Are Large Language Models Sensitive to the Motives Behind Communication?

论文核心总结与翻译一、主要内容论文聚焦大型语言模型（LLMs）对沟通背后动机的敏感度（即“动机警觉性”），通过三个递进式实验展开研究：基础区分能力：验证LLMs能否区分“刻意沟通信息”（如主动建议）与“偶然观察信息”（如无意泄露的答案），结果显示模型能像人类一样对前者更少采纳，且会考虑沟通者的激励机制（合作/竞争场景）。精细化警觉性：在金融、房地产、医疗等受控场景中，测试LLMs是否会结合沟通者的善意程度（如亲友 vs 陌生人）和激励大小调整信任度，发现前沿非推理型LLMs的判断与理性模型、人类行为高度相关（相关系数多0.8），而推理型模型和小型模型表现较差。真实场景迁移：基于300条YouTube赞助广告（自然场景中有偿沟通）测试，发现LLMs的动机警觉性大幅下降（相关系数0.2），但通过“强调沟通者意图和激励”的简单提示干预，可显著提升其判断与理性模型的一致性。二、创新点首次以认知科学的理性模型为基准，系统量化LLMs的动机警觉性，填补了现有研究对该能力的评估空白。设计跨场景实验链（从抽象受控任务到真实广告场景），揭示了LLMs动机警觉性的“场景依赖性”——在简单结构化场景中有效，在复杂噪声环境中失效。提出低成本干预方案：通过提升“意图和激励”的显著性，即可部分恢复LLMs在真实场景中的动机警觉性，为实际应用提供可落地的优化方向。发现模型规模、类型（推理型/非推理型）对动机警觉性的影响，为模型设计和训练提供参考