大语言模型中的社会意义：结构、幅度与语用提示
计算与语言
2026-04-06 v1 人工智能
摘要
大语言模型（LLMs）越来越多地展现出人类般的语用和社会推理模式。本文探讨两个相关问题：LLMs是否不仅在定性层面而且在定量层面近似人类的社会意义，以及以语用理论为指导的提示策略能否改善这种近似。为回答第一个问题，我们引入两个以校准为重点的指标，区分结构保真度与幅度校准：效应量比率（ESR）和校准偏差得分（CDS）。为回答第二个问题，我们从两个语用假设推导提示条件：社会意义源于对语言替代方案的推理，以及听者推断说话者的知识状态和交际动机。应用于三个前沿LLM在数值（不）精确性上的案例研究，我们发现所有模型都能可靠地再现人类社会推理的定性结构，但在幅度校准上差异显著。提示模型推理说话者知识和动机最一致地减少了幅度偏差，而提示替代意识倾向于放大夸大。将两个分量结合是唯一在所有模型上改善所有校准敏感指标的干预手段，尽管细粒度的幅度校准仅部分解决。因此LLMs捕捉了推理结构但可变地扭曲推理强度，语用理论为改善该近似提供了有用但不完整的手段。
引用
@article{arxiv.2604.02512,
title = {Social Meaning in Large Language Models: Structure, Magnitude, and Pragmatic Prompting},
author = {Roland Mühlenbernd},
journal= {arXiv preprint arXiv:2604.02512},
year = {2026}
}