大型语言模型在同理心回应方面超越人类，研究发现

大型语言模型（LLMs）在各种语言处理任务中展现出卓越的能力。本研究旨在评估它们与人类相比的同理心回应能力。同理心是人类对话代理的重要组成部分，涵盖了认知、情感和关怀等方面。研究通过使用全面的被试间设计，评估LLMs在广泛情感范围内的同理心能力，解决了现有研究的局限性。

本研究采用被试间设计，从Prolific招募了1000名参与者。参与者被分为五组：一组评估人类回应，四组评估来自GPT-4、LLaMA-2-70B-Chat、Gemini-1.0-Pro和Mixtral-8x7B-Instruct的回应。研究使用了来自EmpatheticDialogues数据集的2000个对话提示，涵盖32种不同的情感。回应在同理心质量上使用3分制（差、一般、好）进行评分。研究设计确保了未来LLMs评估的可扩展性，并最小化了与被试内设计相关的偏见。

所有四个LLMs在同理心回应质量上均超越了人类基线。GPT-4的表现最佳，与人类相比，“好”评分提高了31%。LLaMA-2、Mixtral-8x7B和Gemini-Pro分别提高了24%、21%和10%。LLMs在回应积极情感时表现尤为出色，在感激、自豪和兴奋等情感上取得了显著提升。然而，它们在负面情感上的表现优势不那么明显，表明在这一领域仍有改进空间。

研究结果突显了LLMs在生成同理心回应方面的先进能力，往往超越人类表现。这对需要情感智能的应用（如心理健康支持和客户服务）具有重要意义。然而，不同情感类型的表现差异强调了继续研究和开发的必要性，以增强LLMs在全人类情感范围内的情感智能。研究的方法论为评估当前和未来LLMs的同理心能力提供了一个稳健的框架。

虽然3分制评分可能限制了细致度，但它提供了足够的变异性以进行稳健的统计分析，并为未来更详细的研究奠定了基础。伦理考虑包括数据的负责任使用、对人类参与者的公平补偿以及研究方法的透明性。研究还强调了围绕同理心LLMs使用的重要伦理问题，包括潜在偏见、对人类同理心技能的影响，以及关于AI生成回应性质的透明度，以防止过度依赖或不当的情感依附。