在本项研究中，论文第一作者和共同通讯作者、德国汉堡-埃彭多夫大学医学中心 James W. A. Strachan与同事及合作者一起，选择能测试心理理论不同方面的任务，包括发现错误想法、理解间接言语以及识别失礼。他们随后比较了1907人与两个热门大语言模型家族(GPT和LLaMA2模型)完成任务的能力。他们发现，GPT模型在识别间接要求、错误想法和误导的表现能达到有时甚至超越人类平均水平，而LLaMA2的表现逊于人类水平；在识别失礼方面WWW,7030777,COM-7030888,COM，LLaMA2强于人类但GPT表现不佳。
