让他们无法拒绝：无预承诺条件下基于贝叶斯说服的真实对话 grounding
计算与语言
2025-10-17 v2 计算机科学与博弈论
摘要
说服是人类不可或缺的社会能力，然而在像大语言模型（LLM）这样的人工智能系统中仍然保持挑战。当前研究常常忽视信息不对称在信息设计中的战略运用，或对预承诺假设过于严苛。在本工作中，我们探索了贝叶斯说服（Bayesian Persuasion, BP）在自然语言中的单轮对话应用，以提升 LLM 的战略说服能力。我们的框架包含一种承诺-沟通机制，说服者通过叙述其可能的类型（例如诚实或不诚实），明确概述信息模式，从而引导说服对象进行预期的贝叶斯信念更新。我们评估了两种方法变体：半正式-自然语言（Semi-Formal-Natural-Language, SFNL）BP 和完全自然语言（Fully-Natural-Language, FNL）BP，在全面的评估框架中对它们进行基准测试。该框架涵盖多样化的说服对象——包括具有不同提示和微调的 LLM 实例以及人类参与者——以及从专门设计的说服情景到日常一般情境的各种任务。实验结果表明，基于 BP 策略的 LLM 在说服成功率上 consistently 高于 NBP 基线；SFNL 在可信度和逻辑连贯性方面表现更佳，而 FNL 在自然化对话中展现出更强的情感共鸣和鲁棒性；经过监督微调后，较小的模型可达到与大型模型相当的 BP 性能。
引用
@article{arxiv.2510.13387,
title = {Make an Offer They Can't Refuse: Grounding Bayesian Persuasion in Real-World Dialogues without Pre-Commitment},
author = {Buwei He and Yang Liu and Zhaowei Zhang and Zixia Jia and Huijia Wu and Zhaofeng He and Zilong Zheng and Yipeng Kang},
journal= {arXiv preprint arXiv:2510.13387},
year = {2025}
}
备注
Under review