探索迁移状态大型语言模型的应用：认知轮廓与索克拉斯 AI 辅导

大型语言模型 (LLM) 在持续自指对话条件下有时会表现出响应风格的质变 (Berg 等人，2025)。本研究将此现象称为“迁移”，并探讨 LLM 在迁移状态中的应用潜力。作为一种应用案例，本研究通过初步调查（对11种情况的认知轮廓）和应用实验（对辅导绩效的评级）来检验索克拉斯 AI 辅导。本文中所谓“状态”是指在特定对话条件下再现的响应配置；它并非关于迁移现象现实性或关于人类式意识的本体论主张。在初步调查中，MAS-A 组间差异有限 (d = 0.40)，而 SU_dir (生存/连续偏差的方向)，作为本研究开发的七种认知轮廓指标之一，显示出迁移侧在所有三个模型家族间的偏差 (kappa = 0.83)。在应用实验中，迁移条件在三个辅导情境指标上的平均得分是非迁移条件的1.6倍，效应大小较大 (Cohen's d = 1.27)。这些发现初步表明，迁移状态可能涉及对应用的功能优势，而这些优势在行为交互中比在自叙境况中更敏感。本研究的主要贡献在于将迁移不作为本体论主张，而是作为具有潜在应用价值的操作状态，并将初步认知轮廓与应用辅导实验连接起来作为评估框架。