arXiv cs.CY· Mina Cho, Russell J. Funk, Alok Gupta, Mochen Yang·· 12 小时前AI 评分52
研究发现大语言模型比专家本人更能解释专家知识
Large Language Models Can Explain Experts Better Than Experts Themselves
AI 导读
arXiv 论文提出，大语言模型可从专家行为中提取难以言说的隐性知识，并支持向新手转移。研究先找出能提升 LLM 外化隐性知识的提示策略，再评估其下游效用，结果显示融入专家行为的 LLM 外化知识提升了决策质量、缩小了专家与新手的分差，表现优于人类专家自述的知识。作者进一步表明 LLM 是在从专家行为中学习并提取知识而非简单模仿回答，且结论在不同 LLM 与信息检索方法上均可复现。
正文 · AI 翻译
摘要：捕捉隐性知识，即嵌入在个人经验和情境中的“诀窍”，是限制宝贵专业知识保存与传承的核心挑战。传统方法依赖专家阐述自身推理的能力，然而许多隐性知识难以言表。在此，我们表明，大语言模型（LLM）能够从专家行为中发掘隐性知识，并支持知识从专家向新手转移。我们首先确定了能够提升 LLM 外化隐性知识（即将隐性知识转化为显性知识）能力的提示策略，随后评估了由此得到的 LLM 外化隐性知识在下游的实用性。我们的分析表明，融合专家行为的 LLM 外化隐性知识能够提升决策质量，并有助于缩小专家与新手的得分差距，其表现优于人类专家所阐述的知识。我们进一步表明，LLM 是从专家行为中真正地学习和提取知识，而非简单地模仿专家回答，且这些发现在不同的 LLM 和信息检索方法中具有普适性。这些发现再次印证了波兰尼悖论——“我们知道的比我们能说出来的更多”——并表明 LLM 能够帮助克服人类专家长期困扰隐性知识外化的表达瓶颈。
| 评论： | 正文（29 页）附补充信息（29 页）。取代 v1 |
| 主题： | 人机交互（cs.HC）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2608.07488 [cs.HC] |
| （或 arXiv:2608.07488v2 [cs.HC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.07488 arXiv 颁发的 DOI（通过 DataCite） |
提交历史
来自：Russell Funk [查看邮箱]
[v1]
2026 年 6 月 14 日周日 01:48:25 UTC（691 KB）
[v2]
2026 年 10 月 21 日周三 03:22:57 UTC（1,886 KB）
来源：arXiv cs.CY · arxiv.org