理解多方人机交互中的LLM干预说明

大语言模型 (LLM) 越来越多地嵌入社交机器人中以支持自然的群体互动，但它们在复杂的多方环境中的作用仍未得到充分探索。特别是，目前尚不清楚 LLM 驱动的机器人如何决定何时以及为何干预群组对话。本文研究了基于 LLM 的协调器在涉及三个人类参与者和两个机器人的多方交互中生成的干预解释。我们对 24 组（66 名大学生）进行了受试者间研究，比较同质条件（两个角色相同的机器人，即推动者）和异质条件（两个角色不同的机器人，即推动者和反对者）。在每个对话回合，LLM 协调器都会决定是否进行干预，并生成其决定的文本解释。我们对 610 个干预解释进行了主题分析，确定了五个反复出现的主题。结果表明，解释是以促进为导向的，强调同意、参与和互动流程。虽然模式在不同条件下保持稳定，但角色分化出现：推动者支持协调，而反对者则推动以目标为导向的干预措施。这些发现通过描述 LLM 驱动的系统如何证明实时、多方人机交互中的干预决策的合理性，有助于解释人工智能。