A Model of Multi-turn Human Persuadability Using Probabilistic Belief Tracing
基于概率信念追踪的多轮人类可说服性模型
🧭 信念追踪 · 多轮说服 · 人机交互评估
Stanford University · University of Washington
提出信念追踪贝叶斯模拟目标，更真实模拟多轮说服中的信念动态，评估过程保真度
📌 工作参考价值（4 点）
- 在对话推荐或营销说服场景中，可借鉴贝叶斯网络显式建模用户潜在信念状态，追踪多轮交互下信念如何逐步变化，而非只看最终转化，从而更精细地优化说服策略。
- 评估说服效果时，不应仅对比端点信念偏移，需引入过程保真度指标（如信念更新轨迹的相似度），这能避免仅优化终点而忽略用户体验中可能的抵触或反弹。
- 需构建高拟真用户模拟器时，用结构化概率模型（如信念追踪网络）替代简单的 LLM prompt 模拟，能显著提升对人类信念动态的复现度（文中提升约 25%），适合 A/B 测试说服话术。
- 对于多模态（文本/语音）交互的电商 Agent，可复用该框架中按修辞维度（理性/情感/可信度）标注说服话术的方法，分析何种策略更有效引导用户信念变化。