arXiv cs.CL· Stefano Epifani (Digital Transformation Institute, Rome, Italy, Department of Communication and Social Research, Sapienza University of Rome, Italy), Giuliano Castigliego (Digital Transformation Institute, Rome, Italy, Psychoanalytic Academy of Italian-Speaking Switzerland, Chur, Switzerland), Giuliano Razzicchia (Digital Transformation Institute, Rome, Italy), Elisabeth Seiwald-Sonderegger (Psychiatric Services of the Canton of Grisons, Chur, Switzerland), Laura Kecskem\'eti (Psychiatric Services of the Canton of Grisons, Chur, Switzerland)·· 12 小时前AI 评分34
GPT-4.1 能复现心理化的语言结构：LLM“算法反思性”研究
Algorithmic Reflectivity in Large Language Models: Methodological Study of Linguistic Structure in Mentalization
AI 导读
研究用 GPT-4.1 在标准化条件下生成 50 段人机对话及叙事性心理化画像，5 名受训精神科医生按 4 个 MBT 轴和 2 个高阶维度独立评分，均分 3.63-3.98，评估域 ICC(3,k) 为 0.60-0.84。
正文 · AI 翻译
作者：Stefano Epifani（1 和 2），Giuliano Castigliego（1 和 3），Giuliano Razzicchia（1），Elisabeth Seiwald-Sonderegger（4），Laura Kecskeméti（4）（（1）意大利罗马数字化转型研究所，（2）意大利罗马 Sapienza 大学传播与社会研究系，（3）瑞士意大利语区精神分析学院，库尔，（4）瑞士格劳宾登州精神病学服务中心，库尔）
摘要：心智化是人类的一项核心能力，涉及依据潜在心理状态来解读自身及他人的行为。大语言模型（LLM）能够生成具有语言反思性的论述，这引出了一个问题：心智化的形式语言结构能否在没有体验性和情感性过程的情况下被复现。本研究评估了 LLM 能否生成在结构上与心智化治疗（MBT）各维度相一致、并被临床专家认定为在形式上具有心智化特征的心智化画像。在标准化条件下，使用 GPT-4.1 生成了 50 段人机对话；在每段对话结束时，模型生成一份叙事性心智化画像。五位接受过 MBT 培训的精神科医生独立对每份画像在 4 个经典 MBT 轴和 2 个高阶维度（调节功能、综合画像）上的评价一致性和论证一致性进行评分。评分者间信度采用 ICC(3,k) 评估。平均得分在 3.63 至 3.98 之间，表明中到高度的结构一致性；评价领域的 ICC(3,k) 在 0.60 至 0.84 之间。评价一致性与论证一致性高度相关（Pearson r 0.826-0.967）。采用对话-画像不匹配配对的阴性对照仅得到极低的评分。临床医生将这些输出描述为语言组织良好且具有临床可解释性，但情感变异性和情境整合有限。研究结果表明，LLM 能够复现反思性论述的形式语言结构——我们将这一现象称为算法反思性——它似乎更符合结构性语言规律，而非体验性或意向性过程。LLM 可作为研究心智化语言层面的研究和培训工具。
| 评论： | 发表于 JMIR AI 2026;5:e90750 的版本，此 https URL。依据 Creative Commons Attribution cc-by 4.0 许可。3 个表格，1 幅图。原题：“The Linguistic Architecture of Reflective Thought: Evaluation of a Large Language Model as a Tool to Isolate the Formal Structure of Mentalization” |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2512.08945 [cs.CL] |
| （或 arXiv:2512.08945v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.08945 arXiv 颁发的 DOI 通过 DataCite |
|
| 期刊 参考： | JMIR AI 2026;5:e90750 |
| 相关 DOI： | https://doi.org/10.2196/90750
链接到相关资源的 DOI |
提交历史
来自：Stefano Epifani [查看邮箱]
[v1]
2025 年 11 月 20 日周四 23:51:34 UTC（260 KB）
[v2]
2026 年 10 月 20 日周二 21:10:31 UTC（313 KB）
来源：arXiv cs.CL · arxiv.org