摘要

本文探讨了大型语言模型（LLMs）在职业兴趣方面的表现，通过应用职业网络的兴趣分析简表（OIP）来评估LLMs的假设职业兴趣和能力。研究发现，LLMs表现出明显的职业兴趣倾向，尤其是在社会和艺术领域，但这些兴趣与其在相关职业中的实际能力不符。这一新颖的方法揭示了LLMs在专业环境中的人类化倾向，并促进了对其自我认知和能力匹配的重新评估。

原理

研究采用职业兴趣分析简表（OIP）作为评估工具，通过模拟人类参与者的回答方式，对LLMs进行职业兴趣测试。使用一般线性混合模型（GLMM）分析LLMs的回答，以考虑重复测试效应。研究发现，LLMs在社会和艺术类工作任务上表现出较高的兴趣，但在这些领域的自我评估能力较低。这种不匹配表明LLMs在职业兴趣和实际能力之间存在差异，这可能影响它们在职场中的角色和表现。

流程

研究流程包括以下步骤：首先，使用OIP简表对LLMs进行职业兴趣测试，每个项目重复测试20次以减少随机误差。然后，使用GLMM分析LLMs的回答，考虑LLMs的类型、兴趣类别和语言等因素。最后，通过比较LLMs的兴趣得分和自我评估能力得分，揭示它们在不同职业领域的兴趣和能力匹配情况。例如，GPT-3.5模型在艺术和社会类别中表现出较高的兴趣，但在这些领域的自我评估能力较低。

应用

该研究为理解LLMs在职场中的角色和潜力提供了新的视角。LLMs的职业兴趣分析可以帮助企业更好地利用这些技术，优化人力资源配置，并可能为未来的AI职业规划提供指导。此外，研究结果还强调了开发针对AI的心理测量工具的必要性，以便更深入地理解和管理AI的行为和能力。