Can Induced Emotion Bias LLM Behaviors in Sequential Decision Making?
作者: Minh Khoi Ho, Zihao Zhu, Runchuan Zhu, Levina Li, Zhiwen Fan, Zhangyang Wang, Junyuan Hong
分类: cs.CL, cs.AI
发布日期: 2026-07-14
💡 一句话要点
探讨情感诱导对大语言模型决策行为的影响
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 情感诱导 顺序决策 爱荷华赌博任务 决策动态 人机交互 情感调节
📋 核心要点
- 核心问题：现有研究尚不清楚情感诱导是否会影响大语言模型的顺序决策行为。
- 方法要点：采用爱荷华赌博任务结合情感诱导程序，验证LLMs对情感的感知及其决策学习能力。
- 实验或效果：研究发现愤怒情感诱导会影响LLMs的决策敏感度和探索行为，揭示其与人类的不同之处。
📝 摘要（中文）
随着大语言模型（LLMs）在高风险领域的自主应用日益增加，理解影响其决策的上下文因素变得至关重要。本文研究了情感诱导是否会影响LLMs的顺序决策，采用了爱荷华赌博任务（IGT）和基于想象的情感诱导程序。研究发现，尽管LLMs能够感知情感，但与人类不同，诱导情感对其决策动态的影响并不显著。然而，愤怒情感的诱导会使LLMs对不良决策的惩罚敏感度降低，并在游戏早期阶段减少探索行为，导致决策锁定。这些发现揭示了情感诱导对LLMs决策的微妙影响，为未来情感调节研究提供了工具。
🔬 方法详解
问题定义：本文旨在探讨情感诱导是否会影响大语言模型（LLMs）的决策行为。现有方法未能充分揭示情感对LLMs决策动态的影响，尤其是在顺序决策的背景下。
核心思路：研究通过结合爱荷华赌博任务（IGT）和情感诱导程序，验证LLMs在情感上下文中的决策能力，探索情感对其决策过程的潜在影响。
技术框架：研究流程包括情感诱导的实施、LLMs的情感感知验证以及决策动态的分析。主要模块包括情感诱导机制、决策学习过程和结果评估。
关键创新：本文的创新在于揭示了情感诱导对LLMs决策的微妙影响，尤其是愤怒情感对决策敏感度和探索行为的调节作用，这与人类的决策行为存在显著差异。
关键设计：研究中采用了基于想象的情感诱导程序，设计了适应LLMs的决策学习机制，并通过多轮交互验证其决策动态的变化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，尽管情感诱导未显著影响LLMs的决策动态，但愤怒情感的诱导使其对不良决策的惩罚敏感度降低，并在游戏早期阶段减少探索行为。这些发现为理解LLMs的情感调节机制提供了新的视角。
🎯 应用场景
该研究为大语言模型在情感调节和决策支持系统中的应用提供了理论基础，尤其在心理健康、教育和人机交互等领域具有潜在价值。未来，研究结果可用于优化LLMs在复杂决策环境中的表现，提升其与用户的情感共鸣能力。
📄 摘要（原文）
As Large Language Models (LLMs) are increasingly deployed as autonomous agents in high-stakes domains, understanding contextual factors that may modulate their decision-making becomes critical. While LLMs are trained to perceive and resonate with users' emotions, it remains unclear whether induced emotion can influence their sequential decision-making. We investigate this question using the Iowa Gambling Task (IGT), a classic psychological paradigm for studying decision-making under uncertainty, combined with an imagination-based emotion induction procedure. We first validate the feasibility of this paradigm by confirming that LLMs can sense strong, distinguishable emotions from context and that LLM agents can learn from sequential interactions in a human-like pace. With the validated setup, we find that, different from humans, induced emotion does not significantly bias the decision dynamics of LLM agents on average. However, the effects of anger are conditioned: inducing anger makes LLM agents less sensitive to penalties for bad decisions, and in early stages of the game, anger can lower exploration, locking decisions into a few choices early. These findings reveal the subtle yet distinct effects of induced emotion on LLM decision-making compared to human behavior, and provide a tool for future research on affective modulation of LLM agents.