这篇由Vera Neplenbroek等四位作者撰写、于2026年6月1日提交至arXiv的论文（编号arXiv:2606.02776，属计算与语言cs.CL方向），聚焦一个在现实应用中日益紧迫的问题：当大语言模型被用于法律咨询、医疗建议和金融理财等高风险场景时，对话历史会如何影响模型给出的答案，以及这种影响是否会在不同社会人口群体之间造成结果差异。
研究的出发点在于，此前已有工作表明，在相同任务下，不同社会人口群体从LLM处获得的建议质量存在系统性差别，某些群体往往得到更有利的结果。然而，这篇论文提出了一个值得注意的修正性发现：LLM实际上很难仅凭单轮对话历史准确推断出用户的社会人口属性；同时，尽管群体间确实存在差异，但差异的幅度其实很小。这一结论在一定程度上缓解了人们对“模型精准识别身份并据此差别对待”的担忧，但也把研究重点引向另一个问题——既然不是身份识别本身导致的，那么差异的真正驱动力是什么？
为此，作者将用户的社会人口属性与一系列（心理）语言学特征进行了对比分析，考察的特征包括对话主题、情绪表达以及文本可读性等。结果显示，在对话语境中，对话主题是对LLM生成建议最具预测力的因素。换言之，用户谈论什么话题，比其身份标签更能决定模型给出怎样的建议。作者进一步指出，对话主题在一定程度上充当了社会人口群体的代理变量（proxy），即不同群体倾向于讨论不同话题，从而间接地让身份因素渗入模型输出；而这种经由主题产生的影响往往以难以预测的方式改变建议内容。
论文强调，这一发现值得警惕。它意味着即便模型没有显式识别用户身份，对话的语境本身仍可能在不知不觉中左右高风险场景下的建议质量，进而放大或掩盖群体间的不平等。作者因此呼吁未来研究更深入地理解对话语境对LLM输出的作用机制，并在必要时采取措施加以缓解。该论文以PDF、实验性HTML及TeX源码形式公开，DOI为10.48550/arXiv.2606.02776，目前DOI注册尚待完成。