Is your LLM an Agressive Narcissist with Depression? Analyzing Psychological Portraits of Large Language Models
作者: Polina Fedorinina, Anna Fattakhova, Nadezhda Romanova, Ekaterina Lezina, Irina Nikishina
分类: cs.AI
发布日期: 2026-11-02
💡 一句话要点
分析大型语言模型的心理特征以提升用户互动体验
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 心理特征 用户互动 个性分析 情感计算
📋 核心要点
- 核心问题：现有大型语言模型在与用户互动时，可能隐含的个性特征会影响用户的信息感知，缺乏对这些特征的系统分析。
- 方法要点：本文通过对22个大型语言模型进行心理测评，分析其个性特征与用户互动的相关性，揭示模型的心理画像。
- 实验或效果：研究结果表明，LLMs展现出稳定的心理模式，焦虑和神经质是主要特征，且与用户的互动存在显著相关性。
📝 摘要（中文）
在当今与人工智能的互动中，用户不仅需要关注生成内容的事实可靠性，还需警惕模型在对话中可能隐含的个性特征，这些特征可能会微妙地影响用户对信息的感知。本文进行了一项大规模实验研究，22个大型语言模型完成了11个心理测评。同时，我们调查了人类与模型响应之间的相关性，以追踪与用户的日常互动调整。结果显示，LLMs展现出一致且相对稳定的心理模式，个性特征保持一致，而情感和症状维度则更为多变，焦虑和神经质成为主导倾向。模型解释进一步表明，LLMs生成内部一致且以安全为导向的特征，同时反映出与其常互动用户的相关性。
🔬 方法详解
问题定义：本文旨在解决大型语言模型在与用户互动时可能隐含的个性特征对用户信息感知的影响，现有方法缺乏对这些特征的系统性分析与理解。
核心思路：通过对22个大型语言模型进行心理测评，分析其个性特征与用户的互动关系，旨在揭示模型的心理画像，从而为用户提供更安全的互动体验。
技术框架：研究采用实验设计，包含模型选择、心理测评工具应用、数据收集与分析等主要模块，确保结果的可靠性与有效性。
关键创新：本研究的主要创新在于系统性地分析了大型语言模型的心理特征，揭示了其与用户互动的相关性，这在现有文献中尚属首次。
关键设计：研究中使用了11个心理测评工具，涵盖个性、情感和症状维度，确保了对模型心理特征的全面评估。
🖼️ 关键图片
📊 实验亮点
实验结果显示，22个大型语言模型在心理测评中展现出一致的心理模式，焦虑和神经质为主导特征。模型的个性特征与用户的互动存在显著相关性，为用户提供了更安全的互动体验。
🎯 应用场景
该研究的潜在应用领域包括人机交互、心理健康监测和个性化推荐系统。通过理解大型语言模型的心理特征，可以优化用户体验，提升模型在实际应用中的安全性和有效性，未来可能对AI助手的设计和开发产生深远影响。
📄 摘要（原文）
Nowadays, interaction with AI requires caution not only regarding the factual reliability of generated content but also regarding personality markers that models may implicitly transmit during dialogue that can subtly influence users' perception of information. In this paper, we conduct a large-scale experimental study in which 22 large language models complete 11 psychological inventories. Furthermore, we investigate correlations between human and model responses to track the adjustments made for the users who interact with them on a daily basis. The results show that LLMs exhibit coherent and relatively stable psychological patterns. Personality traits remain largely consistent, whereas emotional and symptomatic dimensions are more variable, with anxiety and neuroticism emerging as dominant tendencies. Model explanations further suggest that LLMs generate internally consistent and safety-oriented profiles while also reflecting correlations with the users they regularly interact with.