Motivatie in Grote Taalmodellen
Motivation in Large Language Models
March 15, 2026
Auteurs: Omer Nahum, Asael Sklar, Ariel Goldstein, Roi Reichart
cs.AI
Samenvatting
Motivatie is een centrale drijver van menselijk gedrag, die beslissingen, doelen en taakprestaties vormgeeft. Naarmate grote taalmmodellen (LLM's) steeds meer afgestemd raken op menselijke voorkeuren, vragen wij ons af of zij iets vertonen dat vergelijkbaar is met motivatie. Wij onderzoeken of LLM's verschillende niveaus van motivatie "rapporteren", hoe deze rapportages zich verhouden tot hun gedrag, en of externe factoren hierop invloed kunnen uitoefenen. Onze experimenten onthullen consistente en gestructureerde patronen die de menselijke psychologie weerspiegelen: zelfgerapporteerde motivatie komt overeen met verschillende gedragssignaturen, varieert per taaktype en kan worden beïnvloed door externe manipulaties. Deze bevindingen tonen aan dat motivatie een coherent organiserend construct is voor LLM-gedrag, waarbij rapportages, keuzes, inspanning en prestaties systematisch met elkaar verbonden worden, en waarbij motivationele dynamieken zichtbaar worden die lijken op die welke in de menselijke psychologie zijn gedocumenteerd. Dit perspectief verdiept ons inzicht in modelgedrag en de verbinding daarvan met door de mens geïnspireerde concepten.
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.