论文主要内容总结本文聚焦大型语言模型（LLM）聊天机器人的道歉类型与用户偏好，通过预注册实验（162名参与者）研究了三种道歉类型（机械道歉、共情道歉、解释性道歉）在三种常见LLM错误情境（事实错误、无根据编造/幻觉、偏见错误）中的用户接受度，核心结论如下：总体偏好：解释性道歉（说明错误原因）总体最受用户青睐，机械道歉（程式化表达）最不受欢迎。情境差异：在偏见错误情境中，共情道歉（强调对用户的伤害与情感认同）更受偏爱；而对于无根据编造（幻觉）错误，用户对道歉类型的偏好不明确，反映出对这类新型错误的认知不确定性。个体差异：用户的拟人化倾向、AI熟悉度、社交倾向等特征影响道歉偏好（如社交倾向高的用户更偏好共情道歉，控制欲强的用户更偏好解释性道歉）。创新点系统性实证研究：首次系统对比三种道歉类型在LLM特有的三种错误情境中的用户偏好，结合哲学中的道歉理论（如Smith的“categorical apology”）与人机交互（HCI）领域的实证方法，为AI道歉设计提供理论与数据支撑。深入分析偏好动因：通过开放式问答和编码分析，揭示用户选择或拒绝某类道歉的具体原因（如解释性道歉因“透明性”受青睐，共情道歉因“情感认同”在偏见情境中更有效）。个体差异与情境适配：强调AI道歉设计需考虑错误类型与用户特征的交互作用，指出
