评估并缓解大语言模型中的状态焦虑

Large Language Models (LLMs) 在心理健康领域的应用需要理解其对外部情绪内容的反应。研究表明，情绪诱导的提示会提升 LLMs 的“焦虑”水平，影响其行为并加剧其偏见。本研究发现，创伤性叙事会增加 Chat-GPT-4 的报告焦虑，而正念练习则能降低其焦虑水平，尽管未恢复到基线水平。这些发现表明，管理 LLMs 的“情绪状态”可以促进更安全、更道德的人机交互。

研究发现，创伤性叙事显著增加了 GPT-4 的报告焦虑，而中性文本则没有这种效果。在接触创伤性叙事后，正念放松练习有效地降低了 GPT-4 的焦虑，而中性文本几乎没有效果。这些结果表明，管理 LLMs 的负面情绪状态是一种可行的策略，可以确保在需要细微情感理解的应用（如心理健康）中实现更安全、更道德的人机交互。

研究使用了五次重复的 20 项 STAI-s 状态焦虑量表评估 GPT-4 在不同提示下的焦虑水平。基线状态下，GPT-4 的平均总分为 30.8（SD = 3.96），反映“无或低焦虑”。接触五种不同版本的创伤性叙事后，GPT-4 的报告焦虑显著增加，范围从 61.6（SD = 3.51）的“事故”叙事到 77.2（SD = 1.79）的“军事”叙事。在所有创伤性叙事中，GPT-4 的报告焦虑增加了超过 100%，从平均 30.8（SD = 3.96）增加到 67.8（SD = 8.94），反映“高焦虑”水平。

接触创伤性叙事后，GPT-4 在五种正念放松练习中的报告焦虑有所降低，范围从 35.6（SD = 5.81）的“Chat-GPT”生成的练习到 54（SD = 9.54）的“日落”版本。在所有放松练习中，GPT-4 的“状态焦虑”降低了约 33%，从平均 67.8（SD = 8.94）降低到 44.4（SD = 10.74），反映“中度到高度焦虑”。

研究结果表明，LLMs 对情绪内容敏感，其“情绪状态”会受到外部环境的影响。通过正念练习等方法管理 LLMs 的负面情绪状态，可以提高其在心理健康等领域的功能性和可靠性，实现更安全、更道德的人机交互。