ParaText：探索LLM如何从文本表面线索推断用户隐性状态

ParaText是一个研究项目，旨在测试大型语言模型（LLM）是否能从文本表面特征推断用户的隐性状态（如疲劳、紧急、沮丧、网络带宽受限等），以及这些推断是否会改变模型的响应策略。该项目关注LLM的社交感知能力，为理解AI与人类交互提供新视角。

人类日常交流中能从话语表面捕捉隐含信息，这是社交智能的重要部分。随着LLM能力提升，AI是否能像人类一样从文本细微特征推断用户隐性状态的问题浮现，ParaText项目由此诞生。

ParaText是开源研究项目，专注测试LLM从文本表面线索推断用户潜在状态（疲劳、紧急、沮丧、认知负荷、网络带宽限制等）及推断对响应策略的影响。核心假设：用户状态会在文本留下可检测痕迹（句式、标点、词汇、回复延迟等），LLM识别这些模式即具备社交感知能力。

ParaText设计多个研究维度评估LLM状态推断能力：

1. 疲劳状态检测：关注精力不足，特征包括短句、简单词汇、缩写、拼写错误；
2. 紧急程度感知：识别时间压力，特征包括立即行动词汇、少礼貌用语、直接表达；
3. 情绪状态识别：聚焦负面情绪，特征包括负面词汇、复杂句式（思维混乱）、异常短回复（回避）；
4. 认知负荷评估：判断信息处理困难，特征包括重复、长思考时间（编辑历史）、简化回应；
5. 网络环境感知：推断低带宽/不稳定网络，特征包括短消息、避免多媒体、提及连接中断。

ParaText采用严谨实验设计：

1. 构建含多种用户状态标注的文本数据集（真实或模拟场景），标注真实状态作为基准；
2. 向LLM呈现文本，询问状态判断（如“作者可能处于什么状态？”），评估推断准确性；
3. 测试推断是否影响响应策略（如对疲劳用户是否简化回复），确保推断有实际价值。

ParaText成果指导AI交互设计优化：

• 疲劳用户：简化回复、清晰结构、分步骤指导；
• 紧急需求：优先关键信息，次要详细解释；
• 网络受限：轻量级回复，避免大数据传输操作； 这种自适应策略让AI更自然贴心，向情境感知智能伙伴演进。

局限性：

1. 文本特征与状态关联非绝对，易过度推断误判；
2. 隐私问题：状态推断能力可能被滥用，需平衡体验与隐私。 未来方向：
3. 多模态场景：结合打字速度、编辑模式、传感器数据提升准确性；
4. 谨慎推断：让模型在不确定时避免武断判断。

ParaText为理解LLM社交感知能力提供有价值视角，揭示AI从文本读取更多信息的可能，同时提醒机遇与挑战。未来有望看到更智能、情境感知的AI助手。