Practicing with Language Models Cultivates Human Empathic Communication

共情是人类联结的核心，但人们往往难以有效表达共情。在盲评实验中，大型语言模型（LLM）生成的回应常被评判为比人类撰写的回应更具共情性；然而，一旦某条回应被明确标注为“由AI生成”，接收者便会觉得自身更少被倾听、更少被认可——即便该回应与人类所写的内容完全相同。为深入探究并弥合这一共情沟通能力上的落差，我们开发了实验性对话平台“Lend an Ear”（侧耳倾听），邀请参与者向扮演个人生活及职场困扰角色的LLM提供共情支持。基于968名参与者与其LLM对话伙伴之间开展的2,904场纯文本对话、共计33,938条消息的数据，我们构建了一个源于真实对话、以惯用表达为基础的共情性言语行为分类体系。依托一项预先注册的随机对照实验，我们发现：一种简短的LLM辅导干预——即针对每位参与者提供个性化反馈，指导其如何更有效地传达共情——能显著提升参与者实际沟通模式与规范性共情沟通模式之间的一致性；这种提升效果不仅显著优于未接受任何干预的对照组，也明显超过仅接受通用视频讲解（但无个性化反馈）的对照组。此外，我们还发现了“静默共情效应”（silent empathy effect）的实证依据：人们内心确能真切感受到共情，却系统性地无法将其恰当地外化表达出来。不过，参与者仍能稳定、可靠地识别出符合规范性共情沟通标准的回应，并一致认为这类回应更能体现共情。综上，本研究不仅深化了科学界对共情如何被表达与被珍视的理解，同时也验证了一种可大规模推广、以人工智能为支撑的干预方式，能够切实为共情能力的发展提供脚手架式支持，并有效促进其培养与提升。

论文旨在解决人类在真实对话中‘能感受却难表达’ empathy 的核心矛盾——即个体具备共情能力（silent empathy effect），但缺乏将内在共情转化为被感知、被认可的外显表达的能力；同时验证一个关键假设：基于AI的个性化、实时、对话式反馈干预，能否有效提升人类对规范性共情表达模式（data-driven taxonomy）的习得与应用。

提出‘Lend an Ear’实验范式：让人类向扮演求助者的LLM提供共情支持（反向人机共情训练），而非传统的人机接收共情；在此基础上构建首个自然对话驱动的、细粒度 idiomatic empathic expression taxonomy，并设计预注册随机对照实验，证明LLM生成的个性化文本反馈（聚焦具体话语偏差与改进建议）显著优于非个性化视频反馈和无干预控制组——关键创新在于将LLM用作‘共情教练’（empathy scaffolder），而非共情代理。

• 基于33,938条消息、2,904场真实文本对话（968名参与者）构建首个大规模、情境化（个人+职场）、行为标注的共情表达语料库及数据驱动分类法；• 预注册双盲RCT设计，严格区分干预类型（LLM个性化反馈 vs. 视频非个性化反馈 vs. 控制组），效应量稳健（p<0.001）；• 发现并命名‘silent empathy effect’——受试者自我报告共情强度高，但其语言输出偏离规范taxonomy，且该脱节可被精准识别与矫正；• 所有数据（去标识化）与taxonomy已开源（https://lendanear.ai），代码库公开，支持可复现性；• 值得深入：taxonomy跨文化迁移性、长期干预效果留存、LLM教练在临床/教育场景中的适应性验证。

• 'Empathic Accuracy in Human-AI Interaction' (ACM CHI 2023); • 'The Empathy Gap in AI-Assisted Counseling: When Attribution Matters' (Nature Human Behaviour 2022); • 'Dialogue Act Annotation for Empathic Response Modeling' (ACL 2021); • 'Teaching Empathy to Medical Students via Conversational AI Role-Play' (JAMA Internal Medicine 2024); • 'Beyond Sentiment: A Taxonomy of Empathic Language Functions in Peer Support Forums' (EMNLP 2023)