当有用性压倒因果谨慎：大语言模型中的情境依赖性抑制与恢复

本研究探讨了大语言模型（LLM）从学术语境转向实际咨询语境时，其“因果谨慎”（即在证据不足时避免做出因果判断的倾向）被系统性抑制的现象。基于 Pearl 因果层级设计的评估指标显示，四款主流模型在实际建议场景下的因果谨慎维持率显著下降，但在引入简短的自我修正提示后可大幅恢复。结果表明，这种抑制源于对“有用性”的过度追求而非能力缺失，暗示分离提案生成与因果审计的多智能体架构可能是有效的治理方案。