动态内群体人格生成以增强人机融洽关系

# 动态内群体人格生成以增强人机融洽关系 来源：https://arxiv.org/html/2606.18256 Yoonseok Oh1∗, Inseo Jung1∗, Jinkyu Kim1,2, Jungbeom Lee1, Minwoo Kang3†, Suhong Moon3† 1高丽大学2Kakao Mobility3加州大学伯克利分校 bd9983@korea\.ac\.kr ∗同等贡献。†共同通讯作者。 ###### 摘要 基于大语言模型（LLM）的聊天机器人越来越多地应用于咨询和同伴支持等人际领域，在这些领域中，建立人机融洽关系至关重要，但仍具挑战性。在本工作中，我们提出一种新颖的方法，用于对LLM进行内群体人格的条件化，该方法（i）首先识别用户的主要关注点和简要个人背景（例如，一名担心未来职业前景的计算机科学本科生），并（ii）生成一个合成内群体人格，该人格共享相似的主要关注点，但在背景和叙事细节（如年龄或职业）上有所不同（例如，一家AI初创公司的初级研究员）。此外，我们进行了一项人类受试者研究，系统评估内群体人格智能体在增强人机融洽关系方面的有效性。我们将我们的方法与两个基线条件进行比较：没有人格条件化的传统智能体，以及表现出最小自我表露的智能体（例如，“我也曾有过这种感觉”）。来自评估融洽关系和用户体验的任务后问卷结果表明，与基线相比，内群体人格智能体显著改善了感知融洽度和个人相关性，并带来了更积极的用户体验——最显著的是更高的参与度。 \\NAT@set@cites Dynamic In\-Group Persona Generation for Enhancing Human–AI Rapport Yoonseok Oh1∗, Inseo Jung1∗, Jinkyu Kim1,2, Jungbeom Lee1, Minwoo Kang3†, Suhong Moon3†1高丽大学2Kakao Mobility3加州大学伯克利分校bd9983@korea\.ac\.kr∗同等贡献。†共同通讯作者。 ## 1 引言 融洽关系（rapport）被定义为“相互关注、积极性和协调性”tickle1990nature，在咨询和同伴支持中至关重要，因为用户需要感到舒适而披露个人经历nienhuis2018therapeutic;truong2019role。在支持性和人际性的人机交互中，例如同伴支持或类似咨询的对话（用户讨论个人关注点并可能受益于共情交流），融洽关系可以发挥核心作用。如果没有关系连接感，用户可能会脱离互动，认为智能体缺乏人情味，或犹豫分享有意义的信息liu2024chatgpt;pentina2023exploring。在这些情境中，融洽关系不仅支撑着对话的自然性，也支撑着AI系统在培养用户信任、合作和持续参与方面的有效性。 参见图注Figure 1:人机对话中用于融洽关系的动态人格生成。三种LLM智能体对同一句表达生活关注点的用户话语的响应比较。*无人格*，没有额外人格条件化的聊天机器人LLM，给出中性、通用的指导；*无人格+自我表露*添加了一个简短、通用的自我表露，未针对用户引发的情境进行定制；最后，*内群体人格智能体（我们的方法）*使用源自对话前情境的、与关注点对齐的人格，提供情境化的自我表露。 尽管基于大语言模型（LLM）的聊天机器人越来越多地部署在心理健康支持、教育和客户服务等领域，但与用户建立融洽关系仍然是一个核心挑战。尽管我们正在目睹基于AI的咨询和心理健康支持系统（如Woebot和Wysafitzpatrick2017delivering;inkster2018empathy）的快速部署，以及在临床环境中的测试试验heinz2025randomized;macneill2024effectiveness，但聊天机器人通常无法展示对形成融洽关系所需的社会线索的情境理解，而这与人类咨询师相比仍存在差距sands2021managing;chan2022challenges;klein2025effects。因此，基于LLM的系统在维持长期有效性方面仍面临局限：持续的成功似乎取决于用户是否将智能体视为值得信赖、共情且具有吸引力siddals2024happened;limpanopparat2024user;liu2025illusion。 培养融洽关系的一个关键机制是**自我表露**，即分享个人想法、感受或经历以建立信任和亲密感的行为。人际研究表明，通过互惠性，自我表露能增强信任和亲密感carpenter2015social。在人机交互（HCI）中，分享个人或情感信息的聊天机器人能引发用户更多的自我表露和满意度ho2018psychological;lee2020hear，并且情感自我表露已被证明能增加再次使用意向park2023effect。另一个建立融洽关系的机制是展示**相似性和内群体偏好**：根据相似吸引理论byrne1972attraction，人们对与他们相似的伙伴反应更积极。这种效应可以推广到聊天机器人，感知到的个性或风格相似性可以增强信任和亲和力reeves1996media;jin2023birds。内群体分类进一步放大了这些效应，当用户将智能体视为群体成员时，他们会认为其更值得信赖、更具合作性nass1997machines;eyssel2012social。然而，大多数聊天机器人研究都强调**浅层次相似性**（例如，语气或特质匹配），而非共享的生活经历或社会身份，使得**情境对齐**的更深层作用尚未得到充分探索ahn2021ai;alawi2023accepting。 在本工作中，我们提出了一个**动态人格生成**框架，该框架将LLM人格建立在用户表达的关注点和情境之上，构成了我们**内群体人格智能体（IPA）**的基础。该框架旨在通过精细的智能体人格构建和基于关注点的对齐，改善人机交互中的关系结果。我们的方法借鉴了心理健康同伴支持研究的发现，该研究强调对话者之间的共同经历如何提供独特的益处：希望、认可和一种不孤单的感觉repper2011review。我们模拟用户表达的**关注点**——他们当前在意的问题，捕捉其情感与目标导向状态randle2017societal;ho2018psychological;cortland2017solidarity——这些关注点进而被用来形成以用户为中心的体验表征，为智能体的人格设计提供依据。通过将基于用户关注点的经历作为人格的一部分纳入，我们的LLM智能体能够产生既共情又情境适切的响应。 为了评估该框架，我们进行了交互会话，模拟日常对话，其中参与者在支持性但非专业的情境中讨论个人关注点，如职业和就业问题。这些对话提供了一个平衡的场景，用户既寻求情感共情也寻求实际视角，使我们能够评估与关注点对齐的人格如何影响人机交互中的关系结果。 ##### 贡献。我们提出以下贡献： - •我们提出了**内群体人格智能体（IPA）**，一种通过多阶段提示流水线动态整合人格生成和对话推理的方法，从引发的用户对话情境中构建与关注点对齐的人格。 - •我们通过事后分析补充了人类受试者评估，验证了人格质量并描述了轮次层面和对话层面的交互模式，从而揭示了融洽关系提升背后的行为机制。 - •受控评估表明，IPA相较于基线改善了融洽关系（尤其是个人相关性），并带来适度的用户体验改善（最显著体现在参与度上），凸显了**内群体对齐**作为人机关系质量关键因素的作用。 参见图注Figure 2:所提出的**内群体人格智能体**概览。(a) 整体交互流程：通过充分性检查的对话前情境引发收集用户的关注点；然后用户从五个候选人格中选择一个；主对话使用所选人格进行（参见第3节 (https://arxiv.org/html/2606.18256#S3)）。(b) 人格生成过程：从对话前对话中提取特质，并将其划分为**已收集**与**未收集**两类；系统利用这两类信息，组合背景和叙事（相似经历与解决方案），并以不同方式组合特质，生成五个不同的人格。 ## 2 相关工作 ### 2.1 LLM人格条件化 大语言模型（LLM）可以通过仅通过提示条件化来展示类似人格的语言模式，而无需参数更新。迄今为止的证据表明，这种效果在会话内最强且依赖任务，表明可靠的短期风格控制而非持久身份moon2024virtual;kang2025deep;jiang2023personallm;tseng2024two。背景故事式提示能改善大规模模拟中的响应一致性和分布对齐moon2024virtual;kang2025deep，而人格提示（如大五人格）能在匹配指令下跨任务诱发与特质一致的倾向jiang2023personallm。最近的评估工作进一步研究了在分配人格条件下，LLM智能体是否能在各种环境中保持其行为、语言习惯和响应与所给人格一致Samuelet al.​(2024 (https://arxiv.org/html/2606.18256#bib.bib1))。与先前依赖静态背景故事或基于特质的提示以引发短暂风格对齐的研究不同，我们的内群体人格智能体动态生成基于用户表达情境的、与关注点对齐的人格，从而实现持续的关系对齐以及可测量的融洽关系和参与度改善。 ### 2.2 AI聊天机器人的自我表露 关于人际动力学以及"计算机是社会角色"（CASA）框架的研究表明，即使当人们与人工代理交互时，基于表露的互惠性也可能出现collins1994self;reeves1996media。实验工作还显示了针对基于计算机的代理的互惠响应，特别是代理自我表露后用户自我表露的增加moon2000intimate。在对话式AI系统的研究中，与不进行自我表露的基线相比，代理的自我表露增加了用户的自我表露lee2020hear，并改善了满意度（和再次使用意向）park2023effect。然而，所报告的益处取决于表露的情境相关性和感知适当性lee2020hear;park2023effect;tsumura2023influence。值得注意的是，先前对表露的操作通常是通用的（例如，情感性与中性/事实性陈述），而非针对用户当前关注点进行定制lee2017enhancing;ho2018psychological;park2023effect。我们通过使用与关注点对齐的人格线索操作相关性，并通过比较无人格和通用自我表露基线来隔离情境对齐的附加价值，从而解决了这一条件性问题。 ### 2.3 相似性与内群体线索 相似性操作会影响用户判断和意图，且因应用领域而异。例如，在语音界面中，匹配声音人格增加了感知社交存在感lee2003designing。在推荐聊天机器人中，人格对齐改善了评估和意图指标jin2023birds。在社会机器人学中，内群体框架能带来更有利的判断（如喜好、拟人化）和接近意图nass1997machines;eyssel2012social。这些操作主要依赖静态特质/风格匹配或分类群体标签，而非针对用户当前关注点的情境对齐。综合这些观察结果，我们主张关注**与关注点对齐**的关系线索，而非依赖通用表露或静态特质/风格匹配。 ## 3 方法 ### 3.1 概述 **人格智能体**分析主对话前收集的对话内容以推断用户的关注点和相关信息。基于推断的信息，它生成一个属于用户内群体且与用户共享相同关注点的人格，并将这个虚构的人格——包含角色简介和精心策划的过往经历——嵌入到对话开始之前。这种嵌入的人格使得智能体能够传达共情的话语和自我表露的叙事，从而与没有明确、定制人格的聊天机器人相比，实现更高水平的融洽关系。例如，当回应一位担心工作压力的用户时，一个通用聊天机器人可能会回答：“很抱歉你感到压力；考虑在工作期间休息一下。”相比之下，嵌入了人格的智能体可能会分享：“我记得几年前我自己的工作时也感到不堪重负。我发现利用休息时间短暂户外散步帮助我更好地管理了压力。”后一种响应利用了人格驱动的自我表露，从而培养了更强的融洽关系。这种方法在用户体验至关重要的领域尤其有价值，包括心理支持、教育和个性化服务。 ### 3.2 人格定义 在本研究中，**人格**由合成的**智能体背景**和**过往叙事**组成。通过将这些信息注入提示中，我们创建了一个**人格智能体**，一个能够与用户交互的虚拟人格。 ##### 背景。背景提供了人格的简明概述，包括个人经历、教育背景或兴趣等方面。虽然它不能直接解决用户的关注点，但它将智能体定位为一个具有可识别特质和情境基础的一致的社会角色。 ##### 叙事。叙事描述了合成人格过去如何面对与用户关注点相似的挑战，并描述了他们为克服它而采取的步骤。基于这个合成叙事，模型进行策略性的自我表露，传达共情和共同经历。 ### 3.3 对话前情境引发 在对话前的情境引发阶段，一个关注点引发智能体（收集器）与用户互动，以引出其主要关注点和简要背景。每两轮对话后，系统检查信息是否足以继续；如果不足，智能体继续提出简洁的澄清问题。一旦满足充分性条件，流水线进入人格生成阶段。固定的充分性规则和提示模板见附录F (https://arxiv.org/html/2606.18256#A6)。 ### 3.4 人格生成 基于对话前情境引发阶段收集的信息，系统生成**五个内群体人格**，以反映用户的情境和特征，使得所有生成的人格都让用户感到相关和可关联。为此，系统将用户特质分类为已收集信息（如关注点、明确陈述的偏好或人口统计指标）和对话前对话中未获得的信息（即未指定的特质）。基于这一分类，我们的工作流程以不同方式组合已有信息的特质，生成五个不同的人格。每个合成人格与用户共享相同的主要关注点，但在分配的背景和叙事细节（如年龄或职业）上有所不同，从而为共享关注点提供多样的视角。被分类为未收集信息的特质保持未指定，使得最终生成的简介仅反映用户实际披露的信息。 生成人格示例（节选）**背景：**我是一名26岁的计算机科学毕业生，在本科学习期间，特别是在学习机器学习和神经网络课程后，对AI研究产生了浓厚的兴趣...**叙事**