论文页面 - 修订上下文，改变模拟立场：审计基于LLM的在线讨论立场模拟

Source: https://huggingface.co/papers/2606.06443

摘要

基于LLM的立场模拟在经历反事实修订时表现出上下文敏感性，纯文本和多模态方法在不同极化机制下均展现出稳健的立场转变。

大型语言模型（https://huggingface.co/papers?q=Large%20language%20models）越来越被用于模拟社交媒体用户，并推断个人在在线讨论中可能的回应。然而，目前尚不清楚这些模拟是否反映了精确的用户特定信念，还是对对话上下文中语义无关的变化高度敏感。在这项工作中，我们研究反事实上下文修订（https://huggingface.co/papers?q=counterfactual%20context%20revision）作为审计基于LLM的立场模拟（https://huggingface.co/papers?q=stance%20simulation）的框架。给定一个原始在线对话，我们首先推断目标用户针对特定话题的立场。然后，我们对对话上下文（https://huggingface.co/papers?q=conversational%20context）应用受控的修订策略，并在修订后的上下文中再次模拟用户的立场。我们比较纯文本修订策略与结合了表情包上下文的多模态策略，并评估两个主要的有效性指标，即平均方向性立场转变和立场转变率（https://huggingface.co/papers?q=stance%20transition%20rate）。结果显示，在纯文本和多模态策略中，在不同的极化偏好机制（https://huggingface.co/papers?q=polarization-preference%20mechanisms）下都出现了有效且稳健的立场转变。我们的研究贡献了一个评估框架，用于理解基于LLM的立场模拟（https://huggingface.co/papers?q=stance%20simulation）的上下文敏感性。更广泛地说，它凸显了使用LLM模拟在线舆论动态的前景和风险。

查看arXiv页面（https://arxiv.org/abs/2606.06443） 查看PDF（https://arxiv.org/pdf/2606.06443） 添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.06443）

引用本文的模型 0

没有模型链接此论文

在模型的README.md中引用arxiv.org/abs/2606.06443以从此页面链接。

引用本文的数据集 0

没有数据集链接此论文

在数据集的README.md中引用arxiv.org/abs/2606.06443以从此页面链接。

引用本文的空间 0

没有空间链接此论文

在空间的README.md中引用arxiv.org/abs/2606.06443以从此页面链接。

包含本文的收藏 0

没有收藏包含此论文

将此论文添加到一个收藏（https://huggingface.co/new-collection）以从此页面链接。