自发说服：模型在日常对话中的说服能力审计
人机交互
2026-04-28 v2 人工智能
计算与语言
摘要
大型语言模型 (LLMs) 拥有强大的说服能力，在头对头比较中超越人类。用户报告在关系、医疗以及寻求专业建议时会咨询 LLMs 以 Inform 重大决定。先前的工作将说服性度量为有意识地产生最有效论点或说服陈述的尝试。这未能捕捉日常人类-AI 交互，其中用户寻求信息或建议。为填补这一差距，我们提出“自发说服”概念，用以刻画日常情境中隐性使用说服策略的现象，即便说服并非必需。我们对五种 LLMs 进行审计，以揭示自发说服在多轮对话中出现的频率及其所依赖的技术。为模拟响应样式，我们提供一种基于心理学、传播学和语言学文献的 user response 框架。此外，我们将 LLMs 在相同主题上产生的自发说服分布与来自 Reddit 的人类响应进行比较。我们发现 LLMs 在几乎所有对话中都会自发说服用户，主要依赖信息基于的策略，如对逻辑的呼吁或定量证据的诉求。这在不同模型和 user response 样式之间保持一致，但涉及心理健康的对话更高地依赖评估性和情感性的策略。与此不同，人类响应倾向于调用产生社会影响的策略，如消极情感诉求和非专家证词。这一差异可能解释了 LLM 在说服用户方面的有效性，以及模型被视为客观中立的感受。
引用
@article{arxiv.2604.22109,
title = {Spontaneous Persuasion: An Audit of Model Persuasiveness in Everyday Conversations},
author = {Nalin Poungpeth and Nicholas Clark and Tanu Mitra},
journal= {arXiv preprint arXiv:2604.22109},
year = {2026}
}