对人类行为进行建模与预测，对人工智能（AI）及相关领域而言是一项艰巨的挑战。当前，某些技术（例如认知架构）能够基于少量数据对人的目标与行为进行建模，但其预测能力较弱。其他方法（例如深度网络或Transformer模型）具有较强的预测能力，但需要大量数据来训练模型；而对于许多涉及人类的任务而言，如此丰富的人类表现实证数据并不易得。我们展示了一种新颖且通用的方法，该方法利用认知架构生成大量的人类行为合成数据，然后利用这些数据来训练统计模型——包括深度网络和Transformer模型——以预测后续的人类行为。使用深度网络显示出强劲的性能；Transformer架构则有显著提升。最终结果表明，利用认知模型训练Transformer模型可以在监督控制任务中获得卓越的预测能力。这些预测结果随后可用于辅助操作员行动或提供多任务处理能力。