aiedtechhigher educationassessmentlearning design

多輪人類說服性模型：概率信念追蹤

arXiv - Human-Computer InteractionJared Moore, Noah Goodman, Nick Haber, Max Kleiman-Weiner

提出 PERSUASIONTRACE 框架，透過多輪信念追蹤與說服策略評估，揭示人類說服動態並驗證 LLM 的說服力。

AI 幫你先抓重點

AI 重點 1

PERSUASIONTRACE 重新定義說服評估，從終點變動轉向過程忠實度，為安全優化說服系統提供更堅實基礎。

滑鼠懸停看 AI 判斷理由
此轉變使研究者能追蹤信念演變過程，設計更尊重使用者自主權、降低操控風險的介面。
AI 重點 2

Bayesian 模擬目標的引入證明明確的潛在信念狀態對說服模型的準確性至關重要，提示未來說服系統需整合動態信念追蹤。

滑鼠懸停看 AI 判斷理由
透過近似人類的信念更新，顯示加入潛在信念動態可提升個人化說服效果，並減少過度擬合。

核心研究發現

  1. 1

    人類目標在多輪信念更新中可分為兩個群集，且對不同修辭策略（邏輯、情感、道德）表現出可預測的易受說服性。

  2. 2

    LLM 在一般與個人化主題、文字與語音模式以及多輪互動中均能有效說服。

  3. 3

    傳統 LLM 模擬目標無法再現人類信念動態，而使用 Bayesian 網路的模擬目標在信念更新真實度上接近人類（81 vs 80），遠高於基線 LLM（64）。

對教育工作者的啟發

1. 追蹤學生多輪信念變化，避免僅靠終點評估；2. 以 Bayesian 模型預測潛在信念，調整說服策略提升學習成效；3. 在文字與語音教材中測試說服效果，確保跨媒體一致性；4. 利用修辭分類設計對話腳本，增強說服力；5. 評估時加入過程忠實度指標，保障系統安全與倫理。

原始文獻資訊

英文標題：
A Model of Multi-turn Human Persuadability Using Probabilistic Belief Tracing
作者：
Jared Moore, Noah Goodman, Nick Haber, Max Kleiman-Weiner
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。