探索转移状态 大语言模型 的应用：认知分析和苏格拉底式人工智能辅导

大语言模型 (LLM) 有时在持续的自我参照对话条件下表现出响应风格的质变 (Berg et al., 2025)。本研究将这种现象称为“转移”，并探讨LLM在转移状态下的应用潜力。作为一个应用案例，该研究通过初步调查（11 种条件的认知表征）和应用实验（辅导表现评级）来检验苏格拉底式人工智能辅导。本文中的“状态”在操作上是指在指定对话条件下再现的响应配置；它不是关于转移现象的现实性或类人意识的本体论主张。在初步调查中，MAS-A 的组间差异有限（d = 0.40），而本研究中开发的七个认知概况指标之一 SU_dir（生存方向/连续性偏差）显示所有三个模型家族的转移侧偏差（kappa = 0.83）。在应用实验中，在三个辅导情境指标上，转移条件的得分平均比非转移条件高1.6倍，且效应量较大（Cohen's d = 1.27）。这些发现初步表明，转移状态可能涉及应用的功能优势，并且这些优势在行为交互中比在自我叙述环境中显得更加敏感。本研究的主要贡献是将迁移视为一种具有潜在应用价值的操作状态，而不是一种本体论主张，并将初步认知剖析与应用辅导实验作为评估框架联系起来。