这是唯一我可以信任的东西：自闭症工作者使用大型语言模型进行沟通辅助的展望

文献标题

“It’s the only thing I can trust”: Envisioning Large Language Model Use by Autistic Workers for Communication Assistance

文献信息

• 主题领域: 人机交互与自闭症群体辅助技术
• 关键词: 自闭症, 社交沟通, 大型语言模型 (LLM), 职场, 人工智能, 神经多样性, 辅助科技, 设计启发, 工作环境, 职场适应

研究背景与问题

• 发现的挑战:

  1. 自闭症成人在职场中经常面临沟通困难，包括理解非自闭症者的隐含社交规范、处理模糊或不清晰的信息及期望，以及在缺乏资源的情况下应对这些社会性挑战。
  2. 许多自闭症者由于职场中普遍的歧视和社交复杂性，无法获得充分的指导与支持，而转向家人或朋友寻求帮助，却容易因意见不合而遭受情感伤害。
  3. 针对工作场合的自闭症专属资源（例如工作训练教练或职业康复专家）较难获得，迫使这类个体找寻另类支持形式。

• 研究重要性:

  1. 大型语言模型（LLM）最近被证实具备强大的语言理解和生成能力，为解释社交情况、改进沟通提供了潜力。
  2. 如果这种技术能被自闭症者用于缓解社会沟通困境，将可能填补现有资源和服务的重大空缺。

• 研究动机: 研究者希望探索LLM是否能够成为自闭症成人在职场中处理社交沟通问题的有效辅助工具，并评估其潜在风险和设计改进方向。

解决方案

• 研究方法:

  1. 作者组织11名自闭症参与者，与两个聊天机器人交互：一个是基于OpenAI GPT-4的大型语言模型（称为Paprika），另一个是由人类伪装的“聊天代理”（称为Pepper）。
  2. 参与者在与两个聊天机器人的对话中探讨实际工作场合的社交问题，并分别评估每个机器人的表现。
  3. 研究还邀请了一名专业职业咨询师对机器人的回答进行质量评价。

• 方法创新:

  1. 设置对比实验，既含基于LLM的自动化交互，也含类人化的“真实人”交互（伪装对话）。
  2. 设计双重数据采集路径，综合抓取参与者的定量评分、质性描述以及专家对LLM生成内容的专业分析。

• 实施步骤及关键技术:

  1. 对LLM进行定制化"prompt engineering"，确保生成的内容更符合工作场合的正式沟通风格。
  2. 所有实验均通过线上平台（Discord）进行，研究者对聊天记录和访谈内容进行了结构化编码分析。
  3. 基于两类参与者数据（主观偏好与对内容质量的认知性分析）交叉验证实验发现。

研究成果

• 成果总结:

  1. 82%的参与者更倾向于使用LLM作为社交沟通工具，而非人工伪装的“人类代理”。
  2. 参与者普遍认为LLM的回答更加清晰、结构化，相比人类代理提供了更多“无偏见、细致友好”的建议。
  3. 许多参与者表示，使用LLM让他们能够自主探索应对职场社交问题，不需要承担向真人求助的情感风险。

• 相较现有资源的优势:

  1. 便捷性: LLM提供即时的、无障碍的沟通指导，远优于现有仅在特定时间场合可用的传统资源。
  2. 隐私保护: 许多参与者指出，与LLM的互动更能减轻因披露问题或身份而被评判的压力。
  3. 成本低廉: 相较聘请职场教练，LLM的使用性价比极高。

• 挑战与局限性:

  1. 专业咨询师指出，LLM的建议易体现“神经典型（neurotypical）”偏见，可能误导自闭症者尝试模仿非自闭症者的社交规范（例如强迫性目光接触或特定肢体语言），增加心理负担。
  2. 部分LLM建议过于乐观，未考虑实际场景中潜在的失败或冲突风险。

• 未来研究方向:

  1. 优化LLM的训练语料，包括更多样化的自闭症用户视角，增强对自闭症用户独特需求的识别。
  2. 探讨如何有效融入价值敏感设计（VSD），使技术更能响应用户需求而非巩固现存的职场结构性障碍。
  3. 深化对LLM“隐性社会影响”的研究，例如广泛使用LLM工具可能如何进一步塑造自闭症个体的社交身份及职业权益。