2025_NIPS_Generating Computational Cognitive Models using Large Language Models

文章核心总结该研究提出GeCCo（Guided generation of Computational Cognitive Models）pipeline，利用大型语言模型（LLMs）生成计算认知模型，在决策、学习、规划、记忆四大认知领域，其生成模型的预测性能均达到或超越文献中最优的领域特定模型，且具有可解释性强、效率高的特点。核心内容背景痛点：传统计算认知模型需人工设计，耗时耗力且受研究者理论偏见限制，难以探索更广泛的模型空间。GeCCo pipeline：输入任务描述、参与者数据和代码模板，通过10轮迭代生成Python函数形式的认知模型，每轮基于贝叶斯信息准则（BIC）反馈优化模型，避免重复且提升拟合效果。实验验证：采用Llama 3.1 70B、Qwen 72B、R1 70B三款LLM，在四类人类行为数据集上测试，生成模型在BIC分数和超越概率（EXP）上表现优异，且通过后验预测检验验证有效性。控制实验：证实迭代反馈和LLM推理能力是性能核心驱动因素，无数据污染，能从模拟数据中恢复真实模型，捕获的可解释方差与认知科学基础模型CENTAUR相当。创新点首次实现LLM驱动的通用认知模型生成：跨四大认知领域通用，无需针对特定任务定制，大幅降低模型开发门槛。