AI Should Be More Human, Not More Complex

📄 arXiv: 2508.04713v1 📥 PDF

作者: Carlo Esposito

分类: cs.HC, cs.AI

发布日期: 2025-07-27

备注: 2025 - Knowledge Commons - Eyed Research Collection

DOI: 10.17613/wvqv2-k7y89

💡 一句话要点

研究表明AI搜索应更注重简洁和可信度，而非过度复杂的表达

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 人机交互 用户体验 AI搜索 信息检索 自然语言处理 信任度 简洁性

📋 核心要点

  1. 现有大型语言模型在搜索应用中倾向于生成冗长复杂的回复，导致用户满意度和参与度降低。
  2. 该研究提出AI应模仿人类有效的沟通方式，即简洁、溯源并坦诚地承认自身局限性。
  3. 实验结果表明，用户更喜欢简洁且注明来源的回复，过度复杂的回复会降低用户信任度。

📝 摘要（中文）

大型语言模型（LLMs）在搜索应用中越来越倾向于冗长、词汇复杂的回复，但这种趋势反而降低了用户满意度和参与度。通过一项对约10000名参与者的大型研究，比较了五个主要AI搜索系统的回复，我们发现用户更喜欢简洁且注明来源的回复，而不是详尽的解释。我们的分析表明，当前AI开发中追求“人为复杂性”的趋势会产生一种“恐怖谷效应”，即系统听起来知识渊博，但缺乏真正的批判性思维，从而降低了信任度并增加了认知负担。我们提供的证据表明，最佳的AI沟通方式应模仿有效的人类对话：直接、正确溯源并坦诚地承认局限性。我们的发现挑战了“更复杂的AI回复意味着更好的性能”这一普遍假设，并表明类人的简洁性和透明度是用户参与和系统可靠性的关键。

🔬 方法详解

问题定义：现有大型语言模型在搜索应用中，为了追求更高的“智能”水平，倾向于生成冗长、词汇复杂的回复。然而，这种做法并没有提升用户体验，反而降低了用户满意度和参与度。用户难以快速获取所需信息，并且对AI的信任度降低。现有方法的痛点在于过度追求“人工复杂性”，忽略了人类自然语言交流的简洁性和透明性。

核心思路：论文的核心思路是，AI在搜索应用中的回复应该更像人类的有效沟通，即简洁、直接、溯源，并坦诚地承认自身的局限性。作者认为，AI应该避免过度解释和使用复杂的词汇，而是应该专注于提供准确、简洁的信息，并清晰地标明信息的来源，以提高用户的信任度和满意度。

技术框架：该研究主要通过用户调研的方式进行。研究团队比较了五个主要AI搜索系统的回复，并邀请约10000名参与者对这些回复进行评估。评估指标包括用户满意度、参与度、信任度以及认知负荷。研究团队分析了用户对不同类型回复的偏好，并从中提取了AI沟通的最佳实践。

关键创新：该研究的关键创新在于挑战了“更复杂的AI回复意味着更好的性能”这一普遍假设。作者通过实验证明，用户更喜欢简洁、溯源的回复，而不是过度复杂的解释。这一发现对AI搜索系统的设计具有重要的指导意义，即AI应该更加注重用户体验，而不是一味地追求“人工复杂性”。

关键设计：该研究的关键设计在于用户调研的规模和多样性。研究团队邀请了约10000名参与者，并比较了五个主要AI搜索系统的回复，从而保证了研究结果的可靠性和普适性。此外，研究团队还使用了多种评估指标，包括用户满意度、参与度、信任度以及认知负荷，从而全面地评估了不同类型回复的效果。

📊 实验亮点

研究结果显示，用户更喜欢简洁且注明来源的AI回复，而非冗长复杂的解释。用户对简洁回复的满意度和信任度显著高于复杂回复。此外，研究还发现，过度复杂的AI回复会增加用户的认知负荷，降低用户参与度。这些发现表明，AI搜索系统应该更加注重用户体验，采用更简洁、透明的沟通方式。

🎯 应用场景

该研究成果可应用于改进AI搜索系统、智能助手和聊天机器人的设计。通过采用更简洁、透明的沟通方式，可以提高用户满意度、信任度和参与度。此外，该研究也对人机交互领域具有指导意义，强调了AI系统应更加注重用户体验，避免过度追求“人工复杂性”。未来的AI系统可以借鉴人类的有效沟通方式，从而更好地服务于人类。

📄 摘要（原文）

Large Language Models (LLMs) in search applications increasingly prioritize verbose, lexically complex responses that paradoxically reduce user satisfaction and engagement. Through a comprehensive study of 10.000 (est.) participants comparing responses from five major AI-powered search systems, we demonstrate that users overwhelmingly prefer concise, source-attributed responses over elaborate explanations. Our analysis reveals that current AI development trends toward "artificial sophistication" create an uncanny valley effect where systems sound knowledgeable but lack genuine critical thinking, leading to reduced trust and increased cognitive load. We present evidence that optimal AI communication mirrors effective human discourse: direct, properly sourced, and honest about limitations. Our findings challenge the prevailing assumption that more complex AI responses indicate better performance, instead suggesting that human-like brevity and transparency are key to user engagement and system reliability.