在本研究中，作者检验了大型语言模型（LLM）在模拟人类道德判断时，是否也会复制随之而来的动机归因。实验选取了五种主流 LLM（包括 GPT‑4、Claude、Llama‑2 等）以及两组人类样本（分别为 N=125 和 N=742），让他们评估一名医生在面对欺诈性收费时的行为：保持沉默、向医院、监管机构或报纸举报。结果显示，所有模型都能够复制人类对医生道德品质的整体排序，但在动机描述上出现系统性偏差：模型倾向于把举报者描绘得更为助人、较少自利、也更不具敌意；而在四个模型中，竞争动机与道德评价的关联度明显低于人类。即使在提示中加入了与人类样本相同的情境叙事和人口特征，模型的评分变化仍然很小，说明平均评分的一致性可能掩盖了动机归因、判断之间的关系以及情境敏感性的差异。因此，若要将 LLM 视为心理实验的模拟参与者，仅凭平均一致性不足以验证其有效性，需要进一步检验其在心理学上有意义的响应模式。
点评