LLM-D12：一种用于衡量大型语言模型中工具性依赖与关系依赖的双维量表

《ACM Transactions on the Web》：LLM-D12: A Dual-Dimensional Scale of Instrumental and Relational Dependencies on Large Language Models

LLM-D12量表通过因子分析验证了工具依赖与关系依赖的双重结构，有效区分了人机交互中的不同依赖模式，为评估AI使用中的潜在风险提供了新工具。

　　

摘要

人们越来越关注人们如何与大型语言模型（LLMs）互动，以及这些模型是否会导致依赖性或甚至成瘾行为。目前，用于评估个体对LLMs依赖程度的有效工具非常有限，这些工具主要基于经典的行为成瘾症状，并将其适应到LLMs的使用场景中。我们认为这是一种概念上的局限，因为LLMs与人类之间的关系更为复杂，需要一个全新且独特的视角来理解。为了解决这一问题，我们开发并验证了一份新的12项问卷，用于测量对LLMs的依赖程度，该问卷被称为LLM-D12。该量表的制定基于作者之前的理论研究，相关条目也是据此设计的，数据来自英国的526名参与者。通过对总样本进行分割，分别对问卷的两半进行探索性因子分析和验证性因子分析，结果表明该量表具有两因素结构：工具性依赖（6个项目）和关系性依赖（6个项目）。工具性依赖反映了个体在决策和认知任务中依赖LLMs的程度；关系性依赖则体现了将LLMs视为具有社会意义、有感知能力或类似伴侣的实体的倾向。这种两因素结构表现出良好的内部一致性和明显的区分效度。外部验证进一步证实了该量表的科学基础以及两个子量表之间的区别。我们根据新兴观点对LLM-D12量表的心理测量特性和结构进行了解读，即对LLMs的依赖并不一定意味着功能失调，但在某些情况下仍可能反映出需要关注的依赖程度。