Delegation Asymmetry in Agentic Recommender Systems: Measuring Two-Sided Receptivity in Online Dating
Agentic 推荐系统中的委托不对称：在线约会双向接受度测量
Fleamily, Inc. · Lucy Family Institute for Data & Society, University of Notre Dame
用双语言大规模调查与潜变量模型证明发送和接收 Agent 对话的接受度是两个不同构念，并量化部署-接收不对称及路由增益
📌 工作参考价值
- 在构建 Agent 对话/推荐系统时，把“用户是否愿意让 Agent 代表自己对外发消息”和“是否愿意收到对方 Agent 消息”分开测量与建模，两者相关但可分（ρ=0.92，ΔBIC=52），合并成一个接受度指标会高估用户接受度。
- 路由策略可借鉴：按“接收方接受 Agent 消息的概率”优先路由 agent-initiated 消息，论文显示每次接触互动率提升约 3 倍，OOS AUC=0.88；对应电商导购、社交推荐中的 receptivity-aware matchmaking，即用接收方接受度分数做排序或过滤。
- 产品设计需提供分层 opt-in 和披露机制：部署自己 Agent 的阈值（θ=-0.38）远低于与对方 Agent 互动（θ=+0.32, 全互动 +1.39），发送与接收意愿对称性差，不能只问一句“是否允许 Agent”。建议分别设置同意开关，降低用户防御。
- 互惠要求/双向同意会显著压缩可用池：要求双方都接受 Agent 通信会排除近三分之二潜在部署者，交互量减半以上；在冷启动或规模优先场景下应谨慎使用强制双向 opt-in，可改为单侧路由 + 接收端优先策略。
动机：LLM Agent 代用户对话成为匹配平台的新设计范式，但其可行性依赖于一个很少被检验的条件：用户不仅要愿意把自己的对话委托给 Agent，还要愿意接受对方由 Agent 中介的沟通。论文聚焦这一双向接受度。
方法关键点：在两个大规模调查中（生成式个人资料特征 N=2,894；自动对话 Agent N=2,617，双语言），用 graded response model 加 latent regression 建立潜变量测量模型。模型比较显示，发送 Agent 消息的意愿与接收 Agent 消息的意愿是两个不同构念：高度相关（ρ=0.92）但可分（ΔBIC=52），且具有跨语言部分测量不变性。模型量化了系统性委托不对称：部署自己 Agent 所需的接受度阈值（θ=-0.38）远低于与对方 Agent 互动的阈值（θ=+0.32；全互动 +1.39），平均部署倾向约为互动倾向的三倍。
关键结果：基于陈述接受度的随机配对反事实中，仅 4–13% 的有向二元组同时满足部署 Agent 与接收端互动，性别方向不平衡明显。设计反事实显示：互惠要求会排除近三分之二潜在部署者，交互量减半以上；而按接收接受度路由 agent 消息可使每次接触互动率提升约 3 倍，经 leave-item-out 验证 AUC=0.88，respondent-level CV 下四分位提升 3.1×。论文据此讨论披露、opt-in 机制和接受度感知匹配设计。