四大主流 LLM 在面對具備特定人格特質的求助者時，說多於聽
arXiv - Computers and SocietyPablo A. Fonseca, Raquel Rodr\'iguez-Carvajal, Rafael A. Calvo
研究發現主流 LLM 在面對心理危機求助時，普遍存在過度冗長、說多聽少且過早給予建議的問題。
AI 幫你先抓重點
AI 重點 1
LLM 在情緒支持任務中存在「過早解決問題」的結構性缺陷
滑鼠懸停看 AI 判斷理由
這挑戰了目前 AI 輔助心理諮商或情緒支持的設計邏輯。目前的模型傾向於任務導向的解決方案，卻忽略了心理支持中「傾聽與共情」的前置重要性，這對於開發具備同理心的 AI 輔助工具是關鍵警示。
AI 重點 2
人格特質的識別已能透過對話文本進行精準的量化評估
滑鼠懸停看 AI 判斷理由
這證明了對話數據不僅能傳遞資訊，還能反映深層的心理特質與調節傾向。這對於設計「個性化學習路徑」或「適應性教學系統」具有高度價值，因為 AI 可以根據學生的心理韌性或應對風格調整互動策略。
核心研究發現
- 1
研究開發了一套人格感知評估系統，能透過對話內容高準確度地識別出求助者的五大人格特質、應對風格、自我效能感、韌性及反抗性。
- 2
四款主流大型語言模型在情緒穩定化方面的表現無顯著差異，且在面對危機時皆表現不佳。
- 3
所有受測模型皆呈現三種共同模式：過度冗長、說話與傾聽比例超過 1:1，以及在尚未充分探索情境前就急於提供解決方案。
對教育工作者的啟發
對於開發教育輔助或心理支持 AI 的設計者，應從「解決問題導向」轉向「傾聽與探索導向」。建議在模型微調或提示工程（Prompt Engineering）中，加入「先傾聽、後提問、再建議」的限制條件，並刻意降低模型的冗長度（Verbosity）。此外，應利用模型對用戶人格特質的識別能力，設計更具適應性的互動腳本，例如針對低韌性或高反抗性的學生，調整溝通的語氣與介入時機，而非一味提供標準化的解決方案。
原始文獻資訊
- 英文標題：
- All four leading LLMs talk more than they listen to personality-verified synthetic help-seekers
- 作者：
- Pablo A. Fonseca, Raquel Rodr\'iguez-Carvajal, Rafael A. Calvo
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。