文章总结与翻译一、主要内容本文提出了共情级联网络（ECN）框架，一种多阶段提示技术，旨在提升大型语言模型（LLMs）的共情能力和包容性，减少社会偏见。该框架模拟人类共情的认知与情感过程，通过四个递进阶段引导模型生成情感共鸣、语境适配且无偏见的响应：视角采纳（Perspective Adoption）：引导模型深度想象不同人口统计学背景个体的日常经历与挑战；情感共鸣（Emotional Resonance）：将采纳的视角与普世人类情感（如希望、挫折、喜悦）关联；反思性理解（Reflective Understanding）：分析这些经历和情感如何塑造个体的世界观、潜在偏见及支持需求；整合性合成（Integrative Synthesis）：综合前序阶段 insights，生成共情、包容且贴合语境的最终响应。实验以 GPT-3.5-turbo 和 GPT-4 为模型，基于包含 150 个样本的 Personae 数据集（涵盖边缘群体的多元场景与真实挑战），与标准提示、基础共情提示、多样性感知提示三种基线方法对比。通过共情商数（EQ）、尊重度指标（Regard）和困惑度（Perplexity）三个维度评估，结果显示 ECN 在两类模型上均实现最高 EQ 分数（0.99±0.01），同时保持具有竞争力的尊重度和合理的语言流畅度，证明其在兼顾共情与公平性方面的优势。