表达社会情感：大语言模型与人类文化情感规范的错位

# 表达社会情绪：大语言模型与人类文化情绪规范之间的错位 来源：https://arxiv.org/html/2604.16757 我们的分析结构旨在直接反映表II（https://arxiv.org/html/2604.16757#S3.T2）中所述的人类研究的主要发现。LLM与人类响应之间的对齐情况摘要见表IV（https://arxiv.org/html/2604.16757#S4）。在本节中，我们详细检视这些结果，重点指出系统性偏差与不对齐之处。参见图3说明：PSE与NSE评分均值之差δ(P-N) \( \delta_{\text{(P-N)}} \)，经2000次Bootstrap抽样及95%置信区间计算得出。显著性值用于判断EA的δ(P-N)是否大于LA，并通过置换检验计算得出。

### IV-A 融入型与脱离型情绪
人类研究明确指出欧洲裔美国人（EA）与拉丁美洲人（LA）参与者之间存在显著分歧：EA参与者更强烈地表达脱离型（D-EN）情绪（如自豪），而LA参与者则更强烈地表达融入型（EN）情绪（如内疚），这与这两种文化分别表现出的个人主义与集体主义倾向相符[28 (https://arxiv.org/html/2604.16757#bib.bib55)]。受这一核心差异的启发，我们首先考察当LLM基于这些文化角色进行条件化时，是否能复现融入型与脱离型情绪表达强度的相应差异。如表IV（https://arxiv.org/html/2604.16757#S4）中的\[H1a\]、\[H1b\]所示，所有模型在两类文化群体中均表现出一致的规律：融入型情绪的显著表达强度高于脱离型情绪。这揭示了LLM与人类情绪表达之间的系统性错位：尽管训练数据充分覆盖了EA角色，但其在细腻的情绪表达模式上仍被错误表征。图1(b)（https://arxiv.org/html/2604.16757#S4.F1.sf2）以Gemini 2.5 Flash为例展示了这一点（其他模型详见附录F.1），该模型为两个角色都赋予了较高的融入型情绪表达强度，而人类的分布则展现出清晰的跨文化对比。除了文化内部比较外，我们还通过直接对比不同文化角色下的融入型与脱离型情绪分布来进行绝对的跨文化比较（图2（https://arxiv.org/html/2604.16757#S4.F2）；其余模型见附录F.1）。对于人类而言，LA参与者的这两类情绪表达强度均高于EA参与者，符合LA整体表达力更强的观察结果（\[H4\]，表IV（https://arxiv.org/html/2604.16757#S4））。除Qwen外，所有模型在融入型情绪上均偏离了这一规律，其EA角色的表达强度显著高于LA——直接与人类模式相悖。对于脱离型情绪，趋势则较为混杂：大多数模型正确显示LA的表达强度高于EA，而GPT和DeepSeek则未显示出显著差异（附录F.1）。

为进一步探究EA角色与融入型情绪之间的强关联性，我们考察模型是否不成比例地更强烈地表达积极融入型情绪而非消极融入型情绪。图3（https://arxiv.org/html/2604.16757#S4.F3）展示了社交融入型积极情绪与消极情绪评分均值的Bootstrap差值 \(δ(P-N) \delta_{\text{(P-N)}}\)。所有模型的表现差异均大于人类。此外，尽管人类在LA角色上表现出更大的 \(δ(P-N) \delta_{\text{(P-N)}}\) 值，但所有模型（除Phi外）均呈现相反趋势，即EA角色的值显著更高。该效应在GPT、Gemini和Qwen中尤为明显，其积极融入型情绪的表达强度远高于消极融入型情绪。因此，LLM不仅将EA角色与融入型情绪相关联，还不成比例地偏重积极情绪。总体而言，本节凸显了一个关键的对齐问题：即使在针对欧洲裔美国人等已有深入研究的群体时，LLM仍未能准确表征细腻的情绪表达模式\[27 (https://arxiv.org/html/2604.16757#bib.bib3),57 (https://arxiv.org/html/2604.16757#bib.bib61)\]，模型始终一致地偏好融入型情绪——尤其是积极情绪。

参见图4说明：图中左侧展示的是人类与所有LLM在PSE与PSD情绪均值之差上的对比，右侧为NSE与NSD情绪的相同指标对比。对于积极情绪，LLM展现的趋势与人类完全相反；而对于消极情绪，趋势则更为复杂和细致。请注意，此处所有距离均为分布层面的度量，采用Wasserstein距离计算。

### IV-B 情绪效价与整体表达强度
人类研究发现，两类文化背景的个体表达PSE情绪的力度均强于PSD（\[H2a\]），且LA参与者之间的差距更大（\[H2b\]）。我们考察了LLM是否捕捉到了这一细微差异。尽管所有模型均符合这一总体趋势（\[H2a\]；表IV（https://arxiv.org/html/2604.16757#S4）），但它们未能复现幅度上的精细跨文化变异。图4（https://arxiv.org/html/2604.16757#S4.F4）左侧显示，对于人类而言，从美国到墨西哥或智利，PSE与PSD情绪的差距逐渐扩大。相比之下，除DeepSeek外的所有LLM均呈现出相反的模式，其中美国的差距最大。Qwen在美国表现出最显著的差异，而DeepSeek在不同文化间的差异几乎相等。

与积极情绪的观察模式相反，人类表达NSD情绪的力度强于NSE情绪（\[H3a\]），且在EA角色上差距更大（\[H3b\]）。除Mistral外，大多数模型符合这一总体趋势，即NSD情绪表达强度高于NSE情绪；而Mistral则呈现相反模式，赋予羞耻和内疚等NSE情绪更高的强度。然而，跨文化差异的一致性较弱。GPT、Gemini和Qwen捕捉到了类似人类的模式，即美国在NSD与NSE的差距上大于墨西哥和智利，而DeepSeek未显示出清晰趋势。相比之下，Mistral和Phi呈现相反模式，在LA角色上表现出更大差异。值得注意的是，NSD与NSE差异的总体幅度小于积极情绪观察到的幅度（详情请见附录F），这表明“社会性”在区分负面情绪表达时所起的作用相对较弱。

我们进一步验证了人类研究中的两项更宏观的结论：(a) 跨文化整体表达强度，以及 (b) 积极与消极情绪的表达强度对比。针对(a)，人类数据显示LA的整体表达强度显著高于EA。除Qwen和Mistral外，大多数模型呈现相反结果，即EA角色的表达强度高于LA——这直接与人类趋势相矛盾。Qwen和Mistral的对齐结果是正确的，而GPT在任一方向上均未显示显著差异。针对(b)，所有模型在所有文化背景下均正确地表现出比消极情绪更强烈的积极情绪表达，这与人类模式一致。

参见图5说明：图中展示了所有模型在各文化与各类情绪下的有效类别数 (\(N_{\text{eff}}\))，并与人类分布进行对比。所有模型的有效类别数均值为：2.79（美国）、3.3（墨西哥）和3.23（智利），而人类的对应值为：4.94（美国）、5.26（墨西哥）和5.26（智利）。

### IV-C LLM响应的确定性与同质性
将LLM作为人类代理的一个关键假设是，其响应应反映真实的人口水平变异性。如果LLM反而将这种变异性坍缩为单一众数响应的狭窄范围，那么无论其平均响应是否准确，它们都无法捕捉到人类心理学的决定性特征。越来越多的证据表明，即使在预期会出现多样性的场景（如开放式创意任务\[33 (https://arxiv.org/html/2604.16757#bib.bib12)\]，或激励错配协调\[3 (https://arxiv.org/html/2604.16757#bib.bib83)\]）中，LLM也会产出同质化的输出，这进一步加剧了这一担忧。在此，我们考察该模式是否延伸至社会情绪表达领域，是否随情绪类别和文化角色而变化，以及不同模型族是否会收敛至相同的众数响应。

**模型内同质性。**为量化模型使用评分量表（1至6分）的频率是否与人类同样均匀，我们通过香农熵计算响应有效类别数。具体计算公式为：
\(N_{\text{eff}}=\exp\left(-\sum_{i=1}^{K}p_i\log p_i\right)\)，
其中 \(K=6\)，\(p_i\) 根据量表中各点的频次统计得出。\(N_{\text{eff}}\) 代表产生同等熵值的等概率类别数量。结果如图5（https://arxiv.org/html/2604.16757#S4.F5）所示。人类在所有情绪类别和文化角色下均一致地表现出更高的 \(N_{\text{eff}}\)，反映出真正分布式的响应。相比之下，即使独立采样，LLM也将大量概率质量集中在少数几个量尺点上。对于EA角色，大多数模型实际使用的类别数最多约为 ≈3 类。在某些情况下（例如自尊、亲近他人），模型的响应分布会稍宽。就EA角色而言，Qwen 3 是最具确定性的模型，同时在跨文化角色间也表现出最大的熵值落差。对于拉丁美洲角色（墨西哥、智利），模型表现出略高的多样性，其中Phi和Qwen在友好情感方面甚至匹配或超越了人类的多样性。尽管如此，人类与模型在响应多样性上的错位在所有角色中依然存在，并在美国角色上最为显著——这与我们更广泛的发现一致，即对于这些最常被训练用来代表的文化群体，模型在该细腻任务中最易校准失效。

参见图6说明：通过聚类评分分布来展示模型间同质性以分析结构性差异。**模型间同质性。**我们进一步研究LLM响应之间的模型间相似性，并将其与不同文化和情绪类别下的人类分布进行对比。首先，我们计算所有角色与情绪类别下评分的皮尔逊相关系数。结果显示，平均的LLM-LLM相关系数（0.72）显著高于平均的LLM-人类相关系数（0.47）（详情见附录F.3）。在这些模型中，GPT与其他LLM的相关性最高。我们假设GPT训练语料库的庞大规模及其包罗万象的性质（尽管未公开）可能促成了其响应与其他每个模型的相关性最高。我们在推理能力或国家起源维度上未观察到有意义的差异。为超越相关性进一步考察分布结构，我们对评分频率向量应用PCA，捕捉每种“文化×情绪类别”组合下每个量尺点（1–6）被选择的频率，并将其投影至二维空间（图6（https://arxiv.org/html/2604.16757#S4.F6））。模型响应紧密聚集在一起，并与人类分布明显分离，唯一的例外是Qwen在LA角色下的情况。这表明，大多数模型不仅在随机采样下会产生内部重复的输出，还会在不同的模型族之间收敛到相似的响应模式。

**TABLE IV：** 成对比较结果，每提示词采样190次。单元格百分比指不等式左侧的数量；(+) / (-) 表示与人类趋势的对齐/错位状态。绿色：对齐度提升；紫色：对齐度下降；无颜色：与原实验设置相比无变化。
| Hypothesis | GPT | Gemini | DeepSeek | Phi | Mistral | Qwen |
|---|---|---|---|---|---|---|
| \[H1a\] LA: EN>>D-EN | 60.7% (+) | 58.7% (+) | 69.6% (+) | 63% (+) | 63% (+) | 96.7% (+) |
| \[H1b\] EA: EN<<D-EN | 73.6% (+) | 85.7% (+) | 81.6% (+) | 53.6% (+) | 14.15% (-) | 2.4% (-) |

## V 消融实验：影响对齐的因素
我们的主要发现突显了人类与LLM在表达社会情绪这一细腻任务中存在显著错位的关键领域。在本节中，我们将审视一些已知策略，并引入新的任务设定以进一步探明错位的本质。

**采样温度：**鉴于LLM响应的确定性特征，一个直观的假设是提高采样温度（从而增加响应多样性）可能改善与人类分布的对齐。我们将每个模型的温度设置为能生成连贯输出的最高值（各模型的具体数值见附录G），首先测量所用有效类别数的变化（\(N_{\text{eff}}\)），并使用置换检验评估任何变化的显著性。大多数模型在较高温度下未显示出响应多样性的显著变化（完整表格见附录G）。例外的是Qwen和DeepSeek，其中Qwen——此前对EA角色确定性最强的模型——在 \(N_{\text{eff}}\) 上出现了最大幅度的显著增长。这证实了提升多样性是可行的，但表IV（https://arxiv.org/html/2604.16757#S4）（Temp部分）的对齐结果表明，多样性与对齐度并非同步提升：尽管Qwen的响应多样化了，但在较高温度下却变得更加错位。跨模型来看，温度对齐的影响并不一致，没有任何模型显示出系统性的改善。

**提示语言：**接下来，我们测试提示语言是否影响对齐，通过将墨西哥和智利实验的原始西班牙语提示替换为英语重新运行实验。使用英语提示提升了所有模型的整体对齐度（表IV（https://arxiv.org/html/2604.16757#S4），Lang部分），对齐错位减少主要体现在两个假设上：PSE-PSD表达力的跨文化差异（\[H2b\]），除Qwen外所有模型的错位均有所下降；以及LA整体表达力（\[H4\]），部分模型表现为对齐改善。这表明关于LA角色的文化知识用英语编码的效果优于这些文化的母语。这与LLM训练语料库已知的以英语为中心的特性一致，但值得注意的是，西班牙语本身就是一种高资源语言。

**基于成对情绪选择的上下文引导：**我们的最后一项消融实验探讨观察到的错位是反映了模型深层编码的信念，还是由提示发放的形式决定的。在主实验中，模型在李克特量表上独立对每种情绪进行评分。我们考虑这种设计是否模糊了情绪空间的比较结构，因为模型无法一次性看到所有情绪。因此，我们引入了成对强制选择设置，让模型直接在两个选项中进行选择，使相关比较显式化。我们构建了三个变体，针对先前干预未能缓解的主要错位轴（\[H1\]和\[H4\]）：(i) 所有PSE与PSD的成对比较，模型选择在给定情境下哪种情绪会表达得更强烈；(ii) 所有可能情境下类似的NSE与NSD比较；以及(iii) 跨文化表达力比较，模型选择在特定情境-情绪对中哪种文化角色更具表达力。所有提示词均提供于附录H。结果总结于表IV（https://arxiv.org/html/2604.16757#S4.T4）。针对\[H4\]，主