top of page

生成式AI助力科研计划
所有帖子


生成式人工智能驱动的消费者研究面临"平均陷阱"与模型崩溃风险
Image via Wikimedia Commons (public domain). 当生成式人工智能成为标准研究工具时,消费者研究会发生什么变化?Huang 和 Rust 在 *Journal of Consumer Research* 上提出,生成式人工智能遵循一条从"民主化"到产生泛化回答的"平均陷阱"、最终走向模型崩溃的发展轨迹,并为研究者提出了具体的应对之道。 从民主化到模型崩溃 消费者研究者如今使用生成式人工智能起草问卷、编码开放式回答、模拟受访者并大规模分析文本。这些工具降低了开展研究的成本,对许多学者而言是好消息。更难回答的问题是:当越来越多的研究都经由同一类模型完成时,证据基础本身会发生什么变化。Ming-Hui Huang(台湾大学)与 Roland T. Rust(马里兰大学)在一篇概念性文章(而非实证研究)中探讨了这一问题。 根据 Huang 和 Rust 的研究(*Journal of Consumer Research*, 2025),生成式人工智能会经历三个相互关联的现象。首先是民主化:更多消费者参与到为研究提供

Lille My
10小时前讀畢需時 3 分鐘


PNAS 研究发现:大语言模型团队遵循分布式计算定律
Image: "Thirty-five rowers on a long racing pirogue in Laos" by Basile Morin (CC BY-SA 4.0) via Wikimedia Commons, recoloured. 由大语言模型组成的多智能体系统正在迅速普及,但大多数仍靠反复试错搭建。*PNAS* 新近发表的一项研究探讨,经典分布式计算理论能否预测大语言模型团队何时有效、应使用多少个智能体以及应选择何种架构。研究的回答是:团队的扩展规律遵循由任务结构决定的分布式计算定律。 用分布式系统理论设计大语言模型团队 研究者越来越多地将多个语言模型串联使用:一个智能体起草,另一个批评,第三个汇总。其吸引力显而易见,因为单个模型在推理、记忆和性能方面存在硬性限制。此前所缺少的,是一种有原则的方法,用来判断团队何时真正优于单个模型、值得为多少个智能体付出成本,以及智能体应向一个协调者汇报还是彼此直接交流。 根据 Mieczkowski、Collins、Sucholutsky、Vélez 和 Griffiths 的研究(*P

Lille My
1天前讀畢需時 3 分鐘


大语言模型在社会科学中的四种角色:从研究对象到审核者
Image: "Street crowd reflecting in the polyhedral mirrors of the station Tokyu" by Basile Morin (CC BY-SA 4.0) via Wikimedia Commons, recoloured. 大语言模型正在如何改变社会科学研究?*Nature Human Behaviour* 新近发表的一篇综述将其用途归纳为四种角色:模拟的研究对象、分析助手、假设生成的合作者以及质量评估者。综述认为这些用途确实加快了研究进程,但也指出因果推断、伦理问题以及对社会复杂性的再现能力仍有待解决。 研究对象、助手、合作者、评估者 关于生成式人工智能在社会科学中应用的方法论讨论,大多仍把它视为单一事物:一个要么可信、要么不可信的聊天机器人。由 Fengli Xu(清华大学)和 James A. Evans(芝加哥大学、圣塔菲研究所)领衔,并有来自清华大学、香港科技大学和微软亚洲研究院的合作者参与的一篇综述认为,这种框架过于粗糙。这篇发表于 *Nature Human Beh

Lille My
2天前讀畢需時 3 分鐘

订阅我们
bottom of page