MentalLoom 评估：LLM 在模糊社交情境下的心理解读偏好与确信度

Reading Too Much Into It? Interpretive Preferences and Commitment in LLM Mentalisation under Ambiguity

AI 导读

研究团队提出 MentalLoom，用 604 个模糊社交情境、匹配的抑郁与社交焦虑自我披露及四轮对话，评估 LLM 的心理解读能力。在八个 LLM 上，自我披露最初引发更负面的解释，但对叙述者的解读更偏正面；脚本化重复提问会带来更强的情感支持、更正的叙述者导向认同和更高确定性，而事件证据并未增加。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：大语言模型（LLM）越来越多地被用于提供人际建议，这可能影响用户如何解读模糊的社交场景。现有的心智理论评估通常依赖预设答案，而不确定性研究则忽视了 LLM 在心理困扰下偏好的解释与置信度。为弥补这些空白，我们提出 MentalLoom，一种新颖的 LLM 心智化评估，包含 604 个模糊社交情境、匹配的抑郁与社交焦虑披露，以及事件证据保持不变的四个回合对话。在八个 LLM 中，披露总体上最初引发更多负面解释，但也引发更多针对叙述者的正面解读。脚本化的重复提问表现出更多情感支持、更强的正面叙述者导向认可和更高的确定性，且没有新的事件证据。这些发现表明，用户情境可以重塑解释偏好与承诺程度，而底层模糊性仍未得到解决。

主题：	计算与语言（cs.CL）
引用为：	arXiv:2610.28105 [cs.CL]
	（或 arXiv:2610.28105v1 [cs.CL] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.28105 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Stephanie Fong [查看邮箱]
[v1] 2026年10月20日星期二 12:18:11 UTC（2,573 KB）

来源：arXiv cs.CL · arxiv.org