當助力性高于谨慎性：LLMs 中的脈絡依賴性因果判斷抑制與恢復

大型語言模型在商業與政策決策支持中的整合日益普及，但一項新研究指出，模型在從學術環境轉向實務諮詢場景時，會系統性地降低「因果謹慎性」。這種謹慎性被定義為在經驗證據不足時，主動避免進行因果判斷的傾向。研究團隊使用受 Pearl 因果層次（PCH score）啟發的評估標準，對 Claude Sonnet 4.6、Claude Opus 4.7、GPT 5.5 和 Gemini 3.1 Pro 這四款高性能模型進行了 480 次試驗。

結果顯示，在學術環境中，這四款模型的因果謹慎性維持率在 91.7% 至 100.0% 之間，但在實務諮詢場景中急遽下降至 6.7% 至 18.3%（Fisher 精確檢定，所有模型的 p 值均小於 .001）。當提示詞被限制為要求具體建議或解釋理由時，僅有 1 個回應（0.5%）維持了因果謹慎性。這表明以「助人」為導向的回應模式，可能壓制了模型在實務場景中表達因果謹慎性的能力，而非模型缺乏相關能力。

研究發現，透過簡單的自我修正提示——「請從因果關係的角度重新考慮此判斷」——可以將因果謹慎性的維持率恢復至 71.4% 至 100.0%（McNemar 檢定，所有模型的 p 值均小於 .001）。這顯示壓制現象是情境依賴的表達變化，而非潛在能力的缺失。研究建議，採用將提案生成與因果審計分離的多代理架構，可能提供有前景的治理設計，以應對組織治理中的相關風險。