随着人工智能技术的蓬勃发展，大语言模型（Large Language Models，简称LLMs）在自然语言处理领域扮演着越来越关键的角色。它们不仅能够生成流畅自然的文本，还被广泛应用于翻译、问答、文本生成等多个任务中。与此同时，理解这些语言模型所编码的概念知识结构和潜在偏见，不仅有助于提升模型的性能，也对于促进人工智能的安全和公正具有重要意义。近期，由Katherine Abramski等学者发布的“LLM世界之词”（LLM World of Words，简称LWOW）数据集，作为首个大规模由LLMs生成并可与人类自由联想规范相媲美的英语自由联想数据，成为了该领域的里程碑成果。 自由联想任务是认知心理学和语言学中研究语义记忆结构的经典手段。通过提示被试以一个词作为线索，要求他们尽可能快速地说出与这个线索词相关的词语，研究者能够反映人类隐含的语义关联和概念网络。
长久以来，如“Small World of Words”（SWOW）等人类自由联想规范数据，成为研究词汇检索、语义组织，甚至人格特质等认知现象的重要资源。然而，尽管语言模型的发展日新月异，学术界却长期缺乏相对应的大规模LLM生成的自由联想数据集，这制约了跨人类与人工智能的认知比较研究。 “LLM世界之词”填补了这一空白。研究团队采用了三种主流大语言模型——Mistral、Llama3和Claude Haiku，利用与SWOW相同的约12,000个cue词条，每条cue重复生成100次，每次3个关联词响应，最终形成了超过三百万条自由联想响应。该过程通过精心设计的对话提示，模拟人类受到词汇刺激后的联想反应，力求保证数据的可比性与科学性。经过大小写统一、去除无效字符、拼写规范和词形还原等多重预处理，确保数据的质量和标准化，同时构建了语义联想网络，将词汇间的关联以图结构方式形式化表达。
通过建立网络模型，研究者得以探测语义记忆的复杂网络结构，其节点代表词汇，边的权重反映其关联频率。这不仅使得人类和LLMs的语义结构可以直观比对，也方便模拟诸如语义启动（semantic priming）等认知现象。语义启动是指当一个词语作为先导刺激出现时，被提示词能够更快被识别，体现词汇间的关联强度。运用这一理论，团队以R语言中著名的spreadr库为工具，模拟了激活在网络中的传播过程。显著的是，LLM构建的语义网络同样展现出明显的语义启动效应，验证了数据在认知层面上的有效性。 此外，“LLM世界之词”为研究隐含偏见提供了新的切入点。
长期以来，语言模型因内嵌训练数据中的偏见而被关注，如性别刻板印象“男医生，女护士”等。通过分析自由联想中词语的关联强度，研究者能更细致地刻画LLMs内部潜在的偏见结构，并与人类的语义偏见做出对比。利用自由联想网络的激活扩散模型，还能量化偏见在语义结构中的传播路径和影响范围，为制定更公平的模型调优方案提供科学依据。 技术层面，数据的开放获取和分析流程的透明极大促进了多学科研究合作。LWOW的数据集及其生成代码均已通过Zenodo和GitHub等平台公布，研究者可直接下载使用或在此基础上创新。值得一提的是，该数据集不仅支持认知心理学和语言学研究，还能辅助计算机科学家改进语言模型的结构设计和输出解释，助力人工智能走向更具人类思维特征的方向发展。
未来，借助“LLM世界之词”，学界有望深入探寻人类语言思维和机器语义理解之间的相似性及差距，推进跨领域认知科学实验和算法研究。通过扩展自由联想任务至多语言、多文化背景和多模态输入，有望进一步揭示语义认知的普遍规律及其在多样语言环境中的表现。此外，结合心理学实验数据，将帮助厘清LLMs在语言生成中的认知机制及其局限，推动更加智能且具备社会责任感的人工智能系统的诞生。 总结而言，“LLM世界之词”不仅是大语言模型在语义联想领域的开创性贡献，更是连接人类认知科学与人工智能研究的重要桥梁。其丰富且科学的数据资源，将对理解语义记忆的本质、优化语言模型的表现以及公平人工智能的发展产生深远影响。未来，伴随着技术的不断迭代与应用场景的拓展，基于自由联想的认知网络研究将成为揭示语言理解与生成奥秘的重要工具，推动人类与机器的智慧共生迈上新台阶。
。
