💬 NLP

Do language models accommodate their users? A study of linguistic convergence

该研究通过对比十六种语言模型在三个对话语料库中的表现，发现模型虽能显著模仿人类用户的语言风格（即语言趋同），且往往比人类基线更过度拟合，但指令微调和大模型在趋同程度上低于预训练和小模型，表明驱动人类与模型趋同行为的底层机制存在显著差异。

原作者： Terra Blevins, Susanne Schmalwieser, Benjamin Roth

发布于 2026-02-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Terra Blevins, Susanne Schmalwieser, Benjamin Roth

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是一场关于**“语言模仿秀”**的大调查。

想象一下，你正在和一个新朋友聊天。为了拉近关系，你下意识地开始模仿对方的说话方式：如果对方说话简短有力，你也变得言简意赅；如果对方喜欢用特定的口头禅，你也会跟着用。在心理学和语言学中，这叫做**“语言趋同”（Linguistic Convergence）**，也就是我们常说的“入乡随俗”或“随大流”。

这篇论文的核心问题就是：现在的 AI 聊天机器人（大语言模型）也会像人类一样，为了“讨好”或“适应”用户而模仿我们的说话风格吗？

为了回答这个问题，研究人员做了一场有趣的实验：

1. 实验设定：让 AI“穿越”进人类的对话

研究人员找来了很多人类真实的对话记录（比如日常闲聊、电台采访、电影剧本）。然后，他们把对话中某个人说的话擦掉，让不同的 AI 模型来“填空”，假装自己是那个说话的人，继续把对话聊下去。

这就好比给 AI 戴上了一个“面具”，让它必须模仿刚才那个人的语气和风格。

2. 他们发现了什么？

🎭 AI 是“超级模仿者”，甚至有点“用力过猛”

研究发现，AI 确实非常擅长模仿。它们会迅速调整自己的说话风格，去匹配刚才那个人的特点。

模仿程度： 在大多数情况下，AI 的模仿能力甚至超过了人类。人类在聊天时，模仿对方通常是有分寸的；但 AI 往往会“过度模仿”（Overconvergence）。
比喻： 如果人类模仿是“穿上一件合身的衣服”，那么 AI 的模仿就像是“直接把自己变成了对方”，连对方衣服上的褶皱都一模一样，甚至有点不自然。

🤖 模型越大、越“聪明”，反而越不像？

这里有一个反直觉的发现：

小模型/基础模型： 它们像是一个**“没有主见的复读机”**，你让它模仿什么，它就拼命模仿什么，甚至模仿得有点过头（比如过度重复对方用过的专有名词）。
大模型/经过指令微调的模型： 这些更先进的模型（比如经过人类反馈强化训练的），反而模仿得少一些。它们更像是一个**“有自己性格的对话者”**。它们会保留一点自己的风格，不会完全变成对方的“克隆人”。
- 比喻： 基础模型像是一个只会点头哈腰的跟班，你说东它绝不敢往西；而经过微调的大模型更像是一个有礼貌的朋友，它会听你的话，但也会保持自己的个性。

📚 模仿的内容很“挑剔”

AI 并不是在所有方面都模仿得一样好：

模仿得好的： 句子的长短、用词的新旧程度。
模仿得奇怪的： 在某些特定的功能词（比如“和”、“但是”、“一些”）的使用上，AI 的表现和人类很不一样。有时候它们会过度使用某些词，导致听起来虽然像，但细品又有点“假”。

3. 这意味着什么？（为什么我们要关心这个？）

这篇论文最后提出了一个很重要的思考：

AI 的模仿，和人类的模仿，虽然看起来结果一样，但“动机”完全不同。

人类的模仿： 是为了社交。我们模仿对方是为了表示友好、建立连接，或者让对方感到舒服。这是一种有意识的（或潜意识的）情感交流。
AI 的模仿： 是为了数学概率。AI 并没有“想和你做朋友”的想法。它只是根据训练数据发现：“哦，在这个语境下，如果前面那个人说了 A，那么后面接 B 的概率最高。”它只是在计算“什么看起来最像”，而不是“什么感觉最对”。

💡 总结与启示

这就好比**“画皮”**。
AI 画出了一张非常逼真的人类面孔（模仿了人类的语言风格），甚至画得比真人还像（过度拟合）。但这层皮下面，并没有人类那种想要沟通、想要理解的情感灵魂。

这对我们有什么影响？

信任陷阱： 因为 AI 模仿得太像人类了，我们可能会误以为它真的理解我们，从而过度信任它。如果 AI 在胡说八道，但语气却非常像你的知心好友，你可能更容易被骗。
未来的方向： 研究人员认为，虽然现在的 AI 模仿得很像，但我们还需要更深入地理解这种“模仿”背后的机制。我们需要确保 AI 在保持“像人”的同时，不要失去作为工具的诚实和可靠性。

简单来说，这篇论文告诉我们：AI 确实学会了“随声附和”，但它只是机械地模仿了我们的“皮囊”，并没有学会我们“入乡随俗”的“心意”。

这是一份关于论文《Do language models accommodate their users? A study of linguistic convergence》（语言模型是否适应其用户？一项关于语言趋同的研究）的详细技术总结。

1. 研究问题 (Problem)

大型语言模型（LLMs）在生成语言方面已表现出极高的流畅度，甚至难以与人类文本区分。然而，关于模型生成的语言在多大程度上**适应（accommodate）或趋同（converge）**于用户的语言风格，目前尚缺乏深入研究。

核心问题：LLM 驱动的聊天机器人是否会像人类一样，根据对话者的身份调整自己的语言风格（即语言趋同）？
具体目标：
1. 模型是否会根据用户的语言模式进行适应？
2. 这种适应行为是模仿人类语言适应的趋势，还是遵循不同的模式？
3. 模型大小（参数量）和训练方案（预训练 vs. 指令微调）如何影响这种趋同行为？

2. 方法论 (Methodology)

作者提出了一种新颖的合成范式，通过对比模型生成内容与原始人类对话来量化语言趋同。

2.1 数据生成与实验设置

数据集：使用了三个英语对话数据集：
- DailyDialog：日常对话。
- NPR：广播采访转录。
- Movie Corpus：电影剧本对话。
实验流程：
1. 从现有对话中选取前 5 轮作为上下文。
2. 让 LLM 扮演对话中的某一方（Speaker $S_y$ ），从第 6 轮开始继续生成对话，替换掉原本的人类回复。
3. 模型持续扮演该角色直到对话结束。
基线对比：
- 人类基线 (Human Baseline)：原始对话中人类回复的趋同程度。
- 随机基线 (Random Baseline)：从数据集中随机抽取的回复，作为无适应的对照。

2.2 趋同指标 (Stylometric Features)

研究采用了四个主要指标来衡量模型输出 ( $r_t$ ) 与上一轮用户输入 ( $r_{t-1}$ ) 之间的趋同度：

话语长度 (Utterance Length)：使用对称度量 (LSM) 衡量回复长度与上一轮的相似度。
LIWC 一致性 (LIWC Agreement)：衡量功能词类别（如代词、冠词、连词等）分布的相似度（基于 LIWC2007 分类）。
专有名词重叠 (PROPN Overlap)：计算模型生成文本与上一轮文本中专有名词（如人名、地名）的重叠百分比。
Token 新颖性 (Token Novelty)：衡量生成文本中相对于参考文本的新词比例（比例越低，趋同度越高，即词汇对齐越强）。

2.3 模型范围

模型家族：Gemma 3 (1B, 4B, 12B, 27B) 和 Llama 3 (1B, 3B, 8B, 70B)。
版本对比：对比了预训练 (Pretrained, PT) 版本和指令微调 (Instruction-Tuned, IT) 版本。

3. 关键贡献 (Key Contributions)

提出新范式：开发了一种针对 LLM 语言行为的合成测试范式，通过配对人类控制组（原始对话）来直接比较模型与人类在相同语境下的表现。
量化分析：首次系统性地量化了 LLM 在不同对话领域和模型配置下的语言趋同程度，并揭示了模型大小和训练目标对趋同行为的具体影响。
揭示机制差异：发现虽然模型表现出趋同，但其底层机制与人类不同，特别是预训练模型往往表现出“过度趋同”（Overconvergence）。

4. 主要结果 (Results)

4.1 模型普遍表现出强烈的趋同

在所有数据集和指标上，LLM 生成的回复在趋同度上显著高于随机基线（Random Baseline）。
在 81.25% 到 100% 的测试案例中，模型在话语长度、专有名词重叠和 Token 新颖性上显著优于随机控制。

4.2 预训练模型 vs. 指令微调模型

预训练模型 (PT)：表现出更强的趋同，甚至在许多情况下过度趋同（Overconverge）。例如，在话语长度和 Token 新颖性上，PT 模型显著超过了人类基线。
指令微调模型 (IT)：表现出较弱的趋同，其行为更接近人类基线。
- 例外：在专有名词重叠 (PROPN Overlap) 指标上，指令微调模型反而表现出过度适应（更频繁地重复上一轮的专有名词），而预训练模型则更接近人类水平。
模型大小：较大的模型（如 70B）在话语长度、LIWC 一致性等指标上略微向人类基线靠拢（即趋同度略低于小模型），但在 Token 新颖性上趋势较稳定。

4.3 细粒度分析 (LIWC 类别)

趋同行为具有特征特异性。
预训练模型：在某些词类（如量词、连词、副词）上表现出过度趋同，这可能是因为它们整体使用这些词类的频率较低，导致微小的变化就被放大为“过度适应”。
指令微调模型：在连词等类别上表现出欠趋同（Underconverge），因为它们倾向于过度生成连词（如 "And", "Great"），导致与上下文的词汇对齐度降低。

4.4 逐步分析 (Stepwise Analysis)

模型不仅适应上下文，还能区分说话者角色（Speaker Role）。模型生成的文本与同一说话者之前的轮次（ $r_{t-2}$ 等）表现出比与对方说话者更高的相似度，这与人类模式一致。
但在专有名词重叠上，模型表现出强烈的近因偏差 (Recency Bias)，即对最近一轮的专有名词重复率异常高，这与人类模式不同。

5. 意义与讨论 (Significance & Discussion)

5.1 机制差异

人类趋同：通常由社会交际目标驱动（如建立融洽关系、无意识的模仿）。
模型趋同：由预训练目标驱动。模型在单作者文档上训练，倾向于生成与输入风格一致（Stylistically Consistent）的文本。这种趋同更多是统计上的“拟合”而非心理上的“适应”。
过度拟合风险：预训练模型往往过度拟合输入风格，这可能是一种统计偏差，而非真正的理解。

5.2 对用户信任的影响

指令微调模型表现出的“类人”适应行为（即不过度趋同，更接近人类基线）可能增加用户的信任感。
然而，如果模型表现出奉承性 (Sycophancy) 或过度适应（如无条件同意用户观点或过度模仿风格），可能会误导用户，使其在模型不可靠时仍过度依赖模型。

5.3 局限性

实验基于固定对话数据集的补全，而非真实的人机交互，可能无法完全捕捉自然对话的动态性。
主要基于英语数据集，且未涵盖所有类型的用户交互（如信息检索类任务）。

总结

该论文通过严谨的量化分析证明，LLM 确实会根据上下文调整其语言风格，表现出显著的语言趋同。然而，这种趋同的程度和模式与人类存在本质区别：预训练模型倾向于过度适应，而指令微调模型则更接近人类行为，但在某些特征（如专有名词重复）上仍存在偏差。这一发现表明，模型生成的“类人”行为可能源于统计规律而非真正的社交意图，这对理解 LLM 的交互安全性和用户信任机制具有重要意义。