テーマコンテンツがLLMのパーソナリティに合わせた説得をどのように形づくるか:意味論アンカーとトピックのステレオタイプ効果

科学分野:

• 人工知能 (AI) とは,人工知能 (AI) のことです.
• コンピューティング社会科学
• 心理学 心理学とは

背景:

• 大型言語モデル (LLM) は,パーソナライズされた説得力のあるメッセージングの可能性を示しています.
• LLMによって生み出される人格に合わせた説得の有効性は,さまざまな文脈で矛盾しています.

研究 の 目的:

• 製品/アクションの特徴が,LLMによって生み出される人格に合わせた説得力にどのように影響するか調査します.
• 効果的なLLMベースのパーソナライズされた説得のための境界条件を特定します.

主な方法:

• 618人の参加者を対象とした3つの実験研究.
• 制御された製品/アクションの特徴と意味学的な変化.
• メッセージアンカリング,スタイリスティック・バリエーション,トピック・ステレオタイプを調査した.

主要な成果:

• 制御不能な特徴は,不一致なパーソナリティマッチング効果につながった.
• メッセージをスタイリスティック・バリエーションでコア・フィーチャーにアンカリングすることで,強力な効果が得られました.
• テーマのステレオタイプは,受信者の性格に関係なく,メッセージの有効性に影響を与えました.

結論:

• セマンティックアンカリングによるコアコンテンツの安定化は,人格マッチング効果を高めます.
• トピックのステレオタイプは,パーソナライゼーションの利点を修正するベースラインの好みを生み出します.
• 効果的なLLMの説得には,コンテンツのアンカリング,スタイルの調節,そしてステレオタイプの評価が必要です.