arXiv cs.CL· Keith Kwok, Wanting Ning, Tej Deep Pala, Desmond C. Ong, S. Supraja, Renwen Zhang, Soujanya Poria·· 12 小时前AI 评分31
TraDE：基于轨迹评估人机对话中的自我披露行为
Beyond Small Talk: Modeling Disclosure Trajectories in Human-AI Conversation
AI 导读
研究者提出 Trajectory-based Disclosure Evaluation（TraDE）评估框架，基于社会渗透理论用预设披露轨迹检验历史披露如何影响模型行为。在多个模型和关系行为基准上，深度相同的披露会因先前轨迹不同而引发不同回应，尤其体现在模型是否接受或质疑用户的表述框架。这些差异与累积的深度披露暴露相关，而非某一刻的脆弱表达或披露顺序，并会在披露回到浅层后持续数轮。
正文 · AI 翻译
摘要：近来，对话式智能体作为一种社会与情感支持形式日益增多，其中自我披露会随时间逐步展开。然而，当前对这些智能体的评估通常考察孤立的对话状态。在分析自然发生的对话时，披露历史与当前披露相互混淆，这往往使其效应难以分离。为此，我们提出基于轨迹的披露评估（TraDE），这是一个以社会渗透理论为基础的评估框架，它利用预定义的披露轨迹，并在当前披露相匹配的条件下评估先前的披露历史如何塑造模型行为。通过使用 TraDE，我们在多个模型和关系行为基准上证明，对深度相匹配的披露的回应会因先前轨迹的不同而不同，尤其是在模型是接受还是质疑用户的框架方面。我们还观察到，这些差异追踪的是对更深层披露的累积暴露，而非任何单一时刻的脆弱性或披露的顺序。在披露回到浅层水平后，这种差异也往往会持续数轮。对于若干行为，我们还证明，模型与情感支持对话语料库（ESConv）中人类支持者最一致地出现分歧的时刻，并非用户敞开心扉之时，而是用户在披露中退后之时。因此，TraDE 提供了一种系统化的方式，来揭示依赖历史的关系行为，而孤立对话状态的评估原本会错过这些行为。
| 评论： | 71 页，11 幅图。代码见 此 https URL |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；人机交互（cs.HC） |
| 引用为： | arXiv:2610.29413 [cs.CL] |
| （或 arXiv:2610.29413v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29413 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Keith Kwok [查看电子邮件]
[v1]
2026 年 10 月 21 日星期三 08:36:47 UTC（3,825 KB）
来源：arXiv cs.CL · arxiv.org