应对 LLM 幻觉的校准信任：一项定性研究
人工智能
2025-12-11 v1
摘要
幻觉是大语言模型（LLM）输出的事实不正确但看似合理的内容 [1]。本文研究了此类幻觉如何影响用户对 LLM 的信任以及用户与 LLM 的交互。为在 everyday 使用中进行探索，我们对 192 名参与者进行了定性研究。我们的发现表明，幻觉不会导致全面的不信任，而是导致上下文敏感的信任校准。基于 Lee & See [2] 的校准信任模型和 Afroogh 等人 [3] 的信任相关因素，我们确认期望值 [3]、[4]、先前经验 [3]、[4]、[5] 以及用户专业领域知识 [3]、[4] 为用户相关（人类）信任因素，并识别直觉为幻觉检测的附加因素。此外，我们发现信任动态进一步受到上下文因素的影响，特别是感知风险 [3] 和决策风险 [6]。因此，我们验证了 Bl"obaum [7] 提出的递归信任校准过程，并通过纳入直觉作为用户相关信任因素对其进行扩展。基于这些见解，我们为负责任和反思性的 LLM 使用提出了实用建议。
引用
@article{arxiv.2512.09088,
title = {Calibrated Trust in Dealing with LLM Hallucinations: A Qualitative Study},
author = {Adrian Ryser and Florian Allwein and Tim Schlippe},
journal= {arXiv preprint arXiv:2512.09088},
year = {2025}
}