Motivation in großen Sprachmodellen
Motivation in Large Language Models
March 15, 2026
Autoren: Omer Nahum, Asael Sklar, Ariel Goldstein, Roi Reichart
cs.AI
Zusammenfassung
Motivation ist ein zentraler Antrieb menschlichen Verhaltens, der Entscheidungen, Ziele und Aufgabenleistung prägt. Da große Sprachmodelle (LLMs) zunehmend mit menschlichen Präferenzen abgeglichen werden, stellen wir die Frage, ob sie so etwas wie Motivation aufweisen. Wir untersuchen, ob LLMs unterschiedliche Motivationsniveaus "berichten", wie diese Berichte mit ihrem Verhalten zusammenhängen und ob externe Faktoren sie beeinflussen können. Unsere Experimente zeigen konsistente und strukturierte Muster, die der menschlichen Psychologie ähneln: Die selbstberichtete Motivation steht im Einklang mit verschiedenen Verhaltenssignaturen, variiert je nach Aufgabentyp und kann durch externe Manipulationen moduliert werden. Diese Ergebnisse demonstrieren, dass Motivation ein kohärenter, organisierender Konstrukt für das Verhalten von LLMs ist, das Berichte, Entscheidungen, Anstrengung und Leistung systematisch verbindet und motivationale Dynamiken offenbart, die denen in der menschlichen Psychologie gleichen. Diese Perspektive vertieft unser Verständnis des Modellverhaltens und seiner Verbindung zu menscheninspirierten Konzepten.
English
Motivation is a central driver of human behavior, shaping decisions, goals, and task performance. As large language models (LLMs) become increasingly aligned with human preferences, we ask whether they exhibit something akin to motivation. We examine whether LLMs "report" varying levels of motivation, how these reports relate to their behavior, and whether external factors can influence them. Our experiments reveal consistent and structured patterns that echo human psychology: self-reported motivation aligns with different behavioral signatures, varies across task types, and can be modulated by external manipulations. These findings demonstrate that motivation is a coherent organizing construct for LLM behavior, systematically linking reports, choices, effort, and performance, and revealing motivational dynamics that resemble those documented in human psychology. This perspective deepens our understanding of model behavior and its connection to human-inspired concepts.