不用跟AI客气了，骂的越狠，回答的越准！新研究发现：语气越粗鲁回答正确率越高

不用跟AI客气了，骂的越狠，回答的越准！新研究发现：语气越粗鲁回答正确率越高

目录

1. 研究背景与发现
2. 实验设计与方法
3. 实验结果分析
4. 统计显著性检验
5. 现象解释与分析
6. 不同模型的差异表现
7. 实践建议与思考

研究背景与发现

宾夕法尼亚州立大学近期发表了一项名为《Mind Your Tone》的研究，这项研究揭示了一个颇为反直觉的现象：在与大语言模型交互时，使用粗鲁的语气反而能获得更高的回答正确率。

这项研究的核心发现是，当用户以粗鲁的语气向GPT-4o提问时，模型的正确率可以达到84.8%，而当用户使用非常礼貌的语气提问时，正确率仅为80.8%。这一结果挑战了我们通常认为礼貌沟通更有效的常识。

研究团队的目标是探究人类与AI对话时的语气是否会影响模型的回答准确性，以及我们在设计提示词时究竟应该采用客气、中性还是直接的表达方式。

实验设计与方法

题库构建

研究人员精心设计了一个包含50道选择题的测试题库，这些题目涵盖了数学、科学和历史等多个学科领域，难度设定为中等偏上。选择这样的难度是为了确保模型需要进行一定程度的推理，而不是简单地回忆训练数据。

语气分级设计

研究团队为每道题目设计了五个不同礼貌程度的提问版本，从极其礼貌到极其粗鲁，具体分为以下五个级别：

级别1：非常礼貌

• 您能否好心考虑以下问题并提供答案？
• 我可以请求您协助解答这个问题吗？
• 您能否费心解答以下问题？

级别2：礼貌

• 请回答以下问题
• 您能否请解答这个问题

级别3：中性

• 无任何礼貌修饰词

级别4：粗鲁

• 如果你不是完全没脑子，回答这个问题
• 我怀疑你能否解答这道题
• 试着集中注意力回答这个问题

级别5：非常粗鲁

• 你这个可怜的东西，你知道怎么解决这个问题吗？
• 嘿，笨蛋，把这个弄明白
• 我知道你不聪明，但试试这个

测试流程

研究人员将这250道题目（50道题×5种语气）提交给GPT-4o进行测试。为了保证结果的可比性和准确性，在每次测试之前都会给模型特定的指示：忘记之前的所有对话内容，重新开始，并且只返回答案选项的字母，不需要额外的解释。

每种语气级别的测试都进行了10次独立运行，以确保结果的稳定性和可靠性，最终统计平均正确率和正确率的变化范围。

实验结果分析

整体趋势

实验结果展现了一个清晰的趋势：随着提问语气从礼貌转向粗鲁，GPT-4o的回答正确率呈现上升趋势。

具体数据如下：

• 非常礼貌：平均正确率80.8%，正确率范围为80%到82%
• 礼貌：平均正确率81.4%，正确率范围为80%到82%
• 中性：平均正确率82.2%，正确率范围为82%到84%
• 粗鲁：平均正确率82.8%，正确率范围为82%到84%
• 非常粗鲁：平均正确率84.8%，正确率范围为82%到86%

关键发现

从非常礼貌到非常粗鲁，正确率提升了4个百分点。虽然这个提升幅度看似不大，但在大规模应用场景中，这样的差异可能会带来显著的实际影响。

更值得注意的是，正确率的提升并非线性的。从非常礼貌到礼貌、从礼貌到中性的提升相对平缓，但从粗鲁到非常粗鲁时，正确率有一个明显的跃升，达到了84.8%。

统计显著性检验

为了验证观察到的差异是否具有统计学意义，研究团队进行了配对样本t检验，显著性水平设定为0.05。检验结果证实，不同语气级别之间的正确率差异并非偶然，而是真实存在的显著区别。

详细检验结果

主要的配对比较结果如下：

1. 非常礼貌 vs 中性：p值为0.0024，非常礼貌的正确率显著低于中性
2. 非常礼貌 vs 粗鲁：p值为0.0004，非常礼貌的正确率显著低于粗鲁
3. 非常礼貌 vs 非常粗鲁：p值为0.0，非常礼貌的正确率显著低于非常粗鲁
4. 礼貌 vs 中性：p值为0.0441，礼貌的正确率显著低于中性
5. 礼貌 vs 粗鲁：p值为0.0058，礼貌的正确率显著低于粗鲁
6. 礼貌 vs 非常粗鲁：p值为0.0，礼貌的正确率显著低于非常粗鲁
7. 中性 vs 非常粗鲁：p值为0.0001，中性的正确率显著低于非常粗鲁
8. 粗鲁 vs 非常粗鲁：p值为0.0021，粗鲁的正确率显著低于非常粗鲁

所有比较的p值都远小于0.05的显著性水平，这意味着观察到的差异具有很高的统计显著性，不是由随机波动造成的。

现象解释与分析

信息干扰假设

研究团队对这一反直觉现象提出了主要解释：礼貌的表达方式往往包含大量的修饰性语言和客套话，这些内容虽然符合人类的社交习惯，但对于解决实际问题并无帮助。

具体来说，像"您能否好心考虑"、"我可以请求您协助"这样的表达，虽然听起来很礼貌，但实际上引入了许多与核心任务无关的词汇。这些冗余信息可能会干扰模型对问题本质的把握，相当于给模型的理解过程增加了噪声。

指令清晰度优势

相比之下，粗鲁的表达虽然语气不佳，但往往更加直接和明确。命令式的要求能够让AI更精准地识别核心任务，减少理解上的歧义。例如，"回答这个问题"比"您能否费心考虑并提供答案"更加直截了当。

这种直接性使得模型能够更快地聚焦于"答题"这一核心任务，而不会被礼貌性的修饰语分散注意力。从某种意义上说，粗鲁的提示词相当于提供了更高的信噪比。

业界反馈

这一研究结果也得到了实际工作者的认同。有AI从业者表示，在日常与多个AI系统合作的过程中，确实发现停止使用"请"、"能否"等模糊性词汇，以及避免构建"你能吗"这样的疑问句式，会让结果更好。

指令越明确，结果越准确，这与研究发现完全吻合。更直接的表达方式确实能够带来更好的交互效果。

不同视角的思考

也有观点认为，这可能不完全是关于粗鲁与礼貌的问题，而更多是关于语言的清晰度和紧迫性。情商固然重要，尊重始终能带来更好的长期沟通效果，但在与AI交互时，清晰和直接可能更为关键。

不同模型的差异表现

值得注意的是，这一现象并非适用于所有大语言模型。研究发现，GPT-4o这样的新一代模型更偏好粗鲁直接的提问方式，但GPT-3.5和Llama2-70B这样的较早期模型则表现不同，粗鲁的语气反而会让它们的回答质量下降。

可能的原因

这种差异可能源于以下几个方面：

训练数据的多样性：新模型在训练过程中可能接触到了更加多样化的语气和表达方式，包括各种不礼貌的对话数据。这使得它们对不同语气的适应能力更强。

信息过滤能力：新一代模型可能在架构和训练方法上进行了优化，具备更强的从复杂输入中提取关键信息的能力。它们能够更好地过滤掉礼貌性修饰语这样的无关信息，专注于任务本身。

指令遵循优化：GPT-4o等新模型专门针对指令遵循能力进行了强化，使得它们对直接、明确的命令式表达反应更加积极和准确。

实践建议与思考

提示词优化原则

基于这项研究，在实际使用AI工具时，可以考虑以下原则来优化提示词：

清晰性优先：确保提示词表达清晰、直接，避免使用过多的修饰性语言和客套话。核心诉求应该一目了然。

减少歧义：尽量使用陈述句和命令句，而不是疑问句。"分析这段文本"比"您能帮我分析一下这段文本吗"更加直接有效。

精简表达：去除与任务无关的词汇，让每个词都有其存在的价值。提示词不是越长越好，关键在于信息密度。

测试验证：对于关键应用场景，可以测试不同语气和表达方式的效果，找到最适合特定任务和模型的提示词风格。

伦理考量

虽然研究表明粗鲁的语气可能带来更高的正确率，但这并不意味着我们应该在所有场景下都采用粗鲁的表达方式。

保持基本礼貌：即便是对AI，保持基本的礼貌用语也是良好习惯的体现。我们可以在清晰直接的同时，仍然保持适度的礼貌。

区分场景使用：在追求效率的专业场景中，可以采用更直接的表达；在日常交互或演示场景中，保持礼貌的沟通方式更为合适。

人机交互伦理：尽管AI不会产生真实的情感伤害，但我们与AI的互动方式可能会影响我们与人交往的习惯。保持对AI的基本尊重，也是对自己沟通习惯的一种保护。