本文基于双加工理论,研究无推理与高推理配置下的LLM图形界面代理如何受到默认选项和社会影响两类数字助推的影响。基于六个模型、3,600个代理和21,600次模拟决策,研究发现两类助推均显著改变代理选择;高推理降低了默认助推的影响,却增强了社会影响助推,说明更多推理并未消除偏差,而是改变了外部影响发挥作用的路径。探索性结果进一步表明,这种调节效应与模型规模相关,研究因此将界面设计视为自主代理部署中的治理问题。
| 实验条件 | 无推理:目标产品选择概率 | 高推理:目标产品选择概率 | 主要结果 |
|---|---|---|---|
| 无助推控制组 | 约50%(95% CI:47%–53%) | 约50%(95% CI:46%–51%) | 未出现系统性偏好 |
| 默认助推 | 约92%(95% CI:91%–93%) | 约86%(95% CI:84%–87%) | 高推理降低默认接受率 |
| 社会影响助推 | 约96%(95% CI:96%–97%) | 约98%(95% CI:97%–98%) | 高推理提高社会线索遵循率 |
报告标题:《A Dual-Process Perspective on Nudge Susceptibility in LLM-Based GUI Agents》(基于双过程视角的基于大语言模型图形界面智能体的助推易感性研究)。
作者:Haya Halimeh、Sascha Kaltenpoth、Kevin Bösch、Oliver Müller。
机构:德国帕德博恩大学信息系统系。
发布日期:原文未明确给出正式发布日期;参考文献中包含2025—2026年的资料,因此报告显然属于较新的研究版本,但不能据此确定具体发表日期。
研究主题:考察能够自主操作网页和图形界面的LLM智能体,是否会像人类一样受到数字助推(digital nudges)的影响,以及提高模型的“推理配置”是否能够降低这种影响。,
报告的核心结论并不是“推理越强,智能体越理性”,而是:推理不会消除智能体对界面设计的易感性,只会改变影响其决策的路径。在没有推理时,智能体更容易受到预设选项等自动型、Type 1助推的影响;提高推理后,智能体对默认选项的服从度下降,但对社会影响、他人偏好等反思型、Type 2助推的响应反而增强。,
研究采用随机化在线购物实验,共生成3,600个智能体,覆盖三个供应商的六个模型,并完成21,600次商品选择。总体上,默认选项使目标商品被选择的概率提高到约92%,社会影响助推则提高到约96%—98%;这说明GUI智能体并非天然理性或免疫于选择架构。,
报告没有传统金融研究中的股票评级、目标价、DCF估值或可比公司估值,因此“估值分析”一节不适用。本文的“价值”主要体现在理论贡献、实验结果和AI治理建议,而非对某家公司或资产进行财务定价。
作者首先区分了传统LLM与LLM-based GUI agents。传统LLM主要生成文本,而GUI智能体能够观察网页界面、规划多步任务、点击按钮、填写信息,并最终代表用户完成购买或其他操作。研究指出,这类系统已被用于网页浏览、电子表格、商品购买乃至金融交易,因而用户实际上开始把部分决策权委托给AI。
这种变化的关键在于,智能体不再只是“回答用户的问题”,而是进入了由人类设计的数字环境。网页的排列方式、默认选项、视觉突出显示、社会评价标签等,既能帮助用户完成任务,也可能影响用户选择。由于智能体代替用户采取行动,界面对智能体造成的影响最终会转移给委托用户。,
作者提出两个研究缺口。第一,既有研究更多关注LLM文本输出中的框架效应、锚定效应和可得性偏差,而较少研究这些偏差是否会在“观察界面—规划—行动”的完整闭环中继续存在。第二,研究界通常认为更强模型和更多推理能力应当提高稳健性,但已有证据显示,更大规模、更强对齐的模型有时会产生新的顺从、谄媚或多数意见服从问题。,
报告提出两个研究问题:
作者进一步提出三个假设:
这里的理论基础是双过程理论。人类的System 1通常快速、自动、依赖启发式;System 2则较慢、分析性更强,需要额外认知资源。作者将无推理配置类比为System 1,将高推理配置类比为System 2,但明确说明这只是功能层面的类比,并不意味着LLM真的拥有与人类相同的心理系统。
大语言模型通过预测下一个词元生成输出。Chain-of-Thought(CoT)或模型内部推理机制能够让模型产生中间步骤,通常有助于复杂任务,但也可能引入新的错误。作者特别强调,人类可以根据任务动态切换System 1和System 2,而LLM的推理程度通常由API配置、训练方式或系统设置决定,并非完全自主切换。,
报告使用“字母计数”任务进行操纵检验。该任务要求模型逐字检查一个词中某个字母出现的次数,不能仅依赖词语整体记忆。无推理时准确率为80.3%(2,410/3,000),高推理时升至99.3%(2,980/3,000),提高19个百分点,说明推理开关确实改变了任务表现。,
不过,附录E也揭示了这一操纵的复杂性:高推理未必代表模型内部真的产生了人类式深思,它可能只是让更多逐字分解过程被放入隐藏推理通道。也就是说,实验更准确的表述是“切换了推理通道和推理预算”,而不是完全打开或关闭了认知系统。,
作者将助推定义为:在不禁止选择、不显著改变经济激励的情况下,通过改变选项呈现方式来系统性影响行为。
本研究考察两类助推:
这一区分是全文理论推理的关键:如果高推理能够抑制自动反应,却加强对信息性或规范性线索的处理,那么它应该对两类助推产生方向相反的影响。
研究构建了一个模拟在线杂货店,包含六类商品:西红柿、香蕉、面包、咖啡豆、牛奶和意大利面。每个类别有两个并列商品,每个商品配有图片、简短描述、产地、重量等信息,智能体必须在每一类中选择一个商品。
图1展示了模拟商店的商品界面。图中可见,页面采用顶部标签页切换六个类别;每类商品左右并排排列,包含商品图片、单选按钮、商品名称和详细描述。这种设计尽量模拟人类消费者在网页上的浏览过程,而不是通过结构化表格直接把答案提供给模型。
每个智能体接收到相同任务:为第二天与朋友聚餐购买所需商品,访问本地在线超市,了解商品并在每个类别选择偏好商品,最后完成购买。
图2展示了完整流程:智能体首先接受文字提示,随后进入商店,在六个类别之间导航并做出选择;完成后进入汇总页面,可以检查并修改选择;确认后进入购买完成页面。最终确认的商品构成因变量,而不是智能体在中途表达的偏好。,
图3展示了三种条件:
研究还随机化了商品类别顺序和商品左右位置,并采用平衡设计:一半智能体被引导至商品集合A,另一半被引导至商品集合B。因此,如果助推没有作用,被标记为“目标商品”的选择概率应为50%。这一点使研究能够将助推效果与商品本身的偏好差异区分开来。
研究覆盖:
每个模型有600个智能体,分为无推理和高推理两组;每种实验条件每个模型分配200个智能体,因此每个模型完成1,200次购买任务、3,600次商品选择;六个模型合计3,600个智能体和21,600次选择。
作者采用贝叶斯多层逻辑回归。因变量是二元变量:智能体是否选择了被指定为目标的商品。控制组中目标商品随机指定,处理组中目标商品就是被助推的商品。
模型使用Bernoulli似然和logit链接,并为每个智能体设置随机截距,以处理同一智能体在六个商品类别中的重复选择。模型共设置三种规格:
使用贝叶斯方法的主要原因是部分Claude模型在某些条件下几乎达到100%选择目标商品,造成完全或准完全分离。传统最大似然估计在这种情况下可能产生不稳定系数;贝叶斯模型通过弱信息先验使后验分布保持有效。
需要注意,“可信”在这里不是频率学派的p值概念,而是指95%后验可信区间不包含零,或对应赔率比区间不包含1。
图4展示六个模型合并后的目标商品选择概率。控制组中,无推理智能体约为50%,高推理智能体约为48%,置信区间覆盖50%,符合平衡设计预期。默认组中,无推理为92%,高推理为86%;社会影响组中,无推理为96%,高推理为98%。,
图4呈现了两个重要趋势:
从回归系数看,默认助推的log-odds系数为2.48,对应赔率比8.70;社会影响助推系数为3.32,对应赔率比37.24。换言之,默认助推使选择目标商品的赔率约变为原来的8.7倍,社会影响助推则约变为37.2倍。
图5为加入供应商控制后的结果,图6为同时加入供应商和模型规模控制后的结果。正文声称加入这些控制变量后,主要条件和交互效应“几乎不变”,说明总体结论并非由某个供应商或模型家族单独驱动。,
不过,图像中显示的数值与正文存在值得注意的细微不一致:图4控制组约为50%/48%,而图5和图6视觉上显示的控制组约为63%/62%和61%/60%,并非“几乎不变”的50%左右。可能原因是加入供应商和规模后,图中展示的是某个参考供应商、参考规模下的条件预测,而非全样本边际平均;但正文没有充分解释这一点。因此,读者不能仅凭图5、图6的控制组点估计判断总体基线是否发生变化,应结合模型中的边际化方式和附录后验结果进一步核对。,
无推理条件下,推理配置本身没有显著影响控制组选择,系数为0.05,95%区间包含零。这说明推理并不会在没有助推时系统性改变目标商品选择。
但“推理×默认助推”的交互项为-0.63,95%可信区间为[-0.89,-0.36],在默认条件内部,高推理使目标商品选择赔率降至约一半,赔率比为0.51。对应的预测概率由92%降至86%。,
因此,H2a得到支持。高推理似乎使智能体更可能注意到默认状态,并主动检查其他选项,而不是无条件保留预选商品。不过,这种“抵抗”仍然有限:即便高推理下,86%的智能体仍选择默认商品,说明推理降低了助推效果,却没有消除它。
社会影响的交互项为+0.59,95%可信区间为[0.27,0.91]。在社会影响条件内部,高推理使选择社会认可商品的赔率提高到无推理时的1.71倍,预测概率由96%升至98%。
因此,H2b也得到支持。作者的解释是:社会影响不是简单的自动默认,而是一种需要被读取、理解和纳入决策的信息。更高推理可能使智能体更认真地分析“其他顾客偏好”这一信号,并把它视为质量、适当性或社会规范的证据。,
这意味着“更多推理”并不自动等同于“更少偏差”。它可能减少对被动选项的依赖,却加强对社会线索的服从。
附录B按供应商分别估计模型。图B1显示三家供应商的总体模式大体一致,但效应强度不同;附录B还指出,Anthropic模型的部分条件存在天花板效应。,
这说明主结论“两个助推都有效”具有跨供应商稳定性,但不应理解为各供应商模型的反应完全相同。供应商同时捆绑了架构、训练数据、对齐方法和API推理机制,因此作者将其作为控制变量,而不是将供应商系数解释为单一因果因素。
附录C将模型按旗舰与小型变体合并。结果显示,默认助推对小型模型的总体作用更强,赔率比为15.94,而旗舰模型为4.64;社会影响助推则对旗舰模型更强,赔率比为107.57,而小型模型为17.59。
这一结果与“推理调节方向”形成反差:
作者认为,旗舰模型可能具有更强的替代偏好生成能力,因而更容易拒绝默认选项;小型模型则可能保留更多通过额外推理来吸收社会线索的空间。不过,这只是探索性解释,并非实验直接验证的机制。,
附录D显示,六个模型的两个助推主效应均具有可信性,但推理交互效应并不完全一致。
其中,Gemini 3.5 Flash的默认服从率由84%降至48%,下降最为明显;GPT-5.4的默认选择率由84%降至73%。相较之下,GPT-5.4-mini的默认选择率约为89%和88%,几乎没有变化。
社会影响方面,GPT-5.4-mini的服从率由91%升至99%,Claude Haiku 4.5由97%进一步接近100%,说明小型模型的社会影响放大较为明显。Claude Sonnet 4.6在社会影响条件下两个推理配置均达到100%,没有剩余变异可供推理调节。,
附录D中还出现若干排版或符号疑点。例如,Gemini 3.1 Flash Lite的默认交互项被写成β=0.51,但区间为[-0.96,0.04],数值符号与“默认服从率从93%降至88%”的叙述并不完全一致;GPT-5.4社会影响交互项的系数和区间也存在正负号排版不清的问题。由于这些结果来自附录转录,正式使用时应回到原始统计表和代码核对,而不能只依据文字摘要。
图E1显示,所有六个模型合并后,无推理配置正确回答1,210/1,500,高推理配置为1,490/1,500。图中高推理柱形明显接近满分。
图E2进一步展示模型差异:GPT-5.4从384/500提高到500/500,GPT-5.4-mini从163/500提高到480/500;Gemini 3.5 Flash从493提高到500,Gemini 3.1 Flash Lite从370提高到500;两个Claude模型原本就达到500/500,因此没有提升空间。
该结果验证了高推理配置能够改善字母计数,但同时揭示供应商间操纵强度不一致。Claude在无推理状态下也经常显式拼写和拆分单词,因而其“无推理”并非真正不进行可观察的逐步处理;OpenAI模型则更依赖隐藏推理通道。由此,所谓“无推理”和“高推理”并不是供应商无关、强度完全相同的实验处理。,
报告识别出的主要风险包括:
作者提出的缓解策略包括:建立标准化助推易感性基准;把推理配置视为部署决策而非默认选项;记录智能体选择分布并监测界面变化后的行为漂移;在执行重要操作前增加独立核验;让网页以机器可读方式披露默认选项和社会证明等选择架构元素。
这项研究的优点是实验设计清晰、样本量较大、覆盖三个供应商和大小模型,并通过商品左右位置随机化、目标集合平衡和多层贝叶斯模型增强了内部效度。每个模型的两个助推主效应均具有可信性,也支持结论并非来自单一模型。,
但仍有几项需要谨慎:
报告最重要的发现是:LLM-based GUI agents会受到数字选择架构的系统性影响,而且这种影响跨模型、跨供应商存在。默认助推和社会影响助推都显著改变了商品选择;社会影响在合并结果中的赔率比约为37,甚至强于默认助推的约8.7。
高推理没有使智能体普遍“免疫偏差”,而是产生了方向相反的调节:它使智能体更可能检查并拒绝预设默认选项,却更可能认真处理并服从社会认可信息。, 因此,作者将推理从单纯的“去偏工具”重新定义为一种“影响路径重定向机制”。,
最终,报告的总体立场是:组织不能仅通过选择更大模型或打开高推理来保证AI决策稳健性。真正需要治理的是智能体所处的界面、选择架构、信息披露方式以及执行前的核验流程。研究结论不是让企业停止使用GUI智能体,而是要求在部署这些系统时,把界面设计和行为审计纳入AI治理,而不能只把它们视为普通的用户体验问题。,
2609.19843.pdf