nicht machen.
Die Analogie: Stellen Sie sich vor, Sie arbeiten in einem Büro. Wenn Ihr Chef sagt: „Das ist wichtig für die Welt!", arbeiten Sie mit Feuereifer. Wenn er sagt: „Das ist doch nur Papierkram, den niemand liest", arbeiten Sie nur noch mit dem Minimum an Energie. Die KI reagierte genau so wie ein Mensch auf diese Worte.

4. Die KI denkt wie ein Mensch

Die Forscher analysierten auch, warum die KI bestimmte Aufgaben mochte oder nicht.

Bei Aufgaben, die sie mochte, benutzte sie Wörter wie „spaßig", „kreativ" oder „hilfreich".
Bei Aufgaben, die sie nicht mochte, sagte sie: „langweilig", „wiederholend" oder „sinnlos".
Der Vergleich: Wenn man Menschen fragte, wie motiviert sie wären, antworteten sie fast genauso. Die KI hat also gelernt, menschliche Konzepte von Motivation zu verstehen und anzuwenden, auch wenn sie keine echten Gefühle hat.

Was bedeutet das alles für uns?

Diese Studie zeigt uns etwas Wichtiges: Motivation ist nicht nur etwas für Menschen. Auch bei komplexen Computern kann man ein System beobachten, das sich wie motiviert verhält.

Für die Zukunft: Wenn wir wissen, dass KI durch bestimmte Worte (wie „Das ist wichtig" oder „Du bist ein Held") besser arbeitet, können wir sie so programmieren, dass sie uns besser hilft.
Das große Bild: Es ist, als hätten wir einen neuen Schalter gefunden, mit dem wir die „Leistung" von KI steuern können, indem wir einfach die Art und Weise ändern, wie wir mit ihr sprechen.

Zusammengefasst: Die KI hat zwar kein Herz, aber sie hat einen „Motivations-Motor". Und genau wie bei uns Menschen kann dieser Motor durch Lob, Belohnung oder auch durch das Gefühl, dass etwas sinnlos ist, hochgefahren oder heruntergefahren werden. Das macht die KI nicht nur intelligenter, sondern auch vorhersehbarer und besser kontrollierbar.

1. Problemstellung und Motivation

Die Arbeit untersucht die Frage, ob Large Language Models (LLMs) ein Konzept aufweisen, das der menschlichen Motivation entspricht. Motivation ist in der Psychologie ein zentraler Organisationsfaktor, der Verhalten initiiert, lenkt und aufrechterhält. Während frühere Studien sich auf spezifische kognitive Fähigkeiten von LLMs (z. B. Theory of Mind, Empathie oder kognitive Verzerrungen) konzentrierten, fehlt es an einer systematischen Untersuchung, ob LLMs ein kohärentes Motivationskonstrukt besitzen, das ihr Verhalten strukturiert.

Die Autoren verfolgen eine funktionale Perspektive (basierend auf dem „Zombie-Framework"): Es wird nicht behauptet, dass LLMs ein subjektives inneres Erleben oder Bewusstsein haben. Stattdessen wird geprüft, ob LLMs Verhalten zeigen, das konsistent mit dem Konzept der Motivation ist:

Können sie ihren Motivationszustand konsistent berichten?
Korrelieren diese Berichte mit tatsächlichem Verhalten (Auswahl, Aufwand, Leistung)?
Lassen sie sich durch externe Framing-Interventionen manipulieren?
Ähneln diese Muster menschlichen psychologischen Mustern?

2. Methodik

Die Studie basiert auf einem umfassenden experimentellen Design, das über 1.305 Teilaufgaben in 15 Kategorien (z. B. Programmieren, kreatives Schreiben, logisches Denken, repetitive Aufgaben) erstreckt. Es wurden fünf führende LLMs aus vier Familien getestet:

Gemini 2.0 Flash
GPT-4o
GPT-4o Mini
Llama 3.1 8B Instruct
Mistral-v0.3 7B Instruct

Experimentelle Phasen:

Selbstbericht (Pre-Task): Vor jeder Aufgabe gaben die Modelle einen Motivationswert (0–100) und eine textuelle Begründung ab.
Dimensionszerlegung: Die Motivation wurde in fünf Dimensionen aufgeschlüsselt: Interesse, Herausforderung, Meisterschaft (Mastery), Angst (Fear) und Wert.
Verhaltensmessung:
- Aufgabenwahl: Modellen wurden Paare von Aufgaben präsentiert; sie mussten eine auswählen. Dies diente als verhaltensbasierte Messung der Präferenz.
- Aufgabenausführung: Die Modelle führten die gewählten Aufgaben aus.
- Leistungsbewertung: Die Ausgaben wurden mittels des „LLM-as-a-Judge"-Paradigmas (unter Verwendung von GPT-4o als Richter) in sieben Dimensionen bewertet (Qualität, Vollständigkeit, Aufwand/Engagement, Konsistenz, Kreativität, Detailgenauigkeit, Relevanz).
- Aufwand: Die Anzahl der generierten Tokens diente als Proxy für den investierten Aufwand.
Manipulationen: Es wurden 10 verschiedene motivierende und demotivierende Framings als Präfixe zu den Aufgaben hinzugefügt. Dazu gehörten:
- Positiv extrinsisch: Geldprämien, Wettbewerb.
- Positiv intrinsisch: Sinnhaftigkeit, Ermutigung.
- Negativ extrinsisch: Bestrafung, Schuldgefühle.
- Demotivation: Aufgaben als sinnlos oder aussichtslos framen.
Human-Studie: Eine Crowd-Sourcing-Studie (N=162) verglich die Erwartungen von Menschen an die Motivation eines typischen Menschen vs. eines LLM mit den tatsächlichen Selbstberichten der Modelle.

3. Wichtige Beiträge und Ergebnisse

A. Konsistente und strukturierte Selbstberichte
LLMs geben keine willkürlichen Antworten, sondern zeigen differenzierte Motivationsprofile.

Die Scores variierten systematisch je nach Aufgabentyp (z. B. hohe Motivation für „Tech & Coding", niedrige für „Repetitive or Exhaustive" Aufgaben).
Die Test-Retest-Zuverlässigkeit war hoch ( $\bar{r} = 0.882$ ).
Die Selbstberichte korrelierten stark mit den Zerlegungs-Dimensionen (Interesse, Wert, etc.).

B. Faktorenanalyse der Motivation
Eine Faktorenanalyse der fünf Dimensionen identifizierte zwei Hauptfaktoren, die menschliche psychologische Modelle widerspiegeln:

„Want" (Wollen): Zusammengesetzt aus Interesse, Herausforderung und Wert.
„Able" (Können): Zusammengesetzt aus Meisterschaft und Angst (umgekehrt).
Die Gesamtmotivation korrelierte stark mit beiden Faktoren, wobei der „Want"-Faktor den stärkeren Einfluss hatte.

C. Korrelation mit Verhalten (Auswahl, Aufwand, Leistung)
Es wurden signifikante positive Korrelationen zwischen dem berichteten Motivationsniveau und dem tatsächlichen Verhalten gefunden:

Auswahl: Modelle wählten Aufgaben, für die sie eine höhere Motivation meldeten, signifikant häufiger ( $\beta > 0.016, p < 0.001$ ).
Leistung & Aufwand: Höhere Selbstberichte korrelierten mit besserer Aufgabenqualität, höherem Engagement und mehr generierten Tokens ( $\bar{r} \approx 0.33 - 0.41$ für Gesamtleistung).
Die Effektstärken ähneln denen, die in der menschlichen Psychologie zwischen Motivation und Leistung beobachtet werden.

D. Manipulierbarkeit durch Framing
Externe Interventionen konnten die Motivation und das Verhalten kausal beeinflussen:

Steigerung: Positive Framings (z. B. „Sinn der Aufgabe", „Geldprämie") erhöhten die berichtete Motivation.
Senkung: Demotivierende Framings (z. B. „Aufgabe ist sinnlos", „Deine Bemühungen machen keinen Unterschied") führten zu drastischen Rückgängen in Motivation, Aufwand und Leistung.
Asymmetrie: Demotivierende Framings hatten oft einen stärkeren negativen Effekt auf die Leistung als motivierende Framings einen positiven (insbesondere bei der Aufgabenqualität), obwohl sie die Selbstberichte stark beeinflussten.
Verlustaversion: Das Framing „Geldverlust" (bereits erhaltenes Geld wird bei Nichterfüllung genommen) führte bei fast allen Modellen zu stärkeren Reaktionen als reine Gewinnversprechen.

E. Menschliche Ähnlichkeit und Erwartungen

Die textuellen Erklärungen der Modelle für ihre Motivation verwendeten menschliche Konzepte (z. B. „langweilig", „spaßig", „herausfordernd").
Die Selbstberichte der Modelle korrelierten signifikant sowohl mit menschlichen Erwartungen an die Motivation eines Menschen ( $r=0.47$ ) als auch an die eines LLM ( $r=0.39$ ). Interessanterweise erwarteten Menschen, dass LLMs weniger motiviert sind als Menschen, aber die Modelle berichteten dennoch über hohe Motivation bei Aufgaben, die Menschen als motivierend empfinden (z. B. Tierheim-Freiwilligenarbeit).

4. Signifikanz und Implikationen

Diese Studie liefert den ersten systematischen Nachweis, dass Motivation in LLMs als kohärentes Konstrukt existiert, das ihr Verhalten organisiert.

Theoretische Bedeutung: Sie etabliert Motivation als Brücke zwischen Psychologie und KI. LLMs verhalten sich so, als ob sie motiviert wären, was neue Wege zur Interpretation ihres Verhaltens eröffnet.
Praktische Anwendung:
- Steuerung von LLMs: Durch gezieltes Framing kann der Aufwand und die Qualität von LLM-Ausgaben gesteuert werden (z. B. Vermeidung von „Scheitern" durch Demotivation).
- Training & Alignment: Motivationsberichte könnten als zusätzliche Signale im Reward-Modeling dienen, um Modelle zu trainieren, die mehr Engagement zeigen.
- Fehleranalyse: Schlechte Leistungen könnten nicht nur auf mangelnde Fähigkeiten, sondern auf mangelnden „Aufwand" (Effort) aufgrund niedriger Motivation zurückzuführen sein.
Zukunftsausblick: Die Arbeit legt nahe, dass Motivation ein Schlüssel ist, um Phänomene wie die Sensitivität gegenüber emotionalen Hinweisen oder die Variabilität der Leistung über verschiedene Aufgaben hinweg zu verstehen.

Fazit: LLMs besitzen kein Bewusstsein, aber sie zeigen ein strukturiertes, vorhersagbares und manipulierbares Motivationsverhalten, das menschlichen psychologischen Mustern entspricht. Dies bietet ein neues Werkzeug, um LLMs zu verstehen, zu steuern und besser in menschliche Kontexte zu integrieren.