AI-Mediated Communication Reshapes Social Structure in Opinion-Diverse Groups
作者: Faria Huq, Elijah L. Claggett, Hirokazu Shirado
分类: cs.SI, cs.CL
发布日期: 2025-10-24 (更新: 2025-11-25)
备注: Preprint, Under Review
💡 一句话要点
AI辅助沟通重塑意见群体中的社会结构，影响群体凝聚与分裂
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: AI辅助沟通 群体结构 社会网络 大型语言模型 意见分歧 社会凝聚力
📋 核心要点
- 现有研究缺乏对AI辅助沟通如何影响群体结构演变的深入理解，尤其是在意见分歧较大的群体中。
- 该研究利用大型语言模型提供个性化或关系化的消息建议，旨在探究不同类型的AI辅助如何影响群体沟通和结构。
- 实验结果表明，不同类型的AI辅助会显著影响群体沟通模式和结构，例如立场聚类和异质性联系。
📝 摘要（中文）
群体隔离或凝聚可能源于微观层面的沟通，而AI辅助消息传递可能会影响这一过程。本文报告了一项预先注册的在线实验（N = 557，共60个会话），参与者在多轮讨论中就存在争议的政治话题进行讨论，并可以自由更换组别。部分参与者收到来自大型语言模型（LLM）的实时消息建议，这些建议可以是针对其立场的个性化建议（个人辅助），也可以是结合其组成员观点的建议（关系辅助）。研究发现，AI辅助沟通中的微小变化会演变为群体组成上的宏观差异。接受个人辅助的参与者发送更多消息，并表现出更强的基于立场的聚类，而接受关系辅助的参与者使用更具接受性的语言，并形成更多异质性联系。人类和AI共同产生的混合表达过程可以重塑集体组织。结构性分裂和凝聚的模式取决于AI如何整合用户的互动背景。
🔬 方法详解
问题定义：该论文旨在研究在意见存在分歧的群体中，AI介导的沟通如何影响社会结构的形成，具体来说，就是群体是倾向于形成基于共同立场的隔离，还是形成更具凝聚力的、包含不同观点的群体。现有方法缺乏对AI如何影响群体内部沟通模式，以及这些模式如何最终塑造群体结构的深入理解。
核心思路：核心思路是通过设计一个在线实验，让参与者就政治话题进行讨论，并引入两种不同类型的AI辅助：一种是“个人辅助”，即AI根据参与者的个人立场提供个性化的消息建议；另一种是“关系辅助”，即AI结合群体成员的观点提供消息建议。通过比较这两组参与者的沟通模式和群体结构，来探究AI如何影响群体的凝聚力和分裂。
技术框架：整体实验框架包括以下几个阶段： 1. 招募参与者：招募具有不同政治立场的参与者。 2. 分组讨论：将参与者分成小组，就存在争议的政治话题进行多轮讨论，参与者可以自由更换组别。 3. AI辅助：部分参与者接受AI辅助，分为“个人辅助”和“关系辅助”两组，对照组不接受AI辅助。 4. 数据收集：收集参与者的消息内容、互动行为、群体关系等数据。 5. 数据分析：分析不同组别参与者的沟通模式、群体结构和社会网络特征。
关键创新：该研究的关键创新在于： 1. 区分了两种不同类型的AI辅助：个人辅助和关系辅助，这使得研究能够更细致地探究AI的不同干预方式对群体结构的影响。 2. 关注AI在意见分歧群体中的作用：这对于理解AI如何影响社会极化和群体凝聚力具有重要意义。 3. 采用实验方法：通过控制实验条件，能够更清晰地揭示AI与社会结构之间的因果关系。
关键设计： 1. 大型语言模型（LLM）：使用LLM生成消息建议，确保建议的质量和相关性。 2. 个性化消息建议：个人辅助组的LLM根据参与者的立场生成消息建议，旨在强化其原有观点。 3. 关系化消息建议：关系辅助组的LLM结合群体成员的观点生成消息建议，旨在促进不同观点之间的交流和理解。 4. 多轮讨论：通过多轮讨论，观察AI辅助对群体结构长期演变的影响。 5. 自由更换组别：允许参与者自由更换组别，使得群体结构能够动态演变。
🖼️ 关键图片
📊 实验亮点
实验结果表明，个人辅助导致更强的基于立场的聚类，参与者发送更多消息；而关系辅助则促进了更具接受性的语言使用，并形成了更多异质性联系。这些发现量化了AI辅助沟通对群体结构和社会关系的影响，揭示了AI在塑造集体组织中的作用。
🎯 应用场景
该研究成果可应用于在线社区管理、政治辩论平台设计、企业团队建设等领域。通过合理设计AI辅助沟通方式，可以促进不同观点之间的交流和理解，减少群体极化，增强社会凝聚力。未来的研究可以探索更复杂的AI辅助策略，例如根据群体动态调整辅助方式。
📄 摘要（原文）
Group segregation or cohesion can emerge from micro-level communication, and AI-assisted messaging may shape this process. Here, we report a preregistered online experiment (N = 557 across 60 sessions) in which participants discussed controversial political topics over multiple rounds and could freely change groups. Some participants received real-time message suggestions from a large language model (LLM), either personalized to their stance (individual assistance) or incorporating their group members' perspectives (relational assistance). We find that small variations in AI-mediated communication cascade into macro-level differences in group composition. Participants with individual assistance send more messages and show greater stance-based clustering, whereas those with relational assistance use more receptive language and form more heterogeneous ties. Hybrid expressive processes-jointly produced by humans and AI-can reshape collective organization. The patterns of structural division and cohesion depend on how AI incorporates users' interaction context.