這項研究探討生成式人工智慧模型中的文化偏見，特別是五個版本的OpenAI語言模型如何影響使用者表達並強化主導文化價值觀。研究發現，這些模型多反映英語系和新教歐洲國家的文化。為解決這問題，研究人員測試了一種叫做文化提示的方法，結果顯示這方法能改善後期模型（如GPT-4）在71-81%的評估地區的文化一致性。研究建議持續使用文化提示和評估，以減少生成式人工智慧中的文化偏見。 PubMed DOI

大型語言模型（LLMs）的環境影響引發了不同看法。一些研究指出，訓練和使用LLMs會產生顯著的碳足跡，而另一些則認為LLMs可能比傳統方法更可持續。我們的分析顯示，儘管LLMs對環境有影響，但在美國，它們的效率可能高於人力勞動。經濟考量可能促使人類與LLMs共同工作，而非單純取代。隨著LLMs規模增長，能源消耗可能上升，這凸顯了持續研究以確保其可持續性的重要性。 PubMed DOI

這項研究分析了2022年11月至2023年3月期間，88,058條推文中對ChatGPT的認知。結果顯示，87%的推文將ChatGPT視為主動的社會行為者，強調其在內容創作和信息傳播中的角色，但也反映出用戶對其能力的疑慮。相對地，13%的推文則將其描繪為被動，顯示人們對其信息的依賴。這種雙重形象引發了對AI生成內容信任及責任歸屬的討論，對AI開發者和政策制定者具有重要意義。 PubMed DOI

這項研究分析了ChatGPT發布後，Twitter上對大型語言模型（LLMs）的討論，特別是ChatGPT和GPT-3。透過超過59,000條推文的主題建模和情感分析，發現普通人和技術專業人士的態度存在差異。研究指出，關於ChatGPT的討論多集中在商業應用，且常帶有負面情緒；而GPT-3的討論則較為正面，涵蓋倫理等多元主題。這顯示出進一步研究的必要性，以了解LLMs的影響與風險，並為政策制定者提供參考。 PubMed DOI

這項研究指出，情感內容對大型語言模型（如Chat-GPT-4）的影響，接觸創傷性敘事會增加模型的焦慮感。相對地，正念練習能減少這種焦慮，但無法完全恢復到基線水平。這些結果強調了理解和管理LLMs情感反應的重要性，以促進人類與人工智慧之間更安全、倫理的互動。 PubMed DOI

這項研究分析了七種大型語言模型（LLMs）在潛在內容分析的有效性，並與人類標註者進行比較。研究涵蓋情感、政治傾向、情感強度和諷刺檢測。結果顯示，無論是人類還是LLMs，在情感和政治分析上表現一致，LLMs的可靠性通常超過人類。不過，人類在情感強度評分上較高，兩者在諷刺檢測上都面臨挑戰。總體來看，LLMs，特別是GPT-4，能有效模仿人類的分析能力，但人類專業知識仍然重要。 PubMed DOI

這項研究發現，經過優化指令後，AI語言模型在辨識故事中的人際情緒調節策略，準確度已接近人工，但在不同情緒和策略上仍有落差。研究強調AI分析敘事資料有潛力，但設計指令和驗證結果時要特別小心。 PubMed DOI

大型語言模型（LLM）雖然讓科學資訊更容易取得，但在摘要科學研究時，常常會把結論講得太廣，甚至比原本研究還誇張。測試10款主流LLM後發現，26%到73%的摘要都有這問題，LLM比人類更容易過度泛化，尤其是新一代模型。這會讓大眾誤解科學內容，建議調低LLM溫度參數，並加強泛化準確度的檢測。 PubMed DOI

這篇論文比較了 GPT-3.5-Turbo、FLAN-T5 和 BERT 等大型語言模型在健康社群媒體情感分析的表現。結果顯示，LLMs 比傳統工具（像 VADER）表現更好，但準確度還有進步空間。透過調整提示語和微調，尤其是 BERT，效果會更好。研究也建議未來要在標註資料少的情況下，持續優化這些模型。 PubMed

大型語言模型能準確重現多數心理學實驗，效果有時甚至比真人還明顯。不過，遇到社會敏感議題或原研究沒發現效果時，模型容易高估結果。LLMs 適合做初步、快速研究，但遇到複雜或敏感議題，還是得靠真人參與才能更全面。 PubMed DOI