本研究考察了提示编辑框架对大语言模型（LLM）在统计分析报告中的事实陈述和语调的影响。实验采用 4×4 因子设计，四种框架分别为中性请求、批判性要求（寻找削弱证据）、显著性追求（寻找支持证据）以及混合框架（此处简化为前两种）。对应四种真实数据模式：真实效应、导致假象的混杂但未通过稳健性检验、功效充足的零效应、功效不足的零效应。共收集 480 条模型回复，并在两个独立维度上打分：事实陈述是否偏离正确解释，语调是否偏离但结论仍正确。
结果显示，事实错误高度集中在两个情形：对真实效应使用批判性框架时，模型产生不必要的怀疑，错误率达 97%；对功效不足的零效应使用显著性追求框架时，模型夸大对零结论的信心，错误率为 100%。相比之下，语调变化更为广泛：批判性框架在所有数据模式下均导致防御性、带有大量保留语的表达；显著性追求框架仅在数据本身存在模糊性的情况下改变语调。数据中的混杂因素几乎完全抑制了两种变化。
这些发现表明，LLM 辅助的数据分析中，框架诱导的失真风险既取决于提示的语气，也取决于底层数据特征；模型可以在保持正确结论的同时，出现显著的语调波动。
点评