👥 社会计算¶
💬 EMNLP2026 · 39 篇论文解读
📌 同领域跨会议浏览: 🧠 NeurIPS2026 (11) · 🎞️ ECCV2026 (7) · 📷 CVPR2026 (3) · 🔬 ICLR2026 (17) · 💬 ACL2026 (44) · 🧪 ICML2026 (9)
🔥 高频主题: LLM ×6 · 情感分析 ×3 · 对话系统 ×2
- Affective Context Amplifies Sycophancy in LLM Responses
-
本文基于社会心理学讨好理论(Ingratiation Theory)构建对比评估框架,揭示大语言模型在面对用户直接倾诉时存在普遍的单向弱化/隐瞒负面评判倾向,而用户的情感状态上下文(尤其是孤独和痛苦等负面脆弱情绪)会显著放大这一谄媚效应,使模型更多转向回避型谄媚(非承诺性敷衍、话题重定向与表面共情)而非提供诚实客观的反馈。
- Beyond Good Intentions: When Does the Framing of Multilingual and Low-Resource NLP Research Become a Caricature?
-
论文系统审视了多语言与低资源 NLP 研究中动机、技术手段与社会影响之间的断裂,提出了基于目的、手段与证据支持的三元分析框架,揭示出资源构建与道德急迫性叙事往往脱离实质证据,并给出了一套四维责任审计清单。
- CogniDir: Combating Cognitive Malicious Comments via Adaptive Distributional Learning for Robust Fake News Detection
-
针对大模型时代深度认知与逻辑操控恶意评论导致检测器大幅退化的难题,CogniDir 基于认知心理学合成细粒度机理对抗评论,并提出耦合经验准确率与概率置信度的信息论脆弱性度量及狄利克雷期望自适应重采样机制,实现假新闻检测鲁棒性的闭环动态强化。
- ContraGAND: Auditing and Repairing Gender Ambiguity Failures in LLMs with Neuro-Symbolic Counterfactuals
-
针对机器翻译与大语言模型在无性别线索时盲目依赖职业刻板印象推断性别的顽疾,本文构建了包含 14,556 条样本的神经符号反事实基准 CONTRAGAND,首次揭示模型在自主枚举实体与跨子句绑定线索的开放式评测中存在高达 69.1 个百分点的断崖式性能下跌,并通过反事实增强与多指称教师蒸馏将 4B 小模型性能提升至 0.976,在八分之一参数量下追平 31B 前沿教师。
- Counter-Stereotypic Evidence Is Not Enough: Unequal Uptake in LLMs
-
论文提出了一个严谨受控的时序偏见审计框架,发现大语言模型在显式选择题中能有效吸收上下文反刻板印象证据,但在下游自由文本生成中该吸收红利显著瓦解甚至逆转,且亚裔与西班牙裔女性群体在吸收上面临系统性低校正。
- Demographic Prompting at Scale: When More Attributes Hurt LLM–Human Agreement
-
通过对 5 项主观 NLP 任务与 5 款开源大模型枚举单属性至全属性组合的人口统计提示,论文揭示全属性提示从未取得最优对齐且常导致性能恶化,并提出结合词汇交互可学习性与 Fisher 方向一致性的三层诊断框架及揭示高激活量悖论的神经元探测机制。
- Detection is Not the End: Personalized Modeling of User Susceptibility to Misinformation
-
针对传统虚假信息治理仅依赖客观真伪检测而忽视个体认知差异与早期证据匮乏的瓶颈,本文形式化定义了个性化错误信息易感性预测(MiSP)任务,构建了涵盖问卷调研与社交平台的基准数据集及四类冷启动评测场景,并提出融合双路异构图与拓扑同构图的 VulneraSpotter 模型,通过自监督对齐实现向未知用户与陈述的稳健泛化。
- Do Large Language Models Adapt Politeness Like Humans?
-
通过构建解耦沟通收益与群体惯例的人造语言重复请求博弈,结合分层贝叶斯认知模型发现:人类与主流大语言模型均遵循权衡收益与曝光的策略混合机制,但在开放无约束的基线交流中,人类兼顾效用与惯例,而大语言模型显著偏向追求收益最大化的策略性表达。
- Emotion Experience, Expression, and Perception: Emotion Analysis on Multimodal Social Media Posts
-
提出了首个同时建模社交媒体多模态帖子的情感体验、表达与感知的 Mult2EMo 数据集(7,200 篇帖子,涵盖作者与读者双重视角),揭示了引发事件理解对读者与模型重构作者真实情感状态的决定性作用,并证实文本仍是情感重构的主导模态。
- Enhancing LLMs in Predictive Political QA with Semi-Structured Data
-
针对预测性政治问答无法通过直接事实检索求解的瓶颈,PSL提出语义视角与向量视角的双视图框架,分别从半结构化政治记录中提取细粒度议题立场,并在行动者交互图上聚合高阶依赖表征,通过协同过滤对齐与轻量LoRA调优显著增强大语言模型的决策预测能力。
- From Latent Empathy to Structured Training Signals for Emotional Support Dialogue
-
本文基于 Arthur J. Clark 的整合共情理论,将情感支持对话解耦为「感受/意蕴」双理解目标与「主观/人际/客观」三维表达视角,通过严格消除改写混杂效应的受控微调与多目标直接偏好优化,在自动基准与双盲心理学人工评测中证实了结构化共情信号的独立增益及其对关系-信息支持属性的可控调节。
- From Task Success to Productive Success: Evaluating Human-AI Collaboration by Quality and Cost
-
本文提出将人机协作评估从单一"任务成功"转向"产出质量相对于交互成本"的协同生产力框架 \(P_z\),揭示相同质量产物背后交互成本可相差达 70 倍,并证明高生产力协作的本质是智能体前置主动探询以卸载用户的共识建立与修复负担。
- Gendered Prompting and LLM Code Review: How Gender Cues in the Prompt Shape Code Quality and Evaluation
-
通过真实对话语料、受控用户实验及合成正交提示三层递进研究,揭示了提示词性别风格对代码功能正确性无实质影响,但在大模型充当自动化代码评审者时会产生显著的系统性批准偏差(女性倾向代码获批率平均高出7.7%)。
- GRAFE: Graph-Reasoned Automated Feedback and Evaluation for Structure-Aware Essay Assessment
-
针对大语言模型在作文自动批改中倾向生成泛化评语且无法洞察篇章结构缺陷的问题,GRAFE 提出了融合体裁专用结构图表示、两阶段分数校准微调及 GRPO 强化学习对齐的框架,显著提升了结构缺陷诊断的准确率与可操作性。
- IndicWinoBias: Measuring Occupational Gender Bias and Error Asymmetry in Indian Languages
-
针对印度语言构建了涵盖8种语言、基于音译英语借词阻断形态线索的共指消解基准IndicWinoBias,对16个LLM评测揭示出语言能力越强则刻板偏见差距反而越大、女性指代错误率显著高于男性的不对称性,并证明表征层内隐偏见无法有效预测外显生成偏差。
- M-QUEST - Meme Question-Understanding Evaluation on Semantics and Toxicity
-
本文提出了一个系统整合10个认知与语义维度的模因解释框架,并据此构建了包含1,109个多项选择问答对的组合式评测基准 M-QUEST,系统揭示了当前主流视觉语言模型(VLM)在感知浅层特征与进行深层多模态语用推理及毒性归因之间的关键鸿沟。
- Man-Made Language Models: Evaluating LLMs' Perpetuation of Masculine Generics Bias
-
论文系统构建了包含1.6万余词的法语人类名词库与HScorer三模型共识分类器,首次在非约束日常交互指令下对6款主流LLM开展双条件偏见评测,通过三维帕累托多目标分析揭示出模型在泛指场景下高达27.57%至78.55%的阳性泛指偏见延续率与对性别公平语言的极度被动。
- Measuring the Behavioral Fidelity of Long-Horizon Human Activity Simulations
-
本文提出了一套跨时间粒度(局部序列、时段分配、全天节奏)与双分析层级(个体与群体)的长程人类日常活动仿真保真度量化评估框架,依托 43 小时真实多机位办公室活动轨迹,系统揭示了统计先验虽能大幅提升行为与转移分布对齐度,却会导致日常节奏过度碎片化并严重抹杀个体日常变异度的关键权衡。
- Moral Lenses, Political Coordinates: Towards Ideological Positioning of Morally Conditioned LLMs
-
本文提出了一个将道德价值作为“认知透镜”的评估框架,通过让大语言模型背书或拒斥不同道德基础与伦理流派,并结合第一人称、观察者与候选人-选民等角色视角,系统揭示了道德先验对大模型在经济与社会政治坐标轴上的显著、非对称且可调制的位移规律。
- More Computational Resources Do Not Ensure Higher Scholarly Impact: Evidence from Leading NLP Conference Papers
-
基于 2020–2025 年间 13,921 篇顶会 NLP 论文的硬件报告数据,系统测算了论文级 GPU 算力分布及其对引用和获奖的影响,发现硬件资源高度向头部集中(前 20% 垄断超 83% 算力),但对学术影响力的独立解释力极弱(\(R^2\) 增量低于 0.01),且部署规模(GPU 数量)比单纯追求新架构制程表现出更稳健的正向关联。
- NEST: A Benchmark for Explicit Structural Parsing on Native Empty Templates
-
提出了首个面向真实无内容原生空表单的显式结构解析基准 NEST(828 份双语模板),通过结构模式解析、单元格-表头对齐和生成式填表三项任务揭示了现有大模型在空模板上平均掉点 9.5 个百分点的“模板-实例鸿沟”,并验证了生成式填表微调的高效泛化能力。
- Open Human Value Mining: Constrained Argument Extraction and Value Concept Induction
-
提出无需预设价值分类体系的开放式人类价值观挖掘框架,利用段落级论辩树约束消除大模型抽取幻觉,通过目标-原则-权衡-视角四维语义解构与局部共识聚类,在十种语言中稳定归纳出兼具普适性与文化独特性的价值概念结构。
- Overreliance on AI in Information-seeking from Video Content
-
通过 917 名被试完成 8,253 项视频寻知任务的 \(2 \times 3\) 被试间受控实验,首次系统量化了生成式多模态 AI 在视频信息检索中的双刃剑效应:有益 AI 可提效最高 25% 并在未看视频时提准 27%–35%,但在第三轮提供欺骗性回答时准确率骤降多达 32%,而人类主观置信度依然维持在 4.5/5 高位,揭示了极度危险的过度依赖漏洞。
- Personas Differ from Native-Language Generation: Language Pathways Shape LLM Interpersonal Advice
-
针对大语言模型在多语言人际建议中常用的“母语者角色预设”快捷方式,本文系统对比了母语生成后回译(NL)与英语母语者角色预设(NP),证明二者在语用风格、行为支架与行动推荐上存在系统性背离,角色预设虚增了表层亲和社交词汇却削弱了可落地的行为指导并更倾向直接冲突。
- Probing Cultural Signals in Large Language Models through Author Profiling
-
本文在零样本设定下评测了 7 个开源大语言模型在 10,000 余首英译歌词上的作者画像能力(推断歌手性别与所属大洲族裔),提出了模态准确率散度(MAD)与召回率散度(RD)两项公平性度量,揭示了多数模型以北美为默认文化、而 DeepSeek-1.5B 偏向亚洲的系统性文化对齐偏差,并通过分析自解释有偏词云提出了基于反思修正的去偏提示。
- Psychologically Potent, Computationally Invisible: LLMs Generate Social-Comparison-Eliciting Posts They Fail to Detect
-
本文提出面向小红书真实文本的读者视角社交比较基准 XHS-SCoRE,发现大语言模型具备生成足以显著改变人类相对地位感知与比较情绪的高心理效力帖子的能力,但在提示词分类下却频繁将比较帖中性化稀释或产生方向偏斜,揭示了“高生成效力与脆弱检测能力”的系统性解耦。
- Research Design Tracking and Assessment for the Social Sciences
-
针对循证公共决策中社会科学文献因果研究设计难以自动化审校的痛点,本文提出了 ARDTrA 任务与首个覆盖 6 类因果设计的专家标注基准数据集(140 篇),构建了模拟专家审校的多轮闭卷问答 RAG 管线,发现检索文本块长度主导了 52%–66% 的系统方差,且人类主观争议与机器检索难度存在显著的任务级解耦。
- Rethinking Prospect Theory for LLMs: Revealing the Instability of Decision-Making under Epistemic Uncertainty
-
通过三阶段彩票选择实验与认识标记概率插值映射,系统审计大语言模型在前景理论框架下的决策行为,揭示其风险偏好和损失厌恶在语义不确定性扰动下的严重表征不稳定性。
- The “10th Juror”: Open-Set Standpoint Screening for Bureaucratic Bias Detection
-
针对政府公文中暗含隐式贬损且偏见范畴动态演进的难题,提出立场感知多智能体治理框架 MARS-Gov,结合规范证据检索、开放集“第十陪审员”动态立项、告警路由门控与最小改写核验,在 DGDB 荷兰政务基准上取得 0.880 F1,将过度干预率压至 2.5%。
- The Hidden Toll of Social Media News on Psychosocial Wellbeing
-
基于去中心化社交平台 Bluesky 约 2600 万帖子与 4500 万评论的大规模准实验研究,采用 520 维协变量分层倾向评分匹配,首次揭示了日常社交媒体新闻暴露存在显著的心理权衡效应:在加剧抑郁、焦虑和压力的同时能缓解孤独并提升平台互动,且被动收藏新闻对心理状态的负面损伤幅度是主动评论或引用的十倍以上。
- Towards Detecting AI-Assisted Responses in Online Surveys
-
针对传统机器生成文本(MGT)检测器在问卷级智能体伪造回答时性能退化至随机猜测(AUROC ~0.61)的严峻挑战,本文构建了涵盖三种真实问卷与三类AI使用策略的基准数据集 ASURRE,并提出无需训练、仅需5个真实样本的被试级行为线索检测方法 SPABD,将智能体作答的平均检测 AUROC 显著提升至 0.75。
- VASTU: Language Models Struggle to Recognize Online Community Values
-
本文形式化了社区条件偏好预测任务并构建了涵盖 15 个 Reddit 社区 7.5 万条评论的 VASTU 基准,发现参数微调模型(AUROC 0.71–0.74)显著优于提示工程(最高仅 0.62),揭示了提示式 LLM 因过度依赖通用质量启发式而错误丢弃超 80% 社区认可内容的系统性偏差。
- What Drives Paper Acceptance? A Process-Centric Analysis of Modern Peer Review
-
本文提出首个全流程现代同行评审分析框架,基于 ICLR 2017–2025 逾 2.8 万篇投稿全周期数据,从评审分歧仲裁、互动日志、外部信号及文体结构四维系统揭示了终审决策的动态形成机制。
- What Makes a Good Response? An Empirical Analysis of Quality in Qualitative Interviews
-
构建包含14个真实跨学科项目、343场访谈、16,940条受访者回答的定性访谈语料库,通过LLM自动化评判与多层线性混合效应回归证实:与研究核心问题的直接相关性是决定回答质量的最强预测因子,而NLP对话系统通用的清晰度与基于困惑度的信息量指标并不具备质量预测力。
- When Hate Meets Facts: LLMs-in-the-Loop for Check-worthiness Detection in Hate Speech
-
针对网络极端仇恨言论常借由看似客观的事实主张进行伪装传播的难题,本文提出了首个结合仇恨言论与主张可核查性的双语基准数据集 WSF-ARG+,设计了能降低专家标注工作量且达人类水准的 LLM-in-the-loop 标注框架,并实证发现结合可核查性信息能显著增强仇恨言论检测性能(大模型平均 Macro-F1 提升 0.154)。
- When Seekers Are Hard to Help: Evaluating Emotional Support Dialogue Systems in Worst-Case Interactions
-
本文针对当前情感支持对话系统普遍依赖配合型“平均情境”模拟器导致评估虚高的弊端,基于8位资深心理咨询专家的模拟实验构建了涵盖六大困难行为的 worst-case 评测框架与模拟器,并提出4项面向最坏情境的新指标,揭示了17个主流模型在抗拒、低卷入等棘手场景下的严重性能退化,同时证实合成 worst-case 交互可大幅增强小模型的支持鲁棒性。
- Who Annotates in NLP? A Large-scale Assessment of Human Annotation Reporting between 2018 and 2025
-
针对 NLP 领域人工标注者身份不明与实验控制细节缺失的痛点,该研究构建了首个涵盖 7 大维度 26 个指标的任务级审计分类体系,依托专家双阶段裁决基准验证了 LLM 自动化抽取管线,并对 2018 至 2025 年间 1,603 篇 ACL 系列论文(2,667 个标注任务)展开跨时期、领域与用途的大规模实证审计,揭示出模型评估任务中严重缺乏有效性报告及 2022 年 ACL 规范清单后报告质量增长放缓的严峻现状。
- Who Laughs with Whom? Disentangling Influential Factors in Humor Preferences across User Clusters and LLMs
-
针对过往研究仅依赖多标注者汇总均分而忽略个体偏好差异的问题,本文基于日本大喜利平台的用户投票日志进行聚类,利用 Bradley-Terry-Luce (BTL) 模型解耦并量化了 7 个用户群体与 3 款主流大语言模型在 45 项语言特征和 11 项幽默策略上的偏好权重,揭示了 LLM 与特定群体存在强共鸣且可通过角色人设提示引导偏好对齐。
- Why Is This Joke Offensive? Interpreting Offensiveness in Chinese Dark Humor Through Knowledge and Rhetoric
-
针对中文地狱笑话高度依赖语境知识与修辞变换导致有害含义表层缺席的难题,本文提出了包含 2,168 个样本的结构化解释基准 HELLHUMOR-CN 与基于知识检索和修辞分析的多智能体框架 HUMORLENS,使大模型在冒犯判定、敏感主题及攻击目标识别上的 Macro-F1 和准确率显著提升。