近年，ChatGPT含むLarge Language Model (LLM)が開発され，その入力に推論過程の例や指示を入力して推論精度を向上させるChain of Thought(CoT)が提案されている．しかし，LLMの推論過程は人とは異なるため，ユーザの情報からその意図を推論するような高度なタスクでは，依然としてLLMの推論精度が低いという課題が残る．よって本研究では人の属性や性格，行動情報を含むペルソナデータから任意の意図の度合いをリッカート尺度で推論するタスクにおいて心理学モデルを導入したCoT手法を提案する．274名を対象に実施したアンケートデータより年齢，性別，性格特性などからボランティア参加意図の程度を推論するタスクで提案法の精度を検証したところ，提案法は従来のCoTに比べてMean Absolute Errorにおいて5.5％の精度向上を達成した．さらに本研究ではこの意図推論手法を用いて異なる要素を持つペルソナから近い意図を持つペルソナをマッチングするフレームワークを提案する．心理学モデルの知見を活用した提案法によって意図推論タスクの精度向上やデータ拡張が可能になることが期待される．
