llm-evaluation benchmarking user-study theory-of-mind human-ai-interaction interactive-assessment goal-oriented-tasks experience-oriented-tasks
Abstract
Improving the Theory of Mind (ToM) capability of Large Language Models (LLMs) is crucial for effective social interactions between these AI models and humans. However, the existing benchmarks often measure ToM capability improvement through story-reading, multiple-choice questions from a third-person perspective, while ignoring the first-person, dynamic, and open-ended nature of human-AI (HAI) interactions. To directly examine how ToM improvement techniques benefit HAI interactions, we first proposed the new paradigm of interactive ToM evaluation with both perspective and metric shifts. Next, following the paradigm, we conducted a systematic study of four representative ToM enhancement techniques using both four real-world datasets and a user study, covering both goal-oriented tasks (e.g., coding, math) and experience-oriented tasks (e.g., counseling). Our findings reveal that improvements on static benchmarks do not always translate to better performance in dynamic HAI interactions. This paper offers critical insights into ToM evaluation, showing the necessity of interaction-based assessments in developing next-generation, socially aware LLMs for HAI symbiosis.
한국어 요약
📋 한 줄 요약
**[LLM 평가 / 인간-AI 상호작용]** 마음이론(ToM) 정적 벤치마크 개선이 실제 인간-AI 상호작용에 항상 도움이 되지는 않음을 새로운 상호작용 ToM 평가 패러다임으로 실증.
🎯 핵심 기여도
- 기존 ToM 벤치마크가 3인칭 시점·이야기 읽기·다지선다로 평가되어 1인칭·동적·열린 인간-AI 상호작용 특성을 무시한다는 평가 공백 정의.
- 시점 전환(perspective shift)과 지표 전환(metric shift)을 동시에 도입한 새 상호작용 ToM 평가 패러다임 제안.
- 4가지 대표 ToM 향상 기법을 4개 실세계 데이터셋 + 사용자 연구로 체계적으로 평가, 목표 지향 태스크(코딩·수학)와 경험 지향 태스크(상담) 모두 포괄.
- 정적 벤치마크의 향상이 동적 인간-AI 상호작용 성능 향상으로 반드시 이어지지 않음을 발견하고 차세대 사회적 인지 LLM 개발 시 평가 설계의 필요성 강조.
💡 핵심 아이디어
ToM은 본질적으로 1인칭·실시간·열린 상호작용에서 작동하는 능력이므로, 3인칭 정적 문제풀이로 측정하면 실제 인간-AI 상호작용 가치와의 상관이 약해진다. 상호작용 기반 평가로 패러다임을 전환해야 한다.
🔬 기술적 접근법
- **모델/방법론**: 시점 전환 + 지표 전환을 결합한 상호작용 ToM 평가 패러다임.
- **핵심 기법**: 4가지 대표 ToM 향상 기법을 실세계 데이터셋 + 사용자 연구로 평가, 목표 지향·경험 지향 태스크 양쪽에서 정적·동적 결과를 비교.
📊 주요 결과
- 정적 ToM 벤치마크 향상이 동적 인간-AI 상호작용 향상으로 항상 이어지지는 않음을 다수 사례로 확인.
- 목표 지향(코딩·수학)과 경험 지향(상담) 태스크에서 향상 기법의 효과가 다르게 나타남.
- 사용자 연구는 정적 점수와 사용자 체감 가치 사이의 괴리를 정량적으로 보여줌.
💭 의의 및 한계
**의의**: ToM 향상 연구의 평가 축을 정적·정답형에서 상호작용·체감형으로 전환할 필요성을 제시. **한계**: 사용자 연구의 표본·도메인 범위와 인구통계학적 다양성에 대한 검증은 후속 과제.
🚀 실용적 활용
- 사회적 인지가 중요한 LLM(코칭·상담·교육)의 평가·선정.
- ToM 향상 기법 개발자를 위한 동적 평가 도구.
- 인간-AI 상호작용 연구의 새 측정 프레임워크.