Mechanistic vs. Teleological Explanations in LLMs: Investigating Teleological Bias in the Biological Domain

Podczas gdy wszystkie wyjaśnienia próbują odpowiedzieć na pytania typu “dlaczego”, różnią się one rodzajem informacji, które uznają przy tym za istotne. Wyjaśnienia mechanistyczne odwołują się do obiektów i zdarzeń poprzez fizyczne łańcuchy zdarzeń, procesy przyczynowe, ukryte struktury lub ich części składowe. Z kolei wyjaśnienia teleologiczne odnoszą się do funkcji, celu lub przeznaczenia danego zjawiska. W dziedzinie biologii, gdy używa się ich do objaśnienia cech fizycznych lub adaptacji ewolucyjnych, oba rodzaje wyjaśnień są ogólnie akceptowane. Mimo że współczesna nauka uznaje podejścia mechanistyczne za bardziej odpowiednie, badania psychologiczne wykazały, że ludzie na ogół uważają wyjaśnienia teleologiczne za bardziej intuicyjne. Aby wyjaśnić tę utrzymującą się preferencję, Liquin i Lombrozo (2018) zaproponowały, że wyjaśnienia funkcjonalne są przekonujące, ponieważ ocenia się je na podstawie „dopasowania struktury do funkcji” (ang. structure-function fit) – czyli zgodności między fizyczną formą cechy biologicznej a jej funkcją. Niniejsza praca bada, czy duże modele językowe (LLM) odtwarzają ludzkie tendencje teleologiczne oraz wrażliwość na dopasowanie struktury do funkcji. W czterech eksperymentach dwa modele z rodziny Google Gemini oceniały wyjaśnienia fikcyjnych cech biologicznych. Eksperymenty sprawdzały, czy modele preferują wyjaśnienia teleologiczne czy mechanistyczne, czy informacja funkcjonalna zmniejsza wrażliwość na szczegóły mechanistyczne, czy słabe dopasowanie struktury do funkcji zmniejsza atrakcyjność wyjaśnień teleologicznych oraz czy modele odróżniają intuicyjną atrakcyjność funkcjonalną od adekwatności przyczynowej. Wyniki ujawniły silną preferencję modeli dla wyjaśnień mechanistycznych, a także ich wrażliwość na dopasowanie struktury do funkcji i adekwatność przyczynową. Ogólnie rzecz biorąc, odkrycia te sugerują, że modele nie odtwarzają ludzkiej skłonności do wyjaśnień teleologicznych. Zamiast tego oceniają wyjaśnienia funkcjonalne zarówno pod względem dopasowania struktury do funkcji, jak i adekwatności przyczynowej, utrzymując przy tym silną preferencję dla wyjaśnień mechanistycznych.

While all explanations attempt to answer 'why' questions, they differ in the type of information they treat as explanatorily relevant. Mechanistic explanations refer to objects and events by appeal to physical chains of events, causal processes, underlying structures, or their component parts. In contrast, teleological explanations refer to a phenomenon’s function, purpose, or goal. In the biological domain, when used to account for physical features or evolutionary adaptations, both types of explanations are generally accepted. Even though modern science considers mechanistic approaches more appropriate, psychological research has shown that people generally find teleological explanations more intuitive. To explain this persistent preference, Liquin and Lombrozo (2018) proposed that functional explanations are compelling because they are evaluated based on the 'structure-function fit' —the correspondence between a biological feature’s physical form and its function. This thesis investigates whether LLMs reproduce the human teleological bias and sensitivity to structure-function fit. Across four experiments, two models from Google’s Gemini family evaluated explanations for fictional biological traits. The experiments tested whether the models prefer teleological or mechanistic explanations, whether functional information reduces sensitivity to mechanistic detail, whether low structure–function fit decreases the appeal of teleological explanations, and whether models distinguish intuitive functional appeal from causal adequacy. The results revealed the models’ strong preference for mechanistic explanations, as well as sensitivity to structure–function fit and causal adequacy. Overall, the findings suggest that the models do not reproduce human teleological bias. Instead, they evaluate functional explanations according to both structure–function fit and causal adequacy while maintaining a strong preference for mechanistic explanations.