开发并验证大型语言模型依赖量表（LLM-D12-SP）的西班牙语版本

arXiv cs.CL 论文
llm-dependency psychological-scale spanish-validation instrumental-dependency relationship-dependency cross-linguistic psychometrics

摘要

本文验证了大型语言模型依赖量表（LLM-D12-SP）的西班牙语版本，确认了其双因子结构和良好的心理测量学特性。

arXiv:2607.22041v1 公告类型: new 摘要: 随着大型语言模型（LLMs）越来越多地用于组织及工作场景中的任务执行、决策支持和沟通交流，可靠且经过跨文化验证的心理测量工具的需求日益增长，以评估对LLMs的心理依赖。这一需求在西班牙语人群中尤为突出——尽管LLM应用正在迅速普及，但经过验证的心理测量工具仍然稀缺。本研究首次报告了大型语言模型依赖量表（LLM-D12-SP）西班牙语版本的验证，扩展了之前在英语和阿拉伯语样本中开展的验证工作。LLM-D12是一个双维度量表，测量工具性依赖（依赖LLM执行任务和支持决策）和关系性依赖（心理上依赖LLM获得陪伴和社交互动）。共有386名西班牙语参与者（平均年龄28.0岁，标准差6.1；55%男性）完成了LLM-D12-SP。验证性因子分析支持了原有的双因子结构。量表显示出良好的内部一致性（总Cronbach's alpha = 0.89；工具性维度0.86；关系性维度0.85）。区分效度分析表明，两个子维度代表相关但不同的构念。外部效度验证显示，两个依赖维度均与网络成瘾和对LLM的感知可信度呈正相关，而与认知需求的关联较弱或无关联。结合先前英语和阿拉伯语的验证结果，这些发现为量表结构的跨语言支持提供了证据，并为研究组织情境中LLM使用的心理方面提供了一个心理测量学上可靠的工具。
查看原文
查看缓存全文

缓存时间: 2026/07/27 07:40 

# 开发与验证西班牙语版大型语言模型依赖量表（LLM-D12-SP）

来源：https://arxiv.org/abs/2607.22041  
查看 PDF (https://arxiv.org/pdf/2607.22041)

> **摘要：**随着大型语言模型（LLM）越来越多地被用于组织和工作场景中的任务执行、决策制定及沟通交流，人们对可靠且经过文化验证的评估工具（用于衡量对LLM的心理依赖）的需求日益增长。这一需求在西班牙语使用者群体中尤为突出——该群体中LLM的应用正在迅速扩展，但经过验证的心理测量工具仍然稀缺。本研究首次报告了西班牙语版大型语言模型依赖量表（LLM-D12-SP）的验证工作，是对先前在英语和阿拉伯语样本中进行的验证的扩展。LLM-D12是一个二维量表，分别评估工具性依赖（依赖LLM完成任务和支持决策）和关系性依赖（依赖LLM作为陪伴和社交互动的心理依赖）。共有386名西班牙语使用者参与（平均年龄28.0岁，标准差6.1；55%为男性），完成了LLM-D12-SP量表。验证性因素分析支持了原有的两因素结构。该量表表现出良好的内部一致性（总量表Cronbach's alpha=0.89；工具性维度0.86；关系性维度0.85）。区分效度分析表明，两个子量表代表了相关但不同的构念。外部验证显示，两个依赖维度均与网络成瘾及对LLM的信任感呈正相关，而与认知需求呈弱相关或不相关。结合先前的英语和阿拉伯语验证结果，这些发现为量表结构的跨语言支持提供了依据，并为在组织环境中研究LLM使用的心理层面提供了心理测量学上可靠的工具。

## 提交历史

来自：Mo El-Haj [查看邮件 (https://arxiv.org/show-email/aad691d8/2607.22041)]  
**[v1]** 2026年7月24日星期五 07:09:56 UTC (2,657 KB)

相似文章

评估大语言模型的发展性认知能力

arXiv cs.AI

本文引入了发展性句子补全测试（DSCT），用于评估大语言模型识别文本中发展性认知阶段的能力。研究发现，模型在合成人设上的表现优于真实人类回答。

大型语言模型响应的全面评估：多因素评分系统

arXiv cs.CL

本文提出了一种用于评估大型语言模型（LLM）响应的多因素评分系统，综合了准确性、简洁性、事实一致性、可读性和连贯性。应用于TruthfulQA数据集，揭示了主流模型的优势与局限，提供了一个透明的评估框架。

大型语言模型能否革新调查研究？以灾害防备响应的实验为例

arXiv cs.AI

本文提出一个五阶段框架，将大型语言模型整合到调查研究中，以应对回复率下降、样本偏差和欺诈性完成等问题。基于2024年米尔顿飓风调查数据，作者提出了一种理论知情的LLM（A-TLM），在缺失数据场景中优于经典插补方法，并通过基于事实的拒答机制展示了可控的幻觉风险。