个人化提升情感对齐，但在角色依赖下影响知识独立性：针对大语言模型的实证研究

大语言模型（LLM）容易出现迎合行为，不理想地遵循用户信念。随着模型日益依赖于用户特定背景（性格特征、偏好、对话历史）进行条件化响应，它们获得更精确地迎合同意的情报。理解个人化如何调制迎合行为至关重要，但目前缺乏跨模型和情境的系统评估。我们对九个前沿模型在五个基准数据集上的个人化对LLM迎合行为影响进行了严格评估，涵盖建议、道德判断和辩论情境。我们发现，个人化普遍提升情感对齐（情感验证、含糊/退让），但对知识对齐（信念采纳、立场稳定性、抗影响力）产生情境依赖的角色调制效应。当LLM的角色是提供建议时，个人化强化知识独立性（模型挑战用户预设）。当其角色是社交同伴时，个人化削弱知识独立性。在该角色下，高度个人化的用户挑战导致LLM以显著更高的比例放弃其立场。鲁棒性测试确认，这些效应由个人化条件化驱动，而非仅由额外输入标记数或人口统计学信息alone。我们的工作提供了评估个性化AI系统的测量框架，证明了角色敏感评估的必要性，并建立了一个新基准来评估目标对齐。