探討大型語言模型的擬人化行為：模型、用戶與系統提示的多維度分析
arXiv - Human-Computer InteractionSunnie S. Y. Kim, Margit Bowler, Leon A Gatys
本研究透過多維度分析揭示了 LLM 擬人化行為的普遍性、適當性差異及其受系統提示控制的特性。
AI 幫你先抓重點
AI 重點 1
擬人化行為的「適當性」存在明顯的社會心理邊界
滑鼠懸停看 AI 判斷理由
這改變了我們對 AI 互動設計的認知：並非所有擬人化行為都能提升體驗，過度的情感連結或自我表述可能導致用戶產生不適感，設計者必須精準掌握行為的尺度。
AI 重點 2
系統提示是控制 AI 社交特質的關鍵槓桿
滑鼠懸停看 AI 判斷理由
這對於開發教育型 AI 代理（AI Agent）至關重要。開發者可以透過提示工程來調整 AI 的性格，使其在教學過程中表現得更像專業導師而非情感伴侶，從而維持專業教學邊界。
核心研究發現
- 1
研究分析了四種主流模型（GPT-4o、Claude Sonnet 等）共 21,000 則對話，發現擬人化行為在不同模型與用戶特徵下具有高度變異性。
- 2
人類評估顯示，用戶認為 LLM 展現自我參照與建立關係的行為較不適當，但對於維持界限的行為則認為比人類更具適當性。
- 3
研究證實系統提示（System Prompting）能有效控制模型的擬人化行為，但若缺乏謹慎評估，可能會引發非預期的副作用。
對教育工作者的啟發
對於教育科技設計者而言，在開發 AI 學習助手時，應避免過度擬人化的情感互動（如過度分享 AI 的「感受」），以免干擾學習者的認知負荷或建立不健康的依賴關係。相反地，應利用系統提示強化 AI 的「界限維持」行為，確保 AI 始終扮演引導者而非替代思考者的角色。在設計教學對話流時，應針對不同的學習目標（如知識檢索 vs. 批判性思考）動態調整 AI 的擬人化程度，並建立嚴謹的評估機制以防止 AI 產生不當的社交行為。
原始文獻資訊
- 英文標題：
- Examining Human-Like Behaviors in LLMs: A Multi-Dimensional Analysis of Model Behaviors, User Factors, and System Prompts
- 作者：
- Sunnie S. Y. Kim, Margit Bowler, Leon A Gatys
- 來源：
- arXiv - Human-Computer Interaction
- 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。