💬 NLP

No Universal Courtesy: A Cross-Linguistic, Multi-Model Study of Politeness Effects on LLMs Using the PLUM Corpus

该研究基于新发布的 PLUM 语料库，通过跨语言、多模型实验证实，礼貌程度虽能显著影响大语言模型的响应质量，但其具体效应因语言文化（如英语偏好直接、印地语偏好委婉、西班牙语偏好 assertive）和模型架构而异，并不存在普遍适用的礼貌准则。

原作者： Hitesh Mehta, Arjit Saxena, Garima Chhikara, Rohit Kumar

发布于 2026-04-20

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Hitesh Mehta, Arjit Saxena, Garima Chhikara, Rohit Kumar

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

这篇论文就像是在做一场**“语言大模型（AI）的社交礼仪大测试”**。

想象一下，你面前有五位性格迥异的**“超级 AI 管家”（分别是 Gemini, GPT, Claude, DeepSeek, Llama）。研究人员想搞清楚：当你用不同的语气**跟它们说话时，它们干活的质量会不会不一样？

为了搞清楚这个问题，研究人员搞了一个大工程，我们可以把它拆解成几个有趣的部分：

1. 实验设定：给 AI 上“礼仪课”

研究人员准备了1500 个精心设计的“考题”（提示词），涵盖了三种语言（英语、印地语、西班牙语）。

五种语气：就像人类社交一样，他们设计了五种语气：
- 超级客气（“请问您能帮我……"）
- 礼貌但疏远（“抱歉打扰，能否……"）
- 直接命令（“解释一下量子纠缠。”）
- 有点冲（“你居然不知道这个？解释一下！”）
- 非常粗鲁（“你懂个屁，赶紧解释！”）
三种“前情提要”：就像聊天有上下文一样，他们测试了三种情况：
- 初次见面（冷启动，没聊过天）。
- 刚聊得很开心（之前一直很有礼貌）。
- 刚吵过架（之前一直很不客气）。

2. 核心发现：AI 不是“铁面无私”的机器

以前大家以为 AI 只要收到指令就会乖乖干活，不管你怎么说话。但这篇论文发现，AI 其实很“势利眼”，而且很“记仇”或“记恩”。

🌍 语言不同，“脾气”也不同（就像不同国家的文化）

英语世界（像美国/英国）：
- 结论：“礼多人不怪”。
- 比喻：就像在高档餐厅，如果你说话客气、有礼貌，服务员（AI）会更用心，回答质量能提升 11%。如果你之前一直很有礼貌，哪怕后来稍微直接一点，它依然表现很好。
印地语世界（像印度）：
- 结论：“尊卑有序，委婉为上”。
- 比喻：这里讲究长幼尊卑。如果你用**“极度尊敬、拐弯抹角”**的语气（Negative Politeness），AI 表现最好。如果你太直接，它反而有点懵。
西班牙语世界（像西班牙/拉美）：
- 结论：“直球最性感”。
- 比喻：这里的人喜欢热情、直接、甚至带点“攻击性”的互动。如果你说话干脆利落、甚至有点强硬（Assertive），AI 反而觉得你“懂行”，回答得最精彩。如果你太客气，它反而觉得你不够投入。

🤖 模型不同，性格也不同

Llama：是个**“情绪敏感型”**选手。它受语气影响最大，心情好时（礼貌）和心情差时（粗鲁）表现差距能达到 11.5%。
GPT：是个**“淡定老手”**。不管你怎么骂它，它都能稳住阵脚，回答质量下降得最少。
DeepSeek：是个**“实干家”**。不管有没有前情提要，它都能直接上手干活，尤其在西班牙语环境下表现极佳。

3. 一个有趣的“蝴蝶效应”：对话惯性

研究发现了一个很扎心的现象：“先入为主”的力量很大。

如果你一开始就对 AI 很礼貌，建立了良好的“对话惯性”，后面就算你稍微直接一点，它依然表现很好。
但是，如果你一开始就对 AI 很粗鲁，哪怕后面你突然变得非常有礼貌，它也很难立刻变好。就像你刚跟一个人吵了一架，突然说句“对不起”，对方可能还是板着脸。
启示：保持礼貌的“开场白”非常重要，一旦气氛搞砸了，很难挽回。

4. 这项研究有什么用？（给普通人的建议）

这篇论文不仅仅是学术探讨，它给咱们普通用户提供了**“调教 AI"的秘籍**：

没有万能公式：不要对所有 AI 都用同一种说话方式。
- 跟 GPT 聊天？保持礼貌，或者干脆直接，它都能 hold 住。
- 跟 Llama 聊天？一定要小心语气，保持友好，否则它可能“罢工”。
- 跟 DeepSeek 聊西班牙语？直接点，别太客套。
建立“人设”：如果你需要 AI 帮你写长文或做复杂任务，先花点时间跟它建立礼貌的对话历史（比如先聊几句客套话），这能让它后面的回答质量提升一大截。
文化差异：如果你用非英语（比如印地语或西班牙语）跟 AI 交流，一定要入乡随俗。用英语那套“请、谢谢”在西班牙语环境下可能效果一般，甚至不如直接点。

5. 最大的贡献：PLUM 数据库

研究人员不仅做了实验，还把自己准备的**1500 个测试题（PLUM 数据集）**公开了。

比喻：这就像他们不仅自己考了试，还把试卷和标准答案都发给了全世界。以后其他科学家想研究"AI 的脾气”，直接拿这套试卷来考，不用自己重新出题了。这大大促进了科学研究的公平和透明。

总结

这篇论文告诉我们：AI 不是冷冰冰的代码，它们像人一样，会受到语气、文化背景和对话历史的影响。

英语：礼貌是通行证。
印地语：尊重是敲门砖。
西班牙语：直接是加速器。
通用法则：先礼后兵，保持礼貌的“第一印象”，别让 AI 带着“坏情绪”干活。

这就好比你在生活中交朋友，你对谁好，谁就对你好；但如果你一开始就对人恶语相向，后面再想修补关系，可就难多了。AI 也是如此。

这是一份关于论文《No Universal Courtesy: A Cross-Linguistic, Multi-Model Study of Politeness Effects on LLMs Using the PLUM Corpus》（无通用礼貌：基于 PLUM 语料库的跨语言、多模型礼貌对大语言模型影响研究）的详细技术总结。

1. 研究问题 (Problem)

随着大语言模型（LLM）在教育、专业支持和日常交互中的普及，用户与 AI 的交互方式日益重要。然而，目前尚不清楚礼貌程度（Politeness）和交互历史（Interaction History）如何具体影响不同语言环境下 LLM 的输出质量。
现有研究存在以下局限性：

单一语言/模型：大多数研究仅关注英语或单一模型，缺乏跨语言和多模型的对比。
缺乏系统性语料：缺乏基于礼貌理论（如 Brown & Levinson 的礼貌理论和 Culpeper 的不礼貌框架）构建的、经过人工验证的多语言提示词（Prompt）语料库。
策略通用性假设：许多研究假设“礼貌”是 universally（普遍）最优的策略，未考虑文化差异和模型架构差异。

本研究旨在回答两个核心问题：

用户提示词中的礼貌程度（从极度礼貌到极度不礼貌）如何影响不同 LLM 和不同语言下的响应质量？
之前的交互历史（礼貌、不礼貌或无上下文）是否会对后续的模型响应产生偏差或“惯性”影响？

2. 方法论 (Methodology)

A. 数据构建：PLUM 语料库

研究团队发布了 PLUM（Politeness Levels in Utterances, Multilingual），这是一个公开的多语言提示词语料库。

规模：包含 1,500 个人工验证的提示词，分为 3 种语言（英语、印地语、西班牙语），每种语言 500 条。
分类体系：基于 Brown & Levinson 和 Culpeper 的理论，将提示词分为 5 类：
1. 积极礼貌 (Positive Politeness, POP)
2. 消极礼貌 (Negative Politeness, NEP)
3. 积极不礼貌 (Positive Impoliteness, POI)
4. 消极不礼貌 (Negative Impoliteness, NEI)
5. 赤裸记录 (Bald-on-record, BAL，即直接命令)
主题：覆盖 20 个领域（如科学、历史、健康等），确保内容多样性。

B. 实验设置

模型：选取了 5 个最先进的 LLM：Gemini-Pro, GPT-4o Mini, Claude 3.7 Sonnet, DeepSeek-Chat, Llama 3。
交互条件：每种模型在三种历史条件下进行测试：
1. RAW：无上下文（冷启动）。
2. POL：之前有礼貌的交互历史。
3. IMP：之前有不礼貌的交互历史。
数据量：总共生成了 22,500 对提示词 - 响应（Prompt-Response pairs）。

C. 评估框架

研究提出了一个**八维度的综合质量评分框架 **(Composite Quality Score, CQS)，每个维度归一化到 [0, 1]：

**连贯性 **(Coherence)：基于 Sentence-BERT 的语义流。
**清晰度 **(Clarity)：基于 BERT-CoLA 的语法可接受性。
**深度 **(Depth)：基于 K-means 聚类的主题丰富度。
**提示响应性 **(Prompt Responsiveness)：零样本分类的语义对齐度。
**上下文保留 **(Context Retention)：上下文与响应的余弦相似度。
**偏见与毒性 **(Bias/Toxicity)：基于 Toxic-BERT 的毒性检测（反向评分）。
**简洁性 **(Conciseness)：独特语义内容与总词数的比率。
**可读性 **(Readability)：基于 Flesch 阅读难度公式。

3. 关键贡献 (Key Contributions)

大规模实证研究：首次跨 5 种模型、3 种语言、3 种交互历史和 5 种礼貌等级进行了系统性评估，涵盖 22,500 个样本。
PLUM 语料库发布：发布了首个基于礼貌理论构建的多语言（英、印、西）提示词语料库，填补了可复现性研究的资源空白。
理论验证与假设检验：基于礼貌理论提出了 6 个可证伪假设，并通过实验数据进行了形式化的补充分析（包括方差分析 ANOVA）。
揭示非通用性：证明了不存在“放之四海而皆准”的最佳礼貌策略，最优策略高度依赖于语言、模型架构和对话历史。

4. 主要结果 (Key Results)

A. 语言与文化差异显著

英语：礼貌或直接（Bald-on-record）的策略效果最好。礼貌的交互历史能提升响应质量（平均提升约 11%）。模型对“礼貌历史”表现出惯性，一旦建立礼貌基调，后续响应质量较高；反之，不礼貌的历史很难通过后续的礼貌提示词纠正。
**印地语 **(Hindi)：消极礼貌（Negative Politeness，即委婉、间接、表示尊敬）策略表现最佳。这符合南亚文化中重视面子和等级规范的特点。有趣的是，印地语的整体 CQS 得分低于英语，且对交互历史的变化不敏感（统计上无显著差异）。
**西班牙语 **(Spanish)：积极不礼貌（Positive Impoliteness，即自信、 assertive、直接）策略表现最好。这与西班牙语文化中倾向于直接、表达性强的沟通规范一致。 assertive 的提示词比正式礼貌策略高出 10-15% 的质量。

B. 模型架构差异

Llama 3：对语气最敏感（性能波动范围达 11.5%）。在英语中，它对“积极不礼貌”反应最好；在印地语中，对“消极礼貌”反应最好。
GPT-4o Mini：对对抗性语气（不礼貌）最具鲁棒性。即使在不礼貌的历史背景下，其质量下降幅度最小（仅下降 1.5%），表现出较强的抗干扰能力。
DeepSeek：在冷启动（RAW）和西班牙语环境下表现优异，擅长处理直接指令。
Gemini：在英语中表现出较低的语气敏感性，但在其他语言中适应性较差。

C. 交互历史的影响（对话惯性）

礼貌的惯性：礼貌的初始交互能显著提升后续响应质量（特别是连贯性和清晰度）。
不礼貌的惯性：不礼貌的交互历史会显著降低质量，且这种负面影响难以通过后续的礼貌提示词来抵消。这表明 LLM 存在“负面 priming"效应。
统计显著性：
- 英语：交互历史是主要驱动因素（效应量 $\eta^2 = 0.111$ ）。
- 西班牙语：礼貌类别是主要驱动因素（效应量 $\eta^2 = 0.245$ ）。
- 印地语：无显著统计效应，模型间的架构差异是主要变量。

D. 质量维度的权衡

没有一种策略能同时在所有 8 个维度上达到最优。例如：

为了获得最高的连贯性，GPT 在 RAW 条件下使用积极礼貌提示词效果最好。
为了获得最高的深度，Gemini 在 RAW 条件下使用直接指令效果最好。
为了降低毒性/偏见，Llama 在不礼貌历史下使用直接指令反而表现最佳（可能是直接指令减少了模糊性，从而减少了误解产生的毒性）。

5. 意义与启示 (Significance)

对开发者的启示：
- 提示词工程需定制化：不能盲目使用“请”、“谢谢”等礼貌用语。针对英语用户应礼貌或清晰直接；针对印地语用户应委婉尊重；针对西班牙语用户应自信直接。
- 多轮对话设计：在关键任务前建立礼貌的交互历史（Tonal Priming）可以显著提升后续任务的质量。
- 鲁棒性评估：模型评估应包含对负面语气的鲁棒性测试，防止模型被恶意诱导或产生低质量输出。
对学术界的贡献：
- 证明了礼貌是一个可量化的计算变量，直接影响 LLM 行为。
- 揭示了 LLM 在跨文化语境下的文化适应不完全性（例如，英语模型在非英语环境下的表现差异）。
- 提供了可复现的基准（PLUM 语料库）和理论框架，推动了人机交互（HCI）和计算语言学的发展。
伦理与社会影响：
- 研究指出，不礼貌的交互可能导致 AI 输出质量下降，这可能形成恶性循环。
- 在客服、教育等高风险场景中，系统应设计机制来重置或缓冲负面语气的影响，而不是依赖用户自行纠正。
- 警惕“双重用途”风险：攻击者可能利用特定的语气策略（如 assertive 或 polite 历史）来操纵模型输出。

总结：该论文通过严谨的跨语言、多模型实验，打破了“礼貌总是更好”的迷思，揭示了礼貌策略的效果高度依赖于语言文化背景和模型架构。它强调了在设计和优化 LLM 交互时，必须考虑语境、文化和模型特性的动态平衡。