大型語言模型（LLM）應用廣泛，包括心理健康領域。然而，使用LLM強化的對話人工智慧（CAI）協助抑鬱症患者面臨人性化和情境韌性挑戰。觀點論文探討這些挑戰，提出跨學科解決方案，結合哲學、心理學和計算機科學。為了負責地設計和應用LLM增強的CAI支援抑鬱症患者，提出建議。 PubMed DOI

心理研究中使用大型語言模型(LLMs)引起關注，但「GPTology」的使用限制和風險令人擔憂，可能影響像ChatGPT這樣的模型。我們需了解LLMs在心理研究中的限制、道德問題和潛力，解決其對實證研究的影響。重要的是認識全球心理多樣性，謹慎看待LLMs作為通用解決方案，發展透明方法從AI生成的數據中做可靠推論。多元化人類樣本，擴展心理學方法，確保科學包容可靠，避免同質化和過度依賴LLMs。 PubMed DOI

現代大型語言模型（LLMs）引起了廣泛關注，展現出驚人的能力，但有時也會出錯，顯示出人工智慧在日常生活中的潛力與挑戰。雖然許多研究致力於改善這些模型，但人類與LLM的合作動態仍待深入探討。本文強調未來研究應優先考慮人類與LLM的互動，並指出可能妨礙合作的偏見，提出解決方案，並概述促進相互理解及提升團隊表現的研究目標，以改善推理與決策過程。 PubMed DOI

作為人工智慧安全專家，我常在創新與謹慎之間掙扎，特別是大型語言模型（LLMs）。這些模型雖然能力驚人，但也引發了社會、倫理和安全的擔憂。 主要問題包括生成錯誤資訊的風險，可能被用來製造假新聞或操控輿論；模型中的偏見可能導致不公平對待某些群體；隱私問題則涉及敏感資訊的洩露；過度依賴LLMs可能使使用者做出不良決策。 為了應對這些挑戰，需實施強有力的安全措施，並促進開發者、政策制定者和倫理學家的合作，以確保LLMs能以有益和倫理的方式服務人類。 PubMed DOI

作為人工智慧安全專家，我常在創新與謹慎之間掙扎，尤其是面對大型語言模型（LLMs）。這些模型雖然能力驚人，但也引發了社會、倫理和安全的擔憂。 主要問題包括生成錯誤資訊的風險，可能削弱公眾對媒體的信任；偏見問題，因訓練數據可能不具代表性；隱私問題，若數據中含有個人資訊；以及過度依賴，可能影響批判性思維。 為了應對這些挑戰，開發和部署LLMs時必須重視安全與倫理，並促進研究人員、政策制定者和業界的合作，確保技術能服務於更大公益。 PubMed DOI

這篇論文探討「過度活躍的代理檢測」，指人類在進化中會快速將環境中的威脅歸因於潛在的代理者，例如樹葉沙沙聲可能代表掠食者。這種認知也影響人們與聊天機器人如ChatGPT和Gemini的互動，讓人們傾向擬人化這些技術。 作者提到，這種「機器中看到心智」的傾向在教育上有正反兩面。擬人化能提升學習動機，但也可能讓學生過度信任機器人提供的信息，忽略其不準確性。為了應對這些挑戰，論文建議應加強學生的數位素養，幫助他們更好地理解與聊天機器人的互動。 PubMed DOI

研究發現，當人們知道經濟遊戲的夥伴是AI時，會變得比較不信任、不合作，也覺得AI不公平、不可靠。但如果不知道對方是不是AI，這些負面感受就不明顯。大家其實很常讓AI來做決定，而且很難分辨哪些決策是AI還是人做的。 PubMed DOI

**重點摘要：** 大型語言模型（LLMs）可以參與以辯論為基礎的社會學實驗，通常比人類更能專注在主題上，進而提升團隊的生產力。不過，人類覺得LLM代理人比較不具說服力，也比較沒有自信，而且這些代理人在辯論時的行為和人類有明顯差異，因此很容易被辨識出是非人類參與者。 PubMed DOI

這篇文章用後人類主義角度，探討跟大型語言模型互動時的倫理問題，認為倫理行動力是人跟機器共同產生的。作者批評只用訓練資料來判斷 AI 的道德性太過片面，也提醒大家別把 LLMs 擬人化。文章建議，討論 LLM 倫理時，應該關注語言如何轉化成文化意義，並考慮模型的黑箱特性和開發者的公開說明。最後呼籲大家重新思考人性和倫理的定義。 PubMed DOI

雖然大型語言模型有時能模仿人類回應，但在像 11-20 money request game 這類需要複雜推理的任務上，表現常常和人類差很多，還會受到提示語和安全機制影響，出錯方式也很難預測。所以，社會科學研究如果想用 LLMs 取代人類，真的要特別小心。 PubMed DOI