分析多模態大型語言模型代理在城市感知中生成解釋的角色效應
arXiv - Human-Computer InteractionNeemias da Silva, Myriam Delgado, Rodrigo Minetto, Daniel Silver, Thiago H Silva
研究角色提示如何影響多模態LLM在城市感知任務中的生成說明，發現標題一致但理由因社會經濟屬性差異而變化。
AI 幫你先抓重點
AI 重點 1
角色提示可顯著影響LLM生成的理由內容，提示不同社會經濟背景會導致解釋偏差。
滑鼠懸停看 AI 判斷理由
了解這一點幫助設計更公平、多元的AI教育工具，避免因模型偏見導致學習資源不平等。
AI 重點 2
不同角色對同一場景的評估主題差異揭示了多模態LLM在社會情境下的解釋多樣性。
滑鼠懸停看 AI 判斷理由
此洞察強調在設計城市感知學習任務時需考慮角色多樣性，以提升學生批判性思維與社會情境理解。
核心研究發現
- 1
不同角色的代理在生成城市場景標題時表現出高度一致性，幾乎無顯著差異。
- 2
理由文本顯示出與代理的社會經濟和政治屬性相關的系統性差異。
- 3
感知標籤在統計上未顯示角色差異，但觀察到輕微趨勢。
對教育工作者的啟發
教育工作者可利用本研究發現，先在教學設計中加入多樣角色提示，觀察其對學生解釋內容的影響，進而調整教學語料與評量方式，避免因模型偏見造成的知識不均。對於城市感知課程，可設計角色扮演活動，讓學生以不同社經背景觀察同一場景，培養批判性思維與多元視角。開發AI輔助工具時，應加入角色多樣性檢測，確保生成說明不受單一社會層級影響，提升學習公平性與參與度。
原始文獻資訊
- 英文標題：
- Analyzing Persona Effects in Generated Explanations from Multimodal LLM Agents in Urban Perception
- 作者：
- Neemias da Silva, Myriam Delgado, Rodrigo Minetto, Daniel Silver, Thiago H Silva
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
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。