Проверенный исследовательский разбор
Когнитивные искажения в LLM: что на самом деле показывают исследования
Современные исследования показывают, что ответы больших языковых моделей могут воспроизводимо демонстрировать паттерны, похожие на известные когнитивные искажения. Но одинаковое название эффекта не означает одинаковый психологический механизм, а результат сильно зависит от модели, задачи, промпта и контекста диалога.
Канонический статус: reviewed synthesis · опубликовано 2026-08-18
Что изменилось
Разговор об искажениях в LLM вышел за пределы нескольких эффектных примеров. В исследовании 2025 года проверили 30 когнитивных искажений на 20 крупных языковых моделях, использовав 30 000 сгенерированных тестов. Для каждого проверяемого искажения признаки находились хотя бы у части моделей. Это не означает, что каждая модель показывает каждое искажение, и тем более не доказывает, что модель «думает как человек». Но такие паттерны уже можно изучать систематически, а не по нескольким удачным скриншотам.
Более новые работы проверяют, когда именно проявляются такие эффекты. В препринте 2026 года предвзятое рассуждение в предыдущей реплике пользователя увеличивало последующее выражение искажения у шести из восьми протестированных моделей по сравнению с zero-shot условием. Другой benchmark 2026 года показал, что debiasing на уровне промпта помогал для одних групп искажений, но ухудшал результаты для некоторых judgment biases.
Почему для агентов это важнее, чем для одного ответа
Следующий важный шаг — изучать не отдельный ответ, а агента, который последовательно принимает операционные решения. AIM-Bench, препринт 2025 года, оценивает LLM-агентов в роли менеджеров запасов в условиях неопределённости и сообщает о паттернах вроде framing и pull-to-centre. Даже небольшая склонность становится практической проблемой, если агент повторяет её десятки или сотни раз.
Поэтому полезный вопрос звучит не «есть ли у ChatGPT человеческое когнитивное искажение?», а «возникает ли воспроизводимый паттерн решения, при каких условиях он появляется и что человеку нужно проверить перед тем, как положиться на результат?». Такой вопрос можно тестировать и использовать в реальной работе.
Чего из этих исследований не следует
Нельзя делать вывод, что LLM мыслит как человек только потому, что её ответы подходят под тот же экспериментальный ярлык. Похожее поведение может возникать из совершенно разных механизмов.
Не стоит также сводить модель к одному показателю «насколько она предвзята». Исследования используют разные задачи и определения, а результаты меняются с семейством модели, сложностью задания и контекстом промпта. Несколько наиболее интересных результатов 2026 года пока остаются препринтами, поэтому их правильнее считать сигналами для дальнейшей проверки, а не установленными учебниковыми фактами.
Практический вывод
Если ИИ помогает принимать решение, сохраняйте исходный вопрос, первое число или рекомендацию, последующие уточнения и финальный ответ. Тогда можно проверить, насколько результат зависит от порядка информации, формулировки и предыдущих реплик, а не спорить о «характере» модели.
Для важных решений полезнее тестировать одну конкретную уязвимость — например anchoring, confirmation bias, automation bias или влияние повторения — чем доверять общему обещанию «debiasing prompt». Интервенция, которая помогает в одной задаче, может не помогать в другой.
Источники
На чём основан разбор
- A Comprehensive Evaluation of Cognitive Biases in LLMs · 2025 · peer-reviewed conference paper
- CogBias: Measuring and Mitigating Cognitive Bias in Large Language Models · 2026 · preprint
- Conditional Cognitive Biases in LLMs: How Biased User Turns Modulate In-Context Reasoning · 2026 · preprint
- AIM-Bench: Evaluating Decision-making Biases of Agentic LLM as Inventory Manager · 2025 · preprint
Названия научных работ оставлены на языке публикации. Русский текст сохраняет выводы и ограничения канонического синтеза, а не заменяет первичные источники.
Связанные понятия