关系道德困境中的机器行为：道德正确性、人类行为预测和模型决策

人类的道德判断取决于环境并受到人际关系的调节。随着 大语言模型 (LLM) 越来越多地充当决策支持系统，确定它们是否编码这些社会细微差别至关重要。我们通过改变两个实验维度：犯罪严重性和关系紧密度，使用举报人困境来描述机器行为。我们的研究评估了三个不同的观点：（1）道德正确性（规定性规范），（2）预测人类行为（描述性社会期望），以及（3）自主模型决策。通过分析推理过程，我们发现了一个明显的跨视角分歧：虽然道德正确性始终以公平为导向，但随着关系亲密程度的增加，预测的人类行为显着转向忠诚。至关重要的是，模型决策与道德正确性判断相一致，而不是与他们自己的行为预测相一致。这种不一致表明，LLM 决策优先考虑严格的规定性规则，而不是其内部世界建模中存在的社会敏感性，这造成了差距，可能导致现实世界部署中的重大偏差。