Investigating the Impact of LLM Personality on Cognitive Bias Manifestation in Automated Decision-Making Tasks
The University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；University of Oklahoma（俄克拉荷马大学）
本文研究LLM人格特质与认知偏差的关系，发现六种主要偏差及尽责性、宜人性对缓解策略的促进作用，为个性化去偏差提供依据。
2025-02-20 cs.AI
Exploring Conversational Agents as an Effective Tool for Measuring Cognitive Biases in Decision-Making
University College Dublin（都柏林大学学院）
本文研究利用对话智能体自动测量决策中的认知偏差，提出融合现有实验设计的偏差测量机制，并通过初步实验验证其在测量框架效应和损失厌恶偏差上的有效性。
2024-01-08 cs.AI cs.HC
Why we need biased AI -- How including cognitive and ethical machine biases can enhance AI systems
University of Tuebingen（图宾根大学）
本文从两个方面强调了偏见在人工智能（AI）领域的重要性。首先，为了在复杂、不稳定和不确定的现实环境中培养有效的算法决策，我们主张在学习算法中实现人类认知偏见的结构化。其次，我们认为，为了实现道德的机器行为，过滤器机制必须应用于选择有偏见的训练刺激，代表社会或行为特征，是道德上可取的。我们使用认知科学和伦理学的见解，并将其应用于人工智能领域，将理论考虑与描述有形偏见实施场景的七个案例研究相结合。最终，本文是明确追求重新评估机器偏见的伦理意义的想法，以及提出将认知偏见实施到机器中的想法的第一个尝试性步骤。
2022-03-18 cs.AI cs.LG
A Comprehensive Evaluation of Cognitive Biases in LLMs
School of Computation, Information and Technology（计算、信息与技术学院）
研究在多种决策场景下评估20个先进LLMs中的30种认知偏差，提出通用测试框架、含3万项测试的基准数据集，并证实所有被测偏差均存在于部分模型中。
2025-10-31 cs.AI cs.CL
One Model, Two Minds: A Context-Gated Graph Learner that Recreates Human Biases
本文提出一种受双过程理论启发的上下文门控图学习器，结合GCN与元学习，在错误信念任务上复现锚定、框架等认知偏见，实现稳健泛化，桥接AI与认知理论。
2025-09-10 cs.AI
Personalized Detection of Cognitive Biases in Actions of Users from Their Logs: Anchoring and Recency Biases
Adobe Research（奥多比研究院）；University of Maryland（马里兰大学）；Meta Platforms（元平台公司）；Carnegie Mellon University（卡内基梅隆大学）；Gan Studio（Gan工作室）；Microsoft（微软公司）
认知偏差是人类在处理信息和环境时使用的心理捷径，并导致有偏见的行动和行为（或行动），而他们自己却不知道。偏见有多种形式，认知偏见占据了公平，问责制，透明度，道德，法律，医学和歧视的核心作用。检测偏见被认为是减轻偏见的必要步骤。在这里，我们集中在两个认知偏见-锚定和近因。认知偏差在计算机科学中的识别主要是在信息检索领域，偏差是在总体水平上确定的注释数据的帮助下。提出了一个不同的方向偏见检测，我们提供了一个原则性的方法，随着机器学习，以检测这两个认知偏见，从Web日志的用户的行动。我们的个人用户级别检测使其真正个性化，并且不依赖于注释数据。相反，我们从认知心理学中建立的两个基本原则开始，使用注意力网络的修改训练，并根据这些原则以一种新的方式解释注意力权重，以推断和区分这两种偏见。个性化的方法允许检测在执行任务时容易受到这些偏见影响的特定用户，并可以帮助他们建立意识，以便减轻偏见。
2022-07-01 cs.AI cs.HC cs.LG
CBEval: A framework for evaluating and interpreting cognitive biases in LLMs
Vizuara AI Labs（维祖拉人工智能实验室）
针对LLMs可能继承认知偏差的问题，提出CBEval框架，通过影响图识别偏差相关短语/单词并解释偏差原因，研究整数偏差等具体偏差，以阐明其推理局限性。
2024-12-04 cs.AI cs.CL cs.HC
Balancing Rigor and Utility: Mitigating Cognitive Biases in Large Language Models for Multiple-Choice Questions
University of York（约克大学）；Friedrich Schiller University Jena（弗里德里希·席勒·耶拿大学）；King’s College London（伦敦国王学院）
本文针对大型语言模型（LLMs）多项选择题决策中的认知偏差问题，提出启发式调节与弃权（不执行）选项，结合BRU数据集验证，平衡偏差以提升决策效率、准确性与可靠性，使LLM决策更贴近人类推理。
2025-04-13 cs.AI cs.CL
Large Language Newsvendor: Decision Biases and Cognitive Mechanisms
School of Business Administration, South China University of Technology（华南理工大学商学院）；Department of Decisions, Operations and Technology, The Chinese University of Hong Kong（香港中文大学决策、运营与技术系）
研究分析大语言模型在新闻供应商问题中的决策偏差，发现其放大人类认知偏差，提出通过结构化提示优化AI决策可靠性。
2025-12-14 cs.AI
Do Chains-of-Thoughts of Large Language Models Suffer from Hallucinations, Cognitive Biases, or Phobias in Bayesian Reasoning?
University of Chile（智利大学）；Institute of Education, CIAE（CIAE教育研究所）
该研究探究大语言模型思维链在贝叶斯推理中的认知问题，发现其不会主动使用具身启发式等生态效度策略，加入引导提示后采纳仍不稳定，存在符号推理偏差与对生态策略的回避现象，可为贝叶斯推理学习与模型优化提供参考。
2025-03-19 cs.AI
Mitigating Cognitive Bias in RLHF by Altering Rationality
University of Oxford（牛津大学）；Brown University（布朗大学）
本文提出通过动态调整理性参数beta来缓解人类反馈中的认知偏差，提升奖励学习模型的理性度，即使在存在强烈偏见的偏好数据集上也能获得更理性的下游模型。
2026-05-07 cs.AI
A review of possible effects of cognitive biases on the interpretation of rule-based machine learning models
Prague University of Economics and Business（布拉格经济与商业大学）；The Prague College of Psychosocial Studies（布拉格心理社会研究学院）；Johannes Kepler University（约翰·开普勒大学）
虽然机器学习模型的可解释性通常等同于它们的语法可理解性，但我们认为可解释性不仅限于此，人类的可解释性也应该从认知科学的角度进行研究。本文的目标是讨论认知偏差在多大程度上可能影响人类对可解释的机器学习模型的理解，特别是从数据中发现的逻辑规则。涵盖了20种认知偏见，以及机器学习算法和软件的设计者可以采用的可能的去偏见技术。我们的综述将认知心理学中获得的结果转移到机器学习领域，旨在弥合这两个领域之间的差距。接下来需要进行专门针对机器学习领域的实证研究。
2021-09-13 cs.AI cs.LG stat.ML
AI Can Be Cognitively Biased: An Exploratory Study on Threshold Priming in LLM-Based Batch Relevance Assessment
The Hong Kong Polytechnic University（香港理工大学）；The University of Oklahoma（俄克拉荷马大学）；Waseda University（早稻田大学）
该研究通过TREC 2019数据集实验发现，大语言模型在批量相关性判断中存在类似人类的阈值启动认知偏差，提示相关设计评估需考虑此类偏差。
2024-10-08 cs.AI cs.CL
Cognitive Biases in Large Language Models for News Recommendation
University of Amsterdam（阿姆斯特丹大学）；Shandong University（山东大学）；Leiden University（莱顿大学）；Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Joint Institute for Nuclear Research（联合核子研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）
该研究聚焦大语言模型应用于新闻推荐系统时认知偏差带来的风险，探究多种认知偏差的潜在影响，并从数据、提示、算法层面讨论缓解策略，为提升系统可靠性提供方向。
2024-10-03 cs.AI cs.CL cs.IR
Capturing Failures of Large Language Models via Human Cognitive Biases
UC Berkeley（加州大学伯克利分校）
大语言模型生成复杂的、开放式的输出：它们不是输出类标签，而是编写摘要、生成对话或生成工作代码。为了评估这些开放式发电系统的可靠性，我们的目标是确定定性类别的错误行为，而不是确定个别错误。为了假设和测试这种定性错误，我们从人类认知偏差中汲取灵感-偏离理性判断的系统模式。具体来说，我们使用认知偏差作为动机，（i）为模型可能存在的问题生成假设，（ii）开发引发这些问题的实验。使用代码生成作为案例研究，我们发现OpenAI的Codex基于输入提示的框架可以预测错误，调整输出到锚点，并偏向于模仿频繁训练样本的输出。然后，我们使用我们的框架来引发高影响力的错误，例如错误地删除文件。我们的研究结果表明，认知科学的实验方法可以帮助描述机器学习系统的行为。
2022-11-24 cs.AI cs.CL cs.LG
MindScope: Exploring cognitive biases in large language models through Multi-Agent Systems
School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）；School of Computer Science, Fudan University（复旦大学计算机学院）
针对现有大语言模型认知偏差检测方法能力不完善、覆盖偏差类型有限的问题，本研究提出整合静动态元素的MindScope数据集及融合RAG、辩论与强化学习决策的多智能体检测方法，检测准确率较GPT-4最高提升35.10%。
2024-10-06 cs.AI cs.CL
Exploiting Synergistic Cognitive Biases to Bypass Safety in LLMs
针对大语言模型安全易受认知偏差攻击的问题，提出整合监督微调与强化学习的红队框架CognitiveAttack，利用多认知偏差协同实现更高攻击成功率，揭示现有防御漏洞。
2025-11-17 cs.AI cs.CL cs.LG
Are AI Decision Models Biased? A Case Study of Jev
Bocconi University（博科尼大学）
本研究评估AI决策模型Jev，发现其虽在认知反射任务中表现良好、较少出现人类典型偏见，但对无关信息敏感，在概率问题改编版中54%的响应违反概率规则，提示仅靠基准评估会高估其可靠性。
2026-10-14 cs.AI
Words That Stick: Predicting Decision Making and Synonym Engagement Using Cognitive Biases and Computational Linguistics
State University of New York at Albany（纽约州立大学奥尔巴尼分校）；Google（谷歌公司）
本研究基于认知心理学和NLP技术，提出READ模型整合四种认知偏差，预测数字平台上的用户决策与同义词参与度，发现符合特定认知特征的同义词能显著提升用户参与度，为跨领域数字内容设计提供了新视角。
2023-07-26 cs.AI cs.CL cs.HC
BIASeD: Bringing Irrationality into Automated System Design
ELLIS Alicante（ELLIS阿利坎特研究所）；Universidad de Alicante（阿利坎特大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
本文提出未来AI系统应建模、理解并可能复现人类认知偏差，并从AI视角对认知偏差分类，规划人机协作研究议程与设计方向。
2023-12-01 cs.AI cs.HC
Cognitive Bias Detection Using Advanced Prompt Engineering
Georgetown University（乔治城大学）；CGI Federal（CGI联邦公司）
本文提出利用大语言模型与高级提示工程实时检测用户文本中的确认偏差、循环推理等认知偏差，实验证明其高准确性，可提升内容客观性并降低有偏决策风险。
2025-03-07 cs.AI cs.CL cs.CY
Cognitive Biases in Large Language Models: A Survey and Mitigation Experiments
Kyoto University（京都大学）
本文综述大型语言模型认知偏差研究，并借鉴众包中的人类去偏方法，在 GPT-3.5 和 GPT-4 上测试 SoPro 与 AwaRe 对六种偏差的缓解效果，发现 AwaRe 能显著提升回应理性。
2024-11-30 cs.AI cs.CL
Planted in Pretraining, Swayed by Finetuning: A Case Study on the Origins of Cognitive Biases in LLMs
Technion – Israel Institute of Technology（以色列技术学院）；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本文提出一种两步因果实验方法，通过多次微调和交叉微调分离训练随机性、预训练与微调对LLMs认知偏差的影响，发现偏差主要由预训练塑造，为评估和缓解偏差提供了新视角。
2025-07-12 cs.AI cs.CL cs.LG
Simulating the impact of cognitive biases on the mobility transition
Grenoble-Alpes University（格勒诺布尔-阿尔卑斯大学）
本文针对私家车通勤适应不足的问题，设计了三个聚焦不同阻力因素的交互式模拟器以探究认知偏差的影响，旨在提升用户对偏差的认知并为出行模式转型提供参考。
2023-02-07 cs.AI cs.CY cs.MA
Is General-Purpose AI Reasoning Sensitive to Data-Induced Cognitive Biases? Dynamic Benchmarking on Typical Software Engineering Dilemmas
Collegium Helveticum, ETH Zurich（瑞士苏黎世联邦理工学院）；University of Zurich（苏黎世大学）；University of Italian-speaking Switzerland（意大利语瑞士大学）；ETH Zurich（苏黎世联邦理工学院）；University of Bologna（博洛尼亚大学）
本文通过动态基准测试框架评估GPAI在软件工程中对数据诱导认知偏差的敏感性，发现GPAI系统在面对偏见诱导语言线索时易产生错误推理。
2025-11-29 cs.AI cs.HC cs.SE
Rolling in the deep of cognitive and AI biases
Aristotle University（亚里士多德大学）
本文提出了一种新的方法，将人类认知偏见作为AI公平性研究的核心，揭示其对AI生命周期的影响及隐藏路径。
2025-12-12 cs.AI cs.CY
Identifying and modelling cognitive biases in mobility choices
Univ. Lyon 1（里昂第一大学）；Univ. Grenoble-Alpes（格勒诺布尔-阿尔卑斯大学）
本报告基于M1实习，通过调查真实出行选择的理性与偏差，在GAMA智能体仿真中建模认知偏差，为出行转型严肃游戏提供真实基础。
2024-02-15 cs.AI cs.CY cs.MA
AI Safety via Debate is Compromised by Cognitive Biases
Brown University（布朗大学）
本研究通过68个LLM生成的侦探悬疑对话和369人实验，发现锚定、谬误忽视等修辞策略能显著操纵人类裁决，使AI安全辩论的监督机制失效。
2026-10-06 cs.AI
Benchmarking Cognitive Biases in Large Language Models as Evaluators
University of Minnesota（明尼苏达大学）；Grammarly
本研究提出CoBBLEr基准，测试15个LLM作为评估器时的6种认知偏差，发现其平均偏差率达40%，且机器与人类偏好的平均RBO分数仅49.6%，表明LLM目前无法可靠替代人类进行自动标注。
2024-09-25 cs.AI cs.CL cs.LG
Dynamics of Cognitive Heterogeneity: Investigating Behavioral Biases in Multi-Stage Supply Chains with LLM-Based Simulation
Harbin Institute of Technology（哈尔滨工业大学）；The Hong Kong Polytechnic University（香港理工大学）
本文通过引入大语言模型模拟多阶段供应链，基于分层推理框架分析认知异质性对智能体交互的影响，发现信息共享可缓解短视和自利行为导致的系统效率低下。
2026-06-02 cs.AI cs.MA
Path Signature Representation of Patient-Clinician Interactions as a Predictor for Neuropsychological Tests Outcomes in Children: A Proof of Concept
The University of Edinburgh（爱丁堡大学）；Thymia Limited（Thymia有限公司）；The Integrated Clinic（综合诊所）
本研究针对儿童神经发育障碍认知评估，提出从诊疗视频中提取患者-临床医生互动的路径签名特征，验证了其预测认知测试分数、辅助构建临床决策支持工具的可行性，为提升评估效率提供了新思路。
2023-12-12 cs.AI cs.HC
Predicting Biased Human Decision-Making with Large Language Models in Conversational Settings
University College Dublin（都柏林大学）
研究大语言模型能否预测对话环境中的偏差决策，通过预注册研究发现参与者有认知偏差及负载偏差交互，评估LLMs预测能力，结果表明GPT-4家族表现出色，有助于理解LLMs模拟人类决策及设计适应偏差的对话代理。
2026-07-07 cs.AI cs.HC
(Ir)rationality and Cognitive Biases in Large Language Models
University College London（伦敦大学）；University of Bologna（博洛尼亚大学）
本文通过心理学文献中的任务评估七种语言模型，发现其在非理性表现上与人类相似，但表现形式不同，且存在响应不一致的额外非理性特征。
2024-02-15 cs.AI cs.CL cs.HC
Assessing Cognitive Biases in LLMs for Judicial Decision Support: Virtuous Victim and Halo Effects
Sierra S. Liu
研究评估大语言模型在司法决策支持中的认知偏差，发现善良受害者效应和光环效应存在差异，部分偏差在人类和模型间有显著差异。
2026-02-21 cs.AI cs.CY
Do Language Models Exhibit the Same Cognitive Biases in Problem Solving as Human Learners?
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；KU Leuven（鲁汶大学）；New York University（纽约大学）
本文将算术解题分为文本理解、规划与执行三步，并用神经符号生成的受控题目测试 LLM，发现其在前两步具有类人认知偏差，而在算术执行步骤没有。
2024-06-17 cs.AI cs.CL cs.LG
Cognitive Alignment At No Cost: Inducing Human Attention Biases For Interpretable Vision Transformers
Ethan Knights
通过微调Google ViT-B/16的自注意力权重，利用人类显著性固定图提升模型与人类注意力的对齐，发现无需额外成本即可增强模型可解释性。
2026-04-21 cs.AI cs.CV
Do Large Language Models Show Biases in Causal Learning? Insights from Contingency Judgment
本研究通过医学情境下的1000个零偶然性场景，测试大型语言模型在偶然性判断任务中的表现，发现所有模型均系统性地产生因果幻觉，支持其仅复现因果语言而非真正理解因果关系的假设。
2025-10-15 cs.AI
A Tutorial on Cognitive Biases in Agentic AI-Driven 6G Autonomous Networks
i2CAT Foundation（i2CAT基金会）；Hostelworld Group（Hostelworld集团）；Technical University of Catalonia (UPC)（技术大学（加泰罗尼亚））；Khalifa University of Science and Technology（卡里玛大学）；ISI/ATH；University of Patras（帕特拉大学）
本文探讨了在6G自主网络中因人类设计引入的认知偏差问题，通过两个案例展示如何利用智能体AI缓解锚定偏差和时间偏差，提升网络管理和边缘计算的效率与节能效果。
2026-05-14 cs.AI cs.NI
FlatFormer: A Flat Transformer Knowledge Tracing Model Based on Cognitive Bias Injection
School of Mathematical Sciences, University of Electronic Science and Technology of China（电子科技大学数学科学学院）
FlatFormer通过引入认知偏差注入机制，实现了在保持高认知保真度的同时，以更简洁的架构和更低的计算成本提升知识追踪模型的性能。
2025-12-07 cs.AI cs.IT math.IT
More Than Irrational: Modeling Belief-Biased Agents
本文针对人类次优决策行为的预测推断难题，提出带显式记忆过程建模的计算理性用户模型，设计嵌套粒子滤波在线推断方法，可高效识别用户认知边界与偏差信念，为自适应AI助手开发提供支撑。
2025-11-15 cs.AI cs.HC cs.LG
Mitigating Prompt-Induced Cognitive Biases in General-Purpose AI for Software Engineering
Collegium Helveticum at ETH Zurich（ETH苏黎世学院）；University of Zurich（苏黎世大学）；University of Italian-speaking Switzerland（意大利语瑞士大学）
研究探讨了提示诱导认知偏差对软件工程决策支持系统的影响，通过动态基准测试发现，提示工程未能显著降低偏差敏感性，但引入基于最佳实践的推理方法可平均降低51%的偏差敏感性。
2026-04-22 cs.AI cs.SE
How College Students Use AI to Navigate Course Readings: Evidence from an Eight-Week Study
University of Washington（华盛顿大学）；University of Copenhagen（哥本哈根大学）；Aalborg University（奥胡斯大学）
本研究探讨了AI支持下学生自主阅读的认知过程，发现学生在阅读中表现出从理解到推理的认知发展，但受效率驱动，倾向于使用AI生成摘要来筛选阅读内容。
2026-07-28 cs.AI cs.CY cs.HC
Dual Cognitive Architecture: Incorporating Biases and Multi-Memory Systems for Lifelong Learning
NavInfo Europe（四维图新欧洲）；Eindhoven University of Technology（埃因霍温理工大学）；TomTom
提出双认知架构DUCA，融合认知偏差与多记忆系统，通过归纳偏差编码形状信息并利用语义记忆渐进巩固知识，实现终身学习，在多个基准及新数据集DN4IL上表现优异。
2023-10-17 cs.AI cs.CV cs.LG
Mesh Memory Protocol: Semantic Infrastructure for Multi-Agent LLM Systems
Hongwei Xu（许鸿伟）
本文提出网格内存协议，通过解决跨会话智能体间认知协作的三个关键问题，构建语义层协议，实现智能体间实时共享、评估和结合认知状态，提升多智能体LLM系统的协作效率。
2026-04-21 cs.AI cs.MA
Instructed to Bias: Instruction-Tuned Language Models Exhibit Emergent Cognitive Bias
Technion – Israel Institute of Technology（以色列理工学院）；School of Computer Science and Engineering, The Hebrew University of Jerusalem（耶路撒冷希伯来大学计算机科学与工程学院）
研究揭示指令微调与RLHF会诱发大语言模型出现诱饵效应、确定性效应和信念偏差等认知偏差，为构建更可靠无偏见的语言模型提供依据。
2024-03-31 cs.AI cs.CY cs.LG
Low-level cognitive skill transfer between two individuals' minds via computer game-based framework
De Montfort University（德蒙福特大学）
这里介绍的新技术旨在完成两个人之间（例如，从专家到学习者）转移低级别认知技能的第一阶段，以简化目标“学习者”个人在游戏环境中连续的更高级别陈述性学习过程。这种低级认知技能与程序性知识相关联，并且建立在低级心智上，该低级心智只能通过新颖的技术（而不是通过传统的教育环境）来揭示和传递，如高度互动的计算机游戏领域，其中用户在游戏会话期间通过游戏英雄非故意地暴露他/她的无意识心智行为。由游戏英雄暴露的认知数据将被记录，然后由人工智能技术如贝叶斯网络建模，用于认知技能转移的早期阶段，并且还生成认知刺激以用作游戏代理来训练学习者。
2021-03-03 cs.AI cs.HC cs.IR
Cognitive Bias in Decision-Making with LLMs
University of California, San Diego（加利福尼亚大学圣迭戈分校）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
针对大语言模型存在类人认知偏差、影响决策公平可解释的问题，研究提出BiasBuster框架，构建含13465条提示的数据集评估偏差，提出自助式去偏差方法，可有效缓解多类模型的认知偏差且无需手动构造示例。
2024-10-03 cs.AI cs.CL
pixelLOG: Logging of Online Gameplay for Cognitive Research
Washington University in St. Louis（华盛顿大学圣路易斯分校）
pixelLOG是一种用于认知研究的高性能数据收集框架，通过混合方法跟踪多人游戏中的行为，实现高分辨率分析。
2026-02-09 cs.AI cs.HC
Humanlike Cognitive Patterns as Emergent Phenomena in Large Language Models
Information Sciences Institute（信息科学研究所）；USC Viterbi School of Engineering（南加州大学维特比工程学院）
本文系统综述了LLMs在决策偏差、推理和创造力三大认知领域的能力，发现其认知模式与人类仅部分一致，GPT-4表现出类人系统2思维，且在语言创造力上表现优异，并为人机协作及未来研究提供了指导。
2024-12-20 cs.AI cs.CL
The Cognitive Categorical Transformer: Category-Theoretic Inductive Biases for Language Modeling
Manceps Inc.（Manceps公司）
提出认知范畴变换器（CCT），通过引入基于范畴论和认知科学的组件，在WikiText-103上以306M参数实现21.27验证困惑度，相比GPT-2 Small基线降低2.92 PPL（12%相对提升），并通过消融实验证实单纯复形消息传递贡献了84%的改进。
2026-05-22 cs.AI cs.CL
Human-Like Intuitive Behavior and Reasoning Biases Emerged in Language Models -- and Disappeared in GPT-4
该研究用认知反思测试和语义错觉探测大语言模型，发现GPT-3存在类人直觉行为与认知偏差，而ChatGPT、GPT-4可避免此类错误呈超理性表现，证明心理学方法能揭示LLM的未知涌现特性。
2023-08-18 cs.AI cs.CL cs.LG
Emulating Aggregate Human Choice Behavior and Biases with GPT Conversational Agents
University College Dublin（都柏林大学）
本研究利用GPT对话代理模拟人类决策偏差，通过对话实验揭示LLMs在个体层面预测和再现偏差的能力，为设计适应性AI系统提供重要启示。
2026-02-05 cs.AI cs.HC cs.MA
Heuristics and Biases in AI Decision-Making: Implications for Responsible AGI
Golisano Institute for Sustainability Rochester Institute of Technology Rochester, The United States；Information Sciences \& Technology, CEHC University at Albany, SUNY Albany, The United States
本研究通过1,500个实验评估GPT-4o、Gemma 2和Llama 3.1在九种认知偏差上的表现，发现GPT-4o最佳、Llama 3.1最差，凸显LLM推理稳健性挑战及减轻偏差对负责任AGI的重要性。
2025-04-07 cs.AI cs.CL cs.LG
Supporting Students' Reading and Cognition with AI
University of Washington（华盛顿大学）；Information School（信息学院）
本研究通过分析124次学生与AI工具的会话，发现用户随时间趋于被动阅读，并提出结构化支架和主动提示等设计建议，以促进高阶思维。
2025-04-07 cs.AI cs.CY cs.HC
