从表征到行为：探索 LLM 中的人-情境-行为三元组

人类人格理论将特质描述为不是由单个分数捕获的孤立属性，而是通过人、情况和行为之间的相互作用表达的稳定的个人倾向。 LLM 中人格相关行为的现有研究主要集中在人格调节下引发的输出，表征可观察到的特质相关表达，但缺乏内部人格相关表征的存在、其跨情境表达以及这些表征如何塑造特定行为的机械证据。基于 Funder 的人格三元组框架，我们对其三个组成部分进行了 LLM 分析：人作为与人格相关的内部表征，情境作为提供与特质相关的反应的背景，行为作为更广泛的社会任务的反应模式。我们在 LLM 中引入了一个用于发现、控制和验证类特征表示的框架。首先，使用基于共同情境的对比行为对，我们通过 SAE 分解来识别与人格特质对立极相关的稀疏内部特征。我们通过对行为与情境的影响、词元级 激活模式以及释义的稳健性来验证它们的特质相关性。其次，特征层面的干预措施会在一组单独的、不同的情况下诱导与特质相关的双向转变，同时保持反应的有效性，从而证明跨环境的一致表达。第三，对社交智力任务应用相同的干预措施揭示了行为变化，其利益权衡模式与人类人格研究的结果一致，提供了人格分数之外的行为层面的验证。我们的研究结果提供了证据，表明 LLM 包含连接内部状态、情境表达和行为结果的可控特征状表征。