随着大型语言模型（LLM）驱动的聊天机器人在日常场景中越来越多地被应用，它们通过有效道歉从错误中恢复的能力对于维持用户信任和满意度至关重要。在一项针对 Prolific 工作者的注册研究中（N=162），我们研究了用户对三种类型道歉（机械性、解释性和同理心）的偏好，这些道歉是针对三类常见 LLM 错误（偏见、无依据的虚构和事实错误）所做出的。我们设计了一种成对实验，让参与者评估包含初始错误、后续道歉和解决方案的聊天机器人回应。解释性道歉通常更受欢迎，但这因情境和用户而异。在偏见场景中，同理心道歉因能承认情感影响而受到青睐，而幻觉虽然被视为严重，但未产生明确偏好，反映了用户的不确定性。我们的发现显示了 AI 系统中有效道歉的复杂性。我们讨论了未来系统必须应对的个性化和校准等关键见解，以有意义地修复信任。
Ashktorab 等（周三）研究了这个问题。