25. September 2026
Große Sprachmodelle (LLMs) spielen eine immer wichtigere Rolle in menschlichen Entscheidungen und Kommunikation. Dennoch ist es eine Herausforderung, ihre Verhaltensmuster systematisch zu erfassen. Eine neue Studie stellt nun einen länderübergreifenden, psychometrischen Profiling-Ansatz vor, um genau dies zu tun.
Es wurden neun verschiedene LLMs unter Verwendung von sieben psychologischen Instrumenten in chinesischer und englischer Sprache bewertet. Jedes Modell wurde fünfmal getestet. Die Analyse berücksichtigte sowohl bewertete als auch nicht zuzuordnende Antworten, um Reaktionstendenzen und die Grenzen der Selbstanwendbarkeit zu identifizieren. Dabei zeigte sich, dass LLMs strukturierte, modellspezifische Profile aufweisen.
Ein übergreifendes Muster war eine Tendenz zu prosozialem und selbstregulierendem Verhalten sowie eine geringere Ausprägung von Dominanz, Desengagement und schädlichen Absichten. Interessanterweise waren auch die nicht zuzuordnenden Antworten strukturiert, was auf Situationen hinweist, in denen die Ausgaben als unzutreffend angesehen wurden, verweigert wurden oder nicht den gültigen Antwortoptionen entsprachen.
Sprache und Herkunft des Anbieters beeinflussten die Profilkonfiguration und die Beantwortbarkeit, während wiederholte Tests eine hohe Reproduzierbarkeit zeigten und die Identifizierung der Modelle ermöglichten. Die Ergebnisse unterstreichen, dass diese Verhaltenssignaturen kontextabhängig sind.
- LLMs wurden mit psychometrischen Tests in Chinesisch und Englisch profiliert.
- Neun LLMs wurden mit sieben psychologischen Instrumenten getestet, um Verhaltensmuster zu identifizieren.
- Die Modelle zeigen spezifische Profile mit einer Tendenz zu prosozialem Verhalten.
- Nicht zuzuordnende Antworten geben Aufschluss über Grenzen und Ablehnungen der Modelle.
- Die Sprache und der Anbieter haben Einfluss auf die Profilkonfiguration.
- Die Ergebnisse sind reproduzierbar, die Verhaltenssignaturen jedoch kontextabhängig.
👉 Zum ganzen Artikel: Measuring Behavioural Signatures of Large Language Models through Psychometric Profiling