跳到正文
认知心理
今天10月20日周二2 条
  1. arXiv58

    LLM驱动NPC对玩家认知负荷与游戏体验影响的研究

    大语言模型驱动的非玩家角色（LLM-NPC）在提供自由对话的同时，可能因表达努力和响应不确定性显著增加玩家的认知负荷，且未必能提升整体游戏体验。针对这一现象，一项随机受试者间实验（N=130）利用自研游戏原型“Campus Culture Week”，对比了LLM-NPC与传统预设脚本NPC在不同互动模块中的表现。 实验结果显示，结合自由形式自然语言输入与LLM生成响应的LLM-NPC条件，其引发的认知负荷显著高于预设选项的脚本NPC交互（p < .001）。这种高负荷主要通过“表达努力”和“响应不确定性”两条心理机制路径传导。尽管LLM-NPC未能带来统计学上显著的整体游戏体验提升（p = .195），但其对玩家感知自主性产生了积极影响，同时也对系统可用性和信任度造成了负面影响。 进一步分析表明，LLM-NPC的影响在不同任务场景中差异显著（p < .001）。在内容创作和关系建立等更开放的模块中，认知负荷的增加更为明显。相比之下，个体差异的影响较为有限，经过多重比较校正后未发现稳健的关联。该研究为理解LLM-NPC对玩家体验的“双刃剑”效应提供了实证证据，强调了在智能NPC系统设计中采用场景敏感和用户敏感策略的重要性。目前该研究正在IEEE Transactions on Games审稿中。

  2. arXiv67

    MIND-X框架利用心智模型优化可解释AI的用户中心设计

    针对可解释人工智能（XAI）常因过度追求模型保真度而忽视用户可理解性，导致解释虽具备技术透明度却无法辅助人类认知的问题，德国锡根大学与波恩莱茵应用科学大学的研究团队提出了名为 MIND-X（Mental-model INtegrated Design for eXplainability）的人本中心设计方法。该方法旨在将 AI 生成的解释与用户的心智模型、常识概念及判断启发式规则相对齐，以解决传统 XAI 在“透明度”与“可理解性”之间的失衡。 研究团队以虚假评论检测为具体案例，通过三个阶段推进该框架的构建与验证。首先，开展了一项定性研究（样本量 n=10），深入探究人们评估评论可信度的实际过程，并据此提炼出一套具有行动指导意义的感知线索分类体系。其次，依据这些线索制定了一系列设计原则，将感知线索与特定的解释策略相连接，并利用大语言模型（LLMs）生成适应性强、采用自然语言的解释内容。最后，进行了一项定量评估（样本量 n=166），对比了 MIND-X 生成的解释与在可解释文本分类中广泛使用的 token 级透明度方法。结果显示，在可理解性、满意度、感知信任度、说服力以及决策支持方面，契合心智模型的解释展现出显著优势。 值得注意的是，该研究并未宣称 MIND-X 在所有场景下具有普遍优越性，而是强调通过将解释植根于用户的日常推理实践中，能够产生更具可理解性和情境敏感性的说明。这一发现推动了人本中心解释设计超越单纯的“透明度修饰”，证明了以心智模型为导向的设计流程能够在以用户为中心的解释任务中提升可理解性并支持问责制。对于从事 AI 交互设计与用户体验研究的从业者而言，MIND-X 提供了一套从用户认知出发重构 AI 解释逻辑的系统化路径，特别是在需要建立用户信任与辅助复杂决策的场景中具有参考价值。

    推荐理由：MIND-X框架通过整合用户心智模型生成自适应解释，在虚假评论检测中提升了可理解性与决策支持效果。

9月11日周五