Psychological Imagination Networks Show Cross-Population Centrality and Clustering Alignment in Humans That Large Language Models Fail to Replicate

📄 arXiv: 2510.04391 📥 PDF

作者: Saurabh Ranjan, Brian Odegaard

分类: cs.AI, cs.CL, cs.SI, bio.NC

发布日期: 2026-07-05

💡 一句话要点

提出心理想象网络以解决人类与大型语言模型的想象结构差异问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 心理想象 大型语言模型 心理网络分析 生动性问卷 中心性 社区结构 认知科学 人工智能

📋 核心要点

  1. 现有大型语言模型在模拟人类心理想象网络时存在显著不足，无法有效复制人类的想象结构。
  2. 通过心理网络分析，结合生动性问卷数据，构建人类与LLM的想象网络，比较其中心性和社区结构。
  3. 实验结果显示，人类网络在中心性和社区结构上具有显著的跨人群一致性，而LLM则表现出弱相关性和单一聚类结构。

📝 摘要（中文）

心理想象的生动性是一个稳定的个体特征，但人类与合成大型语言模型（LLM）在想象场景的关系结构上是否存在共性尚不清楚。本文通过心理网络分析，利用两种经过验证的问卷（VVIQ-2和PSIQ），对来自不同地理和语言背景的人类样本（共2743人）和六种大型语言模型进行研究。结果表明，人类网络在中心性和社区结构上表现出强烈的跨人群相关性，而LLM未能复制人类的网络结构，显示出其在想象网络的表现上存在显著差异。

🔬 方法详解

问题定义：本文旨在探讨人类与大型语言模型在心理想象网络结构上的差异，现有方法未能有效揭示这种差异的根源。

核心思路：通过心理网络分析，利用生动性问卷数据构建人类和LLM的想象网络，比较其中心性和社区结构，以揭示人类想象的独特性。

技术框架：研究采用正则化的偏相关图构建想象网络，使用皮尔逊相关和调整兰德指数（ARI）比较不同人群的网络特征，分析中心性和社区结构。

关键创新：本研究首次揭示了人类想象网络在跨人群中心性和聚类结构上的一致性，而LLM则未能复制这一结构，显示出其在想象能力上的局限性。

关键设计：采用VVIQ-2和PSIQ问卷收集生动性评分，构建网络时使用正则化偏相关方法，分析中心性时关注影响力、强度和接近度等指标。

📊 实验亮点

实验结果显示，人类网络在中心性相关性上表现出强烈一致性（r = 0.31-0.93），而LLM的中心性相关性则较弱且大多不显著（中位ARI = 0），表明LLM在模拟人类想象网络方面存在显著不足。

🎯 应用场景

该研究的发现为理解人类心理想象的独特性提供了新的视角，可能对心理学、认知科学以及人工智能领域的模型设计和评估产生深远影响。未来，研究结果可用于改进大型语言模型的设计，使其更好地模拟人类的想象能力。

📄 摘要（原文）

Mental imagery vividness is a stable individual trait, yet whether imagined scenarios share relational structure across human and synthetic large language model (LLM) populations remains unknown. We applied psychological network analysis to vividness ratings from two validated questionnaires: the Vividness of Visual Imagery Questionnaire (VVIQ-2) and the Plymouth Sensory Imagery Questionnaire (PSIQ), across geographically and linguistically distinct human samples (Florida, Poland, and London; total N = 2,743) and six large language models (LLMs; Gemma3-12B/27B, their quantization-aware counterparts, Llama3.3-70B, and Llama4-16x17B). Imagination networks were constructed as regularized partial correlation graphs, with node centrality and community structure compared across populations using Pearson correlations and the Adjusted Rand Index (ARI). Human networks showed robust cross-population centrality correlations for expected influence, strength, and closeness (r = 0.31-0.93), and community detection recovered clusters aligned with VVIQ-2 scene contexts (ARI = 0.27-0.40) and PSIQ sensory modalities (ARI = 0.87-1.0). Betweenness centrality was unstable across all populations, consistent with its sensitivity to individual experiential history. LLMs failed to replicate human network structure: LLM-human centrality correlations were weak and largely non-significant after correction, and most LLM configurations produced degenerate single-cluster topologies (median ARI = 0). This failure was consistent across model architectures, parameter scales (12B-272B), and conversational conditions. We posit that these findings may be driven by human imagination networks reflecting memory organization accumulated through embodied experience, a representational structure that linguistic training alone does not reproduce regardless of model scale and conversational memory.