auto-psych: Automating the science of mind using agent-driven theory discovery and experimentation
Dieses Paper stellt „auto-psych“ vor, ein agentengesteuertes System, das die vollständige wissenschaftliche Pipeline in der computergestützten Kognitionswissenschaft durch die Verwendung verschachtelter Schleifen automatisiert, um Experimente zu entwerfen, crowdsourced menschliche Daten zu sammeln und Theorien zu entdecken, die die bestehende Literatur zur Erklärung menschlichen Verhaltens übertreffen.
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 ein wissenschaftliches Labor vor, in dem die Forscher Roboter sind, die Experimentatoren Roboter sind und die Personen, die die Tests durchführen, echte Menschen sind. Dies ist der Kern von auto-psych, einem neuen System, das in der Arbeit beschrieben wird und versucht, den gesamten Prozess der Entdeckung, wie der menschliche Geist funktioniert, zu automatisieren.
Hier ist eine einfache Aufschlüsselung der Funktionsweise, unter Verwendung alltäglicher Analogien.
Das große Problem: Der „menschliche Flaschenhals“
Normalerweise müssen Wissenschaftler, wenn sie den Geist verstehen wollen, Folgendes tun:
- Eine Theorie vermuten (z. B. „Menschen denken, dass X zufällig ist, weil...“).
- Einen Test dafür entwerfen.
- Echte Menschen rekrutieren, die den Test absolvieren.
- Die Ergebnisse analysieren und die Theorie anpassen.
Der langsame Teil ist Schritt 3. Menschen zu finden, sie zu bezahlen und darauf zu warten, dass sie fertig werden, kostet Zeit. Auto-psych versucht, den Menschen als Wissenschaftler aus dieser Schleife zu entfernen. Es nutzt KI-Agenten für das Vermuten, das Entwerfen und das Analysieren, während nur die Teilnehmer (die Menschen, die Knöpfe klicken) menschlich sind.
Der Testfall: „Was sieht zufällig aus?“
Um dieses System zu testen, wählten die Autoren ein klassisches Rätsel: Münzwürfe.
Wenn man eine Münze wirft, sind Sequenzen wie HTHTHT und HHHTTT mathematisch gesehen gleichermaßen wahrscheinlich. Aber Menschen denken das nicht. Wir denken meistens, dass HTHTHT weniger zufällig aussieht, weil es zu geordnet ist, und HHHTTT verdächtig wirkt.
Das Ziel war es zu sehen, ob die KI herausfinden kann, warum Menschen diese Entscheidungen treffen – und zwar besser als die Theorien, die Menschen bereits in Lehrbüchern aufgeschrieben haben.
Die Zwei-Schleifen-Maschine
Das System arbeitet wie eine Fabrik mit zwei ineinander verschachtelten Fließbändern (Schleifen):
1. Die äußere Schleife: Der „Laborleiter“
Betrachten Sie diesen Agenten als Projektmanager, der die ganze Show leitet.
- Die Aufgabe: Er betrachtet alle aktuellen Theorien (Modelle) und fragt: „Welches Experiment sollten wir als Nächstes durchführen, um diese Theorien voneinander zu unterscheiden?“
- Die Aktion: Er wählt die besten „Fragen“ (Münzwurf-Sequenzen), die den Menschen gestellt werden sollen. Er schreibt dann automatisch den Code für eine Website, postet sie auf einer Crowdsourcing-Seite (wie Prolific), wartet, bis 40 Personen fertig sind, und lädt die Antworten herunter.
- Das Ziel: Neue Daten so schnell wie möglich zu erhalten, um die Theorien zu testen.
2. Die innere Schleife: Das „Kritik- & Verfeinerungs-Team“
Sobald die Daten eintreffen, übernimmt die innere Schleife. Hier agiert die KI als strenger Editor und kreativer Autor.
- Der Kritiker: Er betrachtet die beste aktuelle Theorie und versucht, sie zu brechen. Er simuliert, was die Theorie vorhergesagt haben sollte, und vergleicht dies mit dem, was die Menschen tatsächlich getan haben. Wenn die Theorie scheitert, einen spezifischen Muster zu erklären (z. B. „Sie hat nicht vorhergesagt, dass Menschen lange Folgen von Köpfen hassen“), markiert der Kritiker dies.
- Der Theoretiker: Basierend auf den Notizen des Kritikers schreibt dieser Agent eine neue Theorie, um den spezifischen Fehler zu beheben. Er übersetzt eine neue Idee in Computercode (ein probabilistisches Modell).
- Das Ergebnis: Die neue, verbesserte Theorie wird der Liste hinzugefügt, und die äußere Schleife bereitet sich darauf vor, sie erneut zu testen.
Was haben sie herausgefunden?
Die Forscher ließen das System durch drei Runden von Experimenten mit echten Menschen laufen. Hier ist, was passierte:
- Es funktioniert bei „falschen“ Daten: Zuerst testeten sie das System mit Daten, die von einem bekannten „Ground Truth“-Computermodell generiert wurden. Das System fand das exakte Modell erfolgreich, was bewies, dass es funktioniert.
- Es schlägt menschliche Theorien: Als sie das System mit echten menschlichen Daten laufen ließen, entdeckte die KI neue Theorien, die das menschliche Verhalten besser erklären als die berühmten Theorien, die man in Psychologie-Lehrbüchern findet.
- Beispiel: Eine der gewinnenden Theorien, die die KI fand, wurde „Minkowski-Typicality“ genannt. Sie deutete darauf an, dass Menschen Zufälligkeit bewerten, indem sie eine Sequenz mit einem mentalen „Prototyp“ von Zufälligkeit vergleichen, aber Unterschiede auf eine sehr spezifische mathematische Weise bestrafen (irgendwo zwischen zwei Arten von Distanzmessungen).
- Die verschachtelte Struktur ist entscheidend: Als die Forscher die „Innere Schleife“ (das Kritik- & Verfeinerungs-Team) ausschalteten und nur die äußere Schleife laufen ließen, schnitt das System viel schlechter ab. Dies beweist, dass das Hin und Her zwischen dem Entwerfen von Experimenten und dem Kritisieren von Theorien für den Erfolg essenziell ist.
Das Fazit
Die Arbeit zeigt, dass es möglich ist, eine vollautomatische wissenschaftliche Schleife aufzubauen, in der KI-Agenten Experimente entwerfen, echte menschliche Daten sammeln und neue Theorien darüber entdecken, wie der Geist funktioniert.
In diesem speziellen Fall hat die KI nicht nur menschliche Ideen kopiert; sie fand eine etwas bessere Erklärung dafür, warum wir manche Münzwürfe als zufälliger empfinden als andere. Die Autoren merken an, dass dies zwar ein Beweis für die Machbarkeit (Proof-of-Concept) für ein einzelnes Problem ist, es aber zeigt, dass KI letztendlich helfen kann, riesige Räume des menschlichen Verhaltens viel schneller zu erforschen, als es menschliche Wissenschaftler allein könnten.
Wichtiger Hinweis: Die Arbeit beschränkt ihre Ansprüche strikt auf dieses spezifische „Münzwurf“-Experiment und die Fähigkeit, Theorien zu rekonstruieren. Sie behauptet nicht, dass das System bereits in der Lage ist, psychische Probleme zu diagnostizieren, Bildung zu verbessern oder komplexe reale Probleme außerhalb dieses spezifischen kognitionswissenschaftlichen Testfeldes zu lösen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.