最新的大型語言模型（LLMs）如GPT-3.5和GPT-4能夠產生類似人類的文字，對社會科學家相當有幫助，可用來建立詞彙相似度的標準。研究中使用GPT-4開發了一個典型性評估標準，並與其他模型相比較，以評估其與人類判斷的相關性。GPT-4在測量文學書籍和美國國會成員推文的典型性方面表現優異，超越了先前的最先進標準，且無需特定數據訓練，顯示了零-shot學習的重大進步。 PubMed DOI

Transformer模型如GPT可預測大腦對語言的反應，並識別影響大腦活動的句子。研究發現句子的驚喜和結構影響大腦反應。結論是神經網絡模型可模擬人類語言並控制大腦區域活動。 PubMed DOI

研究使用GPT-4建立英文心理語言學數據集，發現其語義判斷與人類相關，有時甚至超越人類水準。研究指出GPT-4生成的範疇與人類有系統性差異，對統計模型影響有限。研究討論了使用GPT-4的影響和限制，提及數據質量和有效性問題。數據集包含30,000個GPT-4判斷，可供進一步研究。 PubMed DOI

GPT-3.5是一個大型語言模型，像ChatGPT這樣的對話代理展現出類似人類的回應。研究顯示，這些回應受到各種因素影響，包括隨機錨點、事件可能性、軼聞信息、框架效應和擁有效應。人類也展現出相似的效應，顯示語言可能在造成這些認知偏誤方面扮演一個重要角色。 PubMed DOI

研究發現使用GPT-3.5-turbo和GPT-4模型模擬兒童語言發展，模型表現逐漸提升，接近真實兒童。GPT-4表現與兒童相似，有時更準確。任務、提示和模型選擇影響結果，溫度和性別影響不同。隨著模擬兒童年齡增長，語言複雜度也增加。總結來說，研究顯示語言模型能成功模擬不同角色。 PubMed DOI

最新研究利用語義距離評估口語創造力，發現故事中的感知細節和語義多樣性能預測創意。使用GPT-3增進數據收集，研究顯示人工智慧和人類故事創意評分相似，且呈正相關。未來研究將探討更多可能性。 PubMed DOI

大型語言模型（LLMs）如GPT在認知任務上表現優秀，但對於推斷人類的知覺表徵能力仍有疑問。為了解決這問題，我們提出了一種無監督對齊方法，名為Gromov-Wasserstein最佳運輸（GWOT），來比較相似性結構，不需預先定義的標籤。我們應用此方法比較人類和兩個GPT模型在包含93種顏色的數據集上的顏色相似性結構。結果顯示，顏色-神經典型參與者和GPT-4有良好對齊，與GPT-3.5也有一定程度對應。這方法強化了LLMs與人類知覺的比較，並揭示了詳細的結構對應。 PubMed DOI

這項研究探討了支撐ChatGPT的GPT模型在多語言心理文本分析中的有效性。研究分析了15個數據集，包含47,925條推文和新聞標題，評估GPT在12種語言中檢測情感、情緒等心理構念的能力。結果顯示，GPT的表現超越傳統方法，且隨著版本更新準確性提升，特別是在不常用語言中，具成本效益。研究建議GPT能民主化自動文本分析，促進跨語言研究，並提供範例代碼和教學。 PubMed DOI

這項研究探討了跨感官對應，特別是ChatGPT如何捕捉不同感官特徵的聯結。研究比較了ChatGPT-3.5和ChatGPT-4o在英語、日語和西班牙語中的表現。結果顯示，圓形與甜味和鮮味有強烈關聯，而角形則與苦味、鹹味和酸味相關。ChatGPT-4o的聯結強度優於3.5，且英西語的結果較日語一致。第二組研究發現，ChatGPT-4o在顏色與味道的對應上重現了人類模式，但表現更為明顯且缺乏細緻度。整體而言，這項研究增進了對AI如何反映人類感知的理解。 PubMed DOI

這項研究評估了GPT-4的視覺能力，特別是在視覺素養任務上的表現。結果顯示，GPT-4能識別趨勢和極端值，對視覺設計原則有一定理解，但在沒有原始數據的情況下，對簡單數值檢索表現不佳，且在區分圖表顏色時也有困難，可能出現幻覺和不一致的情況。研究反映了模型的優缺點，並探討了未來在視覺化研究中的潛力。所有相關資料可在提供的連結中找到。 PubMed DOI