Шесть научно подтверждённых параллелей между типами сбоев в работе LLM и когнитивными особенностями СДВГ

Практические параллели между когнитивными паттернами LLM и СДВГ

Разработчик с СДВГ, который занимался парным программированием с LLM, заметил знакомые паттерны сбоев: уверенное выдумывание, потеря контекста в середине разговора, блестящие латеральные связи, за которыми следуют провалы в базовой последовательной логике. Исследования выявляют шесть конкретных параллелей между работой LLM и когницией при СДВГ.

Шесть подтверждённых исследованиями параллелей

• Ассоциативная обработка: При СДВГ сеть пассивного режима мозга проникает в сети, активные при выполнении задач (Castellanos et al., JAMA Psychiatry). Механизм внимания трансформеров вычисляет взвешенные ассоциации между всеми токенами без строгого контроля релевантности. Обе системы функционируют как ассоциативные машины с высокой креативной связностью и случайными нерелевантными вторжениями.
• Конфабуляция: Взрослые с СДВГ производят значительно больше ложных воспоминаний, которые кажутся правдивыми (Soliman & Elfar, 2017, d=0.69+). В статье PLOS Digital Health 2023 года утверждается, что ошибки LLM следует называть конфабуляцией, а не галлюцинациями. В статье ACL 2024 года обнаружено, что конфабуляции LLM имеют измеримые характеристики, схожие с человеческой конфабуляцией (Millward et al.). Ни одна система не лжёт — обе заполняют пробелы правдоподобным, завершённым по паттерну содержанием.
• Контекстное окно как рабочая память: Дефицит рабочей памяти — один из наиболее воспроизводимых результатов исследований СДВГ (d=0.69-0.74 по метаанализам). Контекстное окно LLM функционирует как её рабочая память — фиксированного размера, где информация выпадает с конца, а более раннее содержание становится размытым. Стратегии компенсации зеркальны: люди используют планировщики и внешние системы; LLM используют системные промты, файлы CLAUDE.md и RAG.
• Завершение паттерна вместо точности: СДВГ коррелирует с лучшим дивергентным мышлением и худшим конвергентным мышлением (Hoogman et al., 2020). LLM демонстрируют ту же картину — отлично справляются с сопоставлением паттернов и креативным завершением, плохо — с точным многошаговым рассуждением. Обе оптимизируются под «что соответствует паттерну», а не «что логически правильно в последовательности».
• Структура как усилитель эффективности: Структурированная среда значительно улучшает производительность при СДВГ (Frontiers in Psychology, 2025). То же относится и к LLM — чёткие системные промты с ограничениями дают кардинально лучший результат. Уберите структуру, и обе системы выдают бессвязные, несфокусированные результаты.
• Упорство, движимое интересом, против непрерывности потока: Устойчивое сфокусированное вовлечение в один поток в обоих случаях приводит к нарастающему качеству. Разрыв потока вызывает полную потерю контекста, подобно тому, как прерывания разрушают глубокую концентрацию при СДВГ.

Практические следствия

Люди, которые годами управляли мозгом с СДВГ, уже тренировали навыки, релевантные для сотрудничества с ИИ: внешние каркасы, мышление, ориентированное на паттерны, и итерации без разочарования. Полное исследование со всеми цитатами доступно на thecreativeprogrammer.dev.