AIと心理学・認知科学の研究潮流：機械心理学とLLMの認知モデル化（2024–2026）

大規模言語モデル（LLM）と心理学・認知科学の交差で 2024–2026 に立ち上がった研究潮流を、査読論文と主要プレプリント 30 件の軽量スコーピングで整理した統合要約。各文献の完全な書誌は末尾「参照文献」を参照（DOI/URL つきで追跡可能）。出典追跡・確度・到達確認手段つきの内部作業台帳は source/review/ai-psychology-cognitive-science-trends/papers.md（リポジトリ内部・非公開）。隣接する研究潮流は ai-social-science-research-trends と ai-education-learning-sciences-trends を、産業と学術の技能格差の討議は ai-cognition-skill-gap-debate を参照。心理・認知科学の研究潮流そのものを扱う本ノートとは範囲を分ける。収集規約: .claude/rules/collection-protocol.md（T1 査読優先・捏造ゼロ・出典追跡）。

同じモデルに、片方は6歳児並みの心の理論を見いだし、もう片方は課題文を一言変えるだけの失敗を見いだす。 2023 年から 2024 年にかけて、心の理論をめぐる LLM 研究はこの二枚の像を同時に生んだ（Kosinski 2024, PNAS ／ Ullman 2023 ／ Strachan et al. 2024, Nature Human Behaviour）。どちらが正しいかではなく、なぜ同じ対象からこれほど食い違う像が出るのかが、この分野の中心の問いになった。

問いの出どころは、心理学の課題を人間ではなく機械に課すという発想にある。 Hagendorff らは 2023 年にこれを 機械心理学（machine psychology）と名づけ、心理学のサブフィールドを横断して LLM の創発的な振る舞いを調べる方法論的プログラムとして提案した（Hagendorff et al. 2023/2024, arXiv）。ほぼ同時に Binz と Schulz は 2023 年の PNAS で、意思決定や情報探索の古典課題を GPT-3 に課し、標準的なヴィネットでは人間水準に達する一方で、論理的に等価な小さな変形を加えると成績が崩れることを示した（Binz & Schulz 2023, PNAS）。この「標準課題では通るが、変形に脆い」という所見が、以後の論争の型を先取りしている。

本ノートは、この交差で 2024–2026 に現れた研究を四つのクラスタで追う。機械心理学とその方法論論争、LLM を人間認知のモデルや理論とする研究とその批判、human-AI 相互作用の心理学、そして認知科学の方法論そのものの転換である。主張はいずれも出典に紐づけ、査読前のプレプリントは本文でも [未査読] と明示する。

機械心理学：課題は通るが、変形に脆い

機械心理学の実証は、心の理論（theory of mind）で最も鋭く割れた。 Kosinski は 2024 年の PNAS で、GPT-4 級のモデルが誤信念課題で6歳児相当の成績を示すと報告した（Kosinski 2024, PNAS）。これに対し Ullman は 2023 年、課題文を「論理的には等価だが表面形式を変えた」変形版に差し替えるだけでモデルが失敗することを示し、成績が表面的なヒューリスティックへの依存で説明されうると論じた（Ullman 2023, arXiv, [未査読]）。

決着に近づいたのは、人間との大規模な直接比較である。 Strachan らは 2024 年の Nature Human Behaviour で、GPT 系と LLaMA2 系を人間 1,907 名と比較し、誤信念、間接要求、アイロニー、フォーパといった複数の心の理論課題で系統的にテストした（Strachan et al. 2024, Nature Human Behaviour）。 GPT-4 は誤信念と間接要求では人間水準に届いた一方、LLaMA2 が一部の課題で見せた優位は、無知を過剰に帰属するバイアスの産物だと後続の操作で切り分けられた。同じ「人間並み」でも、正しく解けている場合と、たまたま採点に有利な偏りが噛み合っている場合があるという指摘である。

心の理論の外でも、同様の両義性が繰り返し報告された。 Suri らは 2024 年、係留、代表性、利用可能性、フレーミング、保有効果といった認知的ヒューリスティックを GPT-3.5 が人間類似のパターンで示すことを実証した（Suri et al. 2024, JEP: General）。人間のバイアスを機械が模すこと自体は、心理実験パラダイムが LLM に適用できることの傍証になる。ただしそれは、機械が人間の認知過程を共有していることの証明にはならない。

方法論の側では、心理学の道具立てを LLM に向けること自体への警戒が組織化された。 Abdurahman らは 2024 年の PNAS Nexus で、この実践を GPTology と名づけて機会とリスクを整理し、LLM を「心のモデル」として扱う用法と、テキスト分析の「道具」として扱う用法を区別すべきだと論じた（Abdurahman et al. 2024, PNAS Nexus）。 Gao らは 2025 年の PNAS で、LLM を人間参加者の代替に使う研究を批判的に検討し、単純なシナリオでも人間と一貫せず、応答が特異的（idiosyncratic）であることを実証した（Gao et al. 2025, PNAS）。語彙の側から警鐘を鳴らしたのが Shanahan で、2024 年の Communications of the ACM で、“knows” や “believes” のような哲学的に負荷のある動詞を LLM に充てること自体が擬人化バイアスを生む構造を分析した（Shanahan 2024, CACM）。「理解」という語の使い方をめぐる論争を早くに整理していたのは Mitchell と Krakauer で、彼らは 2023 年に、理解の様式は一つではないという比較知性の枠組みを提案していた（Mitchell & Krakauer 2023, PNAS）。

LLMを認知のモデルにする：加速する実装と、その正当性への異議

機械心理学が「LLM は人間のように振る舞うか」を問うのに対し、もう一つの潮流は「LLM を人間認知のモデルそのものにできるか」を問う。この方向の到達点が、2025 年に Nature に出た Centaur である（Binz et al. 2025, Nature）。 Binz らは、60,000 名超の参加者による約 1,060 万回の選択を 160 実験から集めたデータセット Psych-101 で LLM をファインチューニングし、保留した参加者の行動を既存の認知モデルより高精度で予測できることを示した。 Centaur は訓練で見ていない課題変形や新しい実験ドメインにも汎化し、ファインチューニング後の内部表現は人間の脳活動との整合が改善した。これは、2024 年に同じ著者らが ICLR で示した「心理実験データで LLM を認知モデルに変える」概念実証（Binz & Schulz 2024, ICLR）を、Nature 規模のデータ駆動へ発展させたものである。

言語をめぐっては、LLM が理論に持ち込む含意が正面から議論された。 Mahowald らは 2024 年の Trends in Cognitive Sciences で、文法やパターンの知識である 形式的言語能力 と、世界のなかで言語を使い理解する 機能的言語能力 を区別し、LLM は前者が高水準で後者が不安定だという非対称を神経科学の枠組みで整理した（Mahowald et al. 2024, TiCS）。言語習得の側では、Contreras Kallens らが 2023 年の Cognitive Science で、LLM が先天的な文法の想定なしに文法的な言語を習得しうる証拠を整理し、統計的学習が言語習得の多くを説明しうると論じた（Contreras Kallens et al. 2023, Cognitive Science）。意味の担い手についても積極論があり、Piantadosi と Hill は、意味は外部の指示対象ではなく内部状態間の関係で定義されるという概念ロール意味論の立場から、LLM が意味を捉えている可能性を論じた（Piantadosi & Hill 2022, arXiv, [未査読]）。

この積極論には、認知科学と言語学の側からの体系的な反論が付いている。 Katzir は 2023 年に、LLM は人間の学習バイアス、類型論的パターン、能力と遂行の区別、確率と文法性の混同といった点で根本的に失敗しており、人間の言語認知の理論としては貧しいと論駁した（Katzir 2023, Biolinguistics）。より一般的な水準では、van Rooij らが 2024 年に、工学的な AI が認知科学の理論構築を侵食していると批判し、AI を計算理論と計算量の水準で吟味しなおす理論ツールとして再定義するよう提言した（van Rooij et al. 2024, Computational Brain & Behavior）。 Guest と Martin は、AI が人間の脳や行動を再現したときに、性能の類似から認知過程の同一を推す推論の飛躍を「モデルの論理」の乱用として体系化した（Guest & Martin 2023, Computational Brain & Behavior）。

反論と積極論のあいだで、実装研究の一部は自らモデルの限界を可視化している。 Oh と Schuler は 2023 年、大規模な言語モデルほどパープレキシティが下がるのに、そのサプライザル推定が人間の読み時間との相関を単調に落とすことを示し、原因を大量学習による記憶効果に求めた（Oh & Schuler 2023, TACL）。「より賢いモデル」が「より良い認知モデル」とは限らないという、スケーリングと認知的妥当性の乖離である。中立的な立場としては、McGrath らが 2024 年に、深層ネットワーク内部の解釈可能性研究が示す高次表現を「情報提供的な実装」として理論の確認や仮説生成に使えると論じ、批判側と実装側を架橋しようとした（McGrath et al. 2024, Current Directions in Psychological Science）。

human-AI相互作用の心理学：協働の目減りと、認知の負債

心理学の対象は、機械の中だけでなく、人間と機械のあいだにも移った。協働の効果を最も広く測ったのが Vaccaro らで、2024 年の Nature Human Behaviour に、106 研究と 370 効果量を対象とするプレレジ済みメタ分析を報告した（Vaccaro et al. 2024, Nature Human Behaviour）。平均すると、人間と AI の組み合わせは、人間単独と AI 単独のうち良いほうを下回った（Hedges’ g = −0.23, 95% 信頼区間 −0.39 〜 −0.07）。ただし効果は課題で分かれ、意思決定の課題では損失が、コンテンツ生成の課題では改善が見られた。「二つ合わせれば強い」という素朴な期待が、平均としては裏切られる領域があるという所見である。

信頼と依存の側では、AI だと知ること自体が判断を歪める過程が測られた。 Klingbeil らは 2024 年、インセンティブ付きの行動実験で、助言が「AI のもの」だと知るだけで、文脈情報や自分の判断に反してまで従う過信が生じ、第三者に不利益が及ぶ場合すらあることを示した（Klingbeil et al. 2024, Computers in Human Behavior）。 Lee らは 2025 年の PNAS Nexus で、AI の側の メタ認知的感度、すなわち自らの確信度を正確に見積もる能力が、人間の信頼較正と意思決定精度の鍵になると論じ、AI が高い確信度を示すと誤りであっても人間が信頼を上げてしまう問題を指摘した（Lee et al. 2025, PNAS Nexus）。擬人化そのものの帰結を論じたのが Marchegiani で、2025 年に、会話型 AI への擬人化が生む虚偽信念が、ツールとしての実害とは独立にユーザーの自律性を損なうと哲学的に論じた（Marchegiani 2025, Journal of Applied Philosophy）。

説得の非対称も、この時期に定量化された。 Salvi らは 2025 年の Nature Human Behaviour で、プレレジ済みの討論 RCT により、GPT-4 が人間相手の場合より 64.4% 多く相手を説得しえたと報告し、相手の社会人口統計に合わせてパーソナライズするとオッズ比が 81.2% 増したことを示した（Salvi et al. 2025, Nature Human Behaviour）。

依存が人間の認知に残す影響は、2025 年に相次いで報告された。 Gerlich は 2025 年、666 名の混合法で、AI 利用の頻度と批判的思考の指標に有意な負の相関があり、認知的オフロードがその媒介になること、そして若年層でこの傾向が強いことを示した（Gerlich 2025, Societies）。 Lee らは 2025 年の CHI で、ナレッジワーカー 319 名の 936 事例から、GenAI への高い信頼が批判的思考の省力化と結びつき、批判的思考の重心が情報の収集から検証へ、問題解決から応答の統合へ、実行から監督へ移っていることを記述した（Lee et al. 2025, CHI）。神経の水準では、Kosmyna らが 2025 年に、エッセイ執筆課題での脳波（EEG）計測により、LLM を使った群が脳内ネットワークの連結性が最も弱く、語彙や構造の多様性も落ちることを示し、この蓄積を 認知的負債（cognitive debt）と呼んだ（Kosmyna et al. 2025, arXiv, [未査読]）。長期の心理社会的影響についても、Fang らが 2025 年に、981 名を対象とする4週間のランダム化比較試験で、自発的な高頻度利用が孤独感、依存、問題的利用の増大と関連することを報告した（Fang et al. 2025, arXiv, [未査読]）。

認知科学の方法論的転換：道具か、被験者か、モデルか、反例か

四つ目の潮流は、個々の知見ではなく、心の科学の方法論そのものを問い直す。出発点となる枠組みは、Rahwan らが 2019 年に Nature で提唱した machine behaviour で、機械の振る舞いを行動科学と社会科学と計算機科学の横断で研究する領域を立てた（Rahwan et al. 2019, Nature）。 2024 年、この枠組みは LLM の登場で認識論的なリスク論へと展開する。 Messeri と Crockett は 2024 年の Nature で、AI が科学的理解の錯覚を生む機構を、AI を託宣とみなす用法、代理とみなす用法、定量装置とみなす用法、着想装置とみなす用法の四類型で分類し、AI への依存が研究の多様性を痩せさせる 科学的モノカルチャー のリスクを警告した（Messeri & Crockett 2024, Nature）。

LLM を人間参加者の代わりに使えるかという問いは、この時期の方法論論争の中心になった。先駆けは Argyle らが 2023 年に示した silicon sampling で、人口統計的な設定で LLM を条件付ければ実際の調査回答の分布を再現できるとし、その一致度を algorithmic fidelity と名づけた（Argyle et al. 2023, Political Analysis）。心理学の側では Dillion らが 2023 年の Trends in Cognitive Sciences で、LLM が人間参加者を代替できるのはどのような場合かという条件モデルを提示した（Dillion et al. 2023, TiCS）。社会科学全体への展望としては、Bail が 2024 年の PNAS で、生成 AI が調査、オンライン実験、コンテンツ分析、エージェントベースモデルを改善しうる可能性と、偏見や再現性のリスクを併記した（Bail 2024, PNAS）。

代替の実現可能性を実証で押し上げたのが、生成エージェントによる個人のシミュレーションである。 Park らは 2024 年、1,052 名へのインタビューに基づく LLM エージェントが、本人の2週間後の回答と 86% の一致率を示し、人格や経済行動の予測で人口統計ベースラインを上回ると報告した（Park et al. 2024, arXiv, [未査読]）。大規模な再現の側では、Cui らが 2025 年の Nature Computational Science で、156 件の心理学実験を複数の LLM で再現し、主効果の 73–81% が一致する一方で効果量が膨らみ、社会的に感受性の高いトピックでは一致が落ちることを示した（Cui et al. 2025, Nature Computational Science）。

この楽観に対する制動も、同じ時期に体系化された。 Lin は 2025 年に、LLM を人間参加者の代替とする研究に内在する六つの認識論的誤謬を挙げ、トークン予測を人間の知性と混同することや、LLM を「平均的な人間」として扱うことの問題を指摘した（Lin 2025, Advances in Methods and Practices in Psychological Science）。評価の作法そのものを問いなおす提案もあり、Frank は 2023 年に、発達心理学の評価手法を LLM 能力の測定に応用し、LLM が「何の抽象表現を使っているか」を問うべきだと論じていた（Frank 2023, Nature Reviews Psychology）。

横断的な論点

四つのクラスタを貫く論点は、いくつかに集約できる。

第一に、同じ観察から食い違う像が出るという機械心理学の再現性問題である。標準課題での成功と、等価な変形での失敗が同居し（Binz & Schulz 2023 ／ Ullman 2023）、人間との大規模比較でようやく「正しく解けている」と「採点に有利な偏り」が切り分けられた（Strachan et al. 2024）。

第二に、LLM は認知の道具か、被験者か、モデルか、反例かという位置づけの未決である。 Centaur は行動予測のモデルとして機能する実証を示し（Binz et al. 2025）、一方で van Rooij ら（2024）や Guest と Martin（2023）は、性能の一致から過程の同一を推す飛躍を認めない。同じ対象が、実装研究では道具に、批判研究では反例に見える。

第三に、human-AI 協働の目減りと認知の負債である。協働は平均として最良単体を下回りうる領域があり（Vaccaro et al. 2024）、依存は批判的思考や脳の連結性を痩せさせうる（Gerlich 2025 ／ Lee et al. 2025, CHI ／ Kosmyna et al. 2025）。個人の効率と、判断力や多様性の目減りが同時に起きるという像は、デザイン領域で報告された「加速と均質化の並走」（ai-cognition-skill-gap-debate 参照）と響き合う。

第四に、LLM を人間参加者の代替に使う方法の妥当性である。再現の一致率は高いが効果量は膨らみ、感受性の高いトピックで崩れる（Cui et al. 2025）という所見と、六つの認識論的誤謬（Lin 2025）や理解の錯覚（Messeri & Crockett 2024）という警告が、同時に積み上がっている。

次に読むべき一次文献（優先）

転換点の原典: Centaur（Binz et al. 2025, Nature）の予測精度と神経アライメントの前提。Vaccaro et al.（2024）のモデレータ分析。
心の理論の切り分け: Strachan et al.（2024）の追跡操作、Ullman（2023）の変形設計。
方法論の裁定: Messeri & Crockett（2024）の四類型、Lin（2025）の六誤謬、Cui et al.（2025）の効果量膨張。
認知の負債: Kosmyna et al.（2025, [未査読]）の EEG 指標、Gerlich（2025）の媒介モデル。

参照文献

全 30 件。[未査読] は査読前のプレプリント、[要一次検証] は書誌の一部が未確定（主要事実には影響しない）。リンクは DOI または arXiv。内部の作業台帳は source/review/ai-psychology-cognitive-science-trends/papers.md。

機械心理学とその方法論論争

Binz, M., & Schulz, E. (2023). Using cognitive psychology to understand GPT-3. PNAS 120(6), e2218523120. https://doi.org/10.1073/pnas.2218523120
Mitchell, M., & Krakauer, D. C. (2023). The debate over understanding in AI’s large language models. PNAS 120(13), e2215907120. https://doi.org/10.1073/pnas.2215907120
Hagendorff, T., Dasgupta, I., Binz, M., Chan, S. C. Y., Lampinen, A., Wang, J. X., Akata, Z., & Schulz, E. (2023/2024). Machine Psychology: Investigating Emergent Capabilities and Behavior in Large Language Models Using Psychological Methods. arXiv:2303.13988 [未査読]. https://arxiv.org/abs/2303.13988
Ullman, T. (2023). Large Language Models Fail on Trivial Alterations to Theory-of-Mind Tasks. arXiv:2302.08399 [未査読]. https://arxiv.org/abs/2302.08399
Kosinski, M. (2024). Evaluating large language models in theory of mind tasks. PNAS 121(45), e2405460121. https://doi.org/10.1073/pnas.2405460121
Strachan, J. W. A., et al. (2024). Testing theory of mind in large language models and humans. Nature Human Behaviour 8(7), 1285–1295. https://doi.org/10.1038/s41562-024-01882-z
Suri, G., Slater, L. R., Ziaee, A., & Nguyen, M. (2024). Do large language models show decision heuristics similar to humans? A case study using GPT-3.5. Journal of Experimental Psychology: General 153(4), 1066–1075. https://doi.org/10.1037/xge0001547
Abdurahman, S., et al. (2024). Perils and opportunities in using large language models in psychological research. PNAS Nexus 3(7), pgae245. https://doi.org/10.1093/pnasnexus/pgae245
Shanahan, M. (2024). Talking about Large Language Models. Communications of the ACM 67(2), 68–79. https://doi.org/10.1145/3624724
Gao, Y., Lee, D., Burtch, G., & Fazelpour, S. (2025). Take caution in using LLMs as human surrogates. PNAS 122(24), e2501660122. https://doi.org/10.1073/pnas.2501660122

LLMの認知モデル化とその批判

Binz, M., Akata, E., Bethge, M., Brändle, F., et al. (2025). A foundation model to predict and capture human cognition. Nature 644(8078), 1002–1009. https://doi.org/10.1038/s41586-025-09215-4
Binz, M., & Schulz, E. (2024). Turning large language models into cognitive models. ICLR 2024. https://arxiv.org/abs/2306.03917
Mahowald, K., Ivanova, A. A., Blank, I., Kanwisher, N., Tenenbaum, J. B., & Fedorenko, E. (2024). Dissociating language and thought in large language models. Trends in Cognitive Sciences 28(6) [巻号要一次検証]. https://doi.org/10.1016/j.tics.2024.01.011
Contreras Kallens, P., Kristensen-McLachlan, R. D., & Christiansen, M. H. (2023). Large Language Models Demonstrate the Potential of Statistical Learning in Language. Cognitive Science 47(3), e13256. https://doi.org/10.1111/cogs.13256
Piantadosi, S. T., & Hill, F. (2022). Meaning without reference in large language models. arXiv:2208.02957 [未査読]. https://arxiv.org/abs/2208.02957
Katzir, R. (2023). Why Large Language Models Are Poor Theories of Human Linguistic Cognition: A Reply to Piantadosi. Biolinguistics 17, e13153. https://doi.org/10.5964/bioling.13153
van Rooij, I., Guest, O., Adolfi, F., de Haan, R., Kolokolova, A., & Rich, P. (2024). Reclaiming AI as a theoretical tool for cognitive science. Computational Brain & Behavior 7(4), 616–636. https://doi.org/10.1007/s42113-024-00217-5
Guest, O., & Martin, A. E. (2023). On logical inference over brains, behaviour, and artificial neural networks. Computational Brain & Behavior 6, 213–227. https://doi.org/10.1007/s42113-022-00166-x
McGrath, S. W., Russin, J., Pavlick, E., & Feiman, R. (2024). How Can Deep Neural Networks Inform Theory in Psychological Science? Current Directions in Psychological Science 33(5), 325–333. https://doi.org/10.1177/09637214241268098
Oh, B.-D., & Schuler, W. (2023). Why Does Surprisal From Larger Transformer-Based Language Models Provide a Poorer Fit to Human Reading Times? Transactions of the ACL 11, 336–350. https://doi.org/10.1162/tacl_a_00548

human-AI相互作用の心理学

Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour 8(12), 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
Salvi, F., Horta Ribeiro, M., Gallotti, R., & West, R. (2025). On the conversational persuasiveness of GPT-4. Nature Human Behaviour 9(8), 1645–1653. https://doi.org/10.1038/s41562-025-02194-6
Klingbeil, A., Grützner, C., & Schreck, P. (2024). Trust and reliance on AI — An experimental study on the extent and costs of overreliance on AI. Computers in Human Behavior 160, 108352. https://doi.org/10.1016/j.chb.2024.108352
Lee, D., Pruitt, J., Zhou, T., Du, J., & Odegaard, B. (2025). Metacognitive sensitivity: The key to calibrating trust and optimal decision making with AI. PNAS Nexus 4(5), pgaf133. https://doi.org/10.1093/pnasnexus/pgaf133
Marchegiani, B. (2025). Anthropomorphism, False Beliefs, and Conversational AIs: How Chatbots Undermine Users’ Autonomy. Journal of Applied Philosophy 42(5), 1399–1419 [要一次検証]. https://doi.org/10.1111/japp.70008
Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies 15(1), 6. https://doi.org/10.3390/soc15010006
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking. CHI 2025. https://doi.org/10.1145/3706598.3713778
Kosmyna, N., et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872 [未査読]. https://arxiv.org/abs/2506.08872
Fang, C. M., et al. (2025). How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use: A Longitudinal Randomized Controlled Study. arXiv:2503.17473 [未査読]. https://arxiv.org/abs/2503.17473

認知科学の方法論的転換

Rahwan, I., et al. (2019). Machine behaviour. Nature 568(7753), 477–486. https://doi.org/10.1038/s41586-019-1138-y
Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature 627(8002), 49–58. https://doi.org/10.1038/s41586-024-07146-0
Dillion, D., Tandon, N., Gu, Y., & Gray, K. (2023). Can AI language models replace human participants? Trends in Cognitive Sciences 27(7), 597–600. https://doi.org/10.1016/j.tics.2023.04.008
Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis 31(3), 337–351. https://doi.org/10.1017/pan.2023.2
Bail, C. A. (2024). Can Generative AI improve social science? PNAS 121(21), e2314021121. https://doi.org/10.1073/pnas.2314021121
Frank, M. C. (2023). Baby steps in evaluating the capacities of large language models. Nature Reviews Psychology 2, 451–452. https://doi.org/10.1038/s44159-023-00211-x
Park, J. S., et al. (2024). Generative Agent Simulations of 1,000 People. arXiv:2411.10109 [未査読]. https://arxiv.org/abs/2411.10109
Lin, Z. (2025). Six Fallacies in Substituting Large Language Models for Human Participants. Advances in Methods and Practices in Psychological Science 8(3). https://doi.org/10.1177/25152459251357566
Cui, Z., Li, N., & Zhou, H. (2025). A large-scale replication of scenario-based experiments in psychology and management using large language models. Nature Computational Science 5, 627–634. https://doi.org/10.1038/s43588-025-00840-7

未検証事項

Hagendorff et al.（2023/2024, 機械心理学）と Ullman（2023, ToM 敵対的追試）、Piantadosi & Hill（2022）、Park et al.（2024）、Kosmyna et al.（2025）、Fang et al.（2025）は査読前のプレプリントとしてのみ確認（本文でも [未査読] を明示）。
Mahowald et al.（2024, TiCS）の正確な巻号は要最終確認（DOI・論文自体は確定）。
Marchegiani（2025）の巻号・頁は出版社ページ認証不可のため PhilPapers 照合。
Nature / Cell / Sage / Elsevier / MDPI / Wiley の一部本文は認証・403 のため、書誌は PubMed / IDEAS.repec / Cambridge Core / ACL Anthology / Crossref API 等の独立リポジトリで照合済み（DOI・巻号・頁は確定）。

更新方針

本ノートは生きたページ。新規の査読論文や主要プレプリントを得たら本文に追記し updated を更新する。内部台帳側で [要一次検証] を解消し、本ページの参照文献に反映していく。