探索与解决 LLM 生成想法多样性的障碍
计算机与社会
2026-02-25 v1 人工智能
人机交互
摘要
独立的人类样本生成的想法倾向于比独立的 LLM 样本更具多样性，这引发了广泛依赖 LLM 可能导致想法同质化并削弱社会层面创新能力的担忧。基于认知心理学，我们在理论和实证层面识别了两种削弱 LLM 想法多样性的机制。首先，在个体层面，LLM 表现出与人类相同的固定现象，即早期输出限制后续想法生成。其次，在集体层面，LLM 将知识聚合为统一分布，而人类群体中每个人占据知识空间的不同区域，存在知识分区的特征。在四项研究中，我们展示了针对性提示干预可以独立地解决这两种机制：链式思维（CoT）提示通过鼓励结构化推理来减少固定化（仅在 LLM 中有效，而对人类无效），而普通人物（相对于“富有创造力的企业家”如史蒂夫·乔布斯）则通过作为多样化采样线索，使生成锚定于语义空间的不同区域，从而提高知识分区。将两者结合可实现最高的想法多样性，甚至超越人类。这些发现提供了一种理论驱动的框架，用以理解 LLM 想法多样性，并为人类与 AI 协作提供实用策略，既利用 AI 的效率，又不损害健康创新生态系统中至关重要的多样性。
引用
@article{arxiv.2602.20408,
title = {Examining and Addressing Barriers to Diversity in LLM-Generated Ideas},
author = {Yuting Deng and Melanie Brucks and Olivier Toubia},
journal= {arXiv preprint arXiv:2602.20408},
year = {2026}
}