跨学科分类与建模：误解的生成、放大与检测，从语用学到AI代理

arXiv cs.AI 论文
pragmatics ai-agents misunderstanding-detection taxonomy modeling cross-disciplinary

摘要

本文提出了一个跨学科分类和建模框架，用于理解、放大和检测误解，连接了语用学和AI代理系统。

arXiv:2608.13604v1 宣布类型：新 摘要：检测误解是一个亟待解决的问题，因为沟通已从实时面对面互动转向越来越多地通过AI中介渠道处理。这种转变在检测新手段建立之前，就使沟通者无法获取修复所依赖的资源。本文将误解分析为一个分层过程，其中分歧被生成，随后可能被放大，然后要么被检测并修复，要么持续存在而不被注意。通过整合九个通常不相互引用的研究领域的叙述，我们确定了十一个确切的故障模式，并表明每个模式在沟通过程的特定点上运行，而非在任何位置。这些点给出了八个分析层次，源自文献而非采用现有模型。其中八个机制主要生成分歧，两个主要放大已存在的分歧，一个控制分歧是否被检测和修复。我们正式建模这八个层次，将信息和通信理论从信号传输扩展到意义重建，并提供了逐源证据矩阵使每个评级可审计、一个编码手册以及九个分析的对话案例。先前没有对误解的分类既定位过程中的机制又按功能对其进行分类。
查看原文
查看缓存全文

缓存时间: 2026/08/17 09:40 

# 跨学科分类体系与建模：误解的生成、放大与检测——从语用学到智能体  
来源：https://arxiv.org/abs/2608.13604  
文献工具  

## 文献与引用工具  
文献检索切换按钮  

代码、数据、媒体  

## 与本文相关的代码、数据与材料  

演示案例  

## 演示案例  

相关论文  

## 推荐与检索工具  

关于arXiv实验室  

## arXiv实验室：与社区协作者共同推进的实验性项目  

arXiv实验室是一个开放协作框架，允许协作者直接在网站上开发与分享新型arXiv功能。  

所有参与arXiv实验室的个人与组织均认同并践行开放、社区、卓越与用户隐私保护的核心价值。arXiv致力于坚守这些原则，并仅与恪守该理念的合作伙伴展开协作。  

有能为arXiv社区创造价值的项目构想？**进一步了解arXiv实验室**（https://info.arxiv.org/labs/index.html）。

相似文章

误判鸿沟：当记忆投毒在自主AI系统中看似模型故障

arXiv cs.AI

本文识别了多智能体AI流水线中的一种结构性缺陷，即记忆层攻击可能被误判为模型失调，形式化定义了语义规范漂移(SND)，并提出反事实组合测试（Counterfactual Composition Testing）和持久记忆信息流控制（Memory-Persistent Information-Flow Control）作为防御措施。