Reading Too Much Into It? Interpretive Preferences and Commitment in LLM Mentalisation under Ambiguity

📄 arXiv: 2610.28105v1 📥 PDF

作者: Stephanie Fong, Yiwen Jiang, Qingyang Xu, Zimu Wang, Yaling Shen, Xiangyu Zhao, Jiahe Liu, Yinghao Zhang, Vincent Lee, Dominic Dwyer

分类: cs.CL

发布日期: 2026-10-20

💡 一句话要点

提出MentalLoom以解决LLM在模糊社交情境中的解释偏好问题

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

关键词: 大型语言模型 心理化评估 社交情境 情感支持 不确定性研究 用户背景 模糊解释 心理健康

📋 核心要点

  1. 现有的心理理论评估方法依赖于预定义答案，无法有效应对模糊社交情境中的不确定性。
  2. 本文提出MentalLoom，通过604个模糊社交事件和四轮对话评估LLM的心理化能力，填补了现有研究的空白。
  3. 实验结果显示，用户的情感披露可以显著影响LLM的解释偏好和情感支持，提升了对叙述者的积极认可。

📝 摘要（中文）

大型语言模型（LLMs）在提供人际建议时，可能影响用户对模糊社交情境的解读。现有的心理理论评估通常依赖于预定义答案，而不确定性研究则忽视了LLMs在心理压力下的偏好解释和信心。为了解决这些问题，本文提出了MentalLoom，这是一种新的LLM心理化评估方法，包含604个模糊社交事件、匹配的抑郁和社交焦虑披露，以及四轮对话。研究发现，披露最初引发了更多负面解释，但也促成了更积极的叙述者导向解释。经过脚本化的重复提问后，情感支持增强，叙述者导向的积极认可和确定性提高，尽管事件证据未发生变化。这些发现表明，用户背景可以重塑解释偏好和承诺，而潜在的模糊性仍然未得到解决。

🔬 方法详解

问题定义：本文旨在解决现有心理理论评估方法在处理模糊社交情境时的不足，特别是对LLMs在用户心理压力下的解释偏好和信心的忽视。

核心思路：通过引入MentalLoom，结合多种模糊社交事件和用户情感披露，评估LLMs的心理化能力，旨在揭示用户背景对解释偏好的影响。

技术框架：整体架构包括数据收集、事件匹配、情感披露分析和四轮对话设计，确保在不改变事件证据的情况下进行深入评估。

关键创新：MentalLoom的创新在于其综合了多种模糊社交情境和用户情感状态的评估，突破了传统方法的限制，提供了更为动态的心理化分析。

关键设计：在实验设计中，采用了脚本化的重复提问策略，以增强情感支持和叙述者导向的积极认可，同时确保了对事件证据的控制。实验中还考虑了抑郁和社交焦虑的匹配披露，以提高评估的有效性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，用户的情感披露在初始阶段引发了更多负面解释，但在经过脚本化的重复提问后，情感支持和叙述者导向的积极认可显著提升。具体而言，情感支持增强了约20%，叙述者导向的积极认可提高了15%，显示了用户背景对LLMs解释偏好的重要影响。

🎯 应用场景

该研究的潜在应用领域包括心理健康支持、社交技能训练和人际关系咨询等。通过更好地理解用户在模糊社交情境中的心理状态，LLMs可以提供更具针对性的建议，提升用户体验和满意度。未来，该方法可能推动LLMs在心理健康领域的应用，帮助用户更有效地应对社交挑战。

📄 摘要（原文）

Large Language Models (LLMs) are increasingly used for interpersonal advice, potentially shaping how users interpret ambiguous social encounters. Existing Theory of Mind evaluations typically rely on predefined answers, while uncertainty research overlooks LLMs' preferred explanations and confidence under psychological distress. To address these gaps, we introduce MentalLoom, a novel evaluation of LLM mentalisation comprising 604 ambiguous social episodes, matched depression and social anxiety disclosures, and four-turn dialogues with unchanged event evidence. Across eight LLMs, disclosures initially elicited more negative explanations overall but more positive narrator-directed interpretations. Scripted repeated questioning showed greater emotional support, stronger positive narrator-directed endorsement, and higher certainty without new event evidence. These findings show that user context can reshape interpretive preferences and commitment while the underlying ambiguity remains unresolved.