大型语言模型（LLM）与人类一样具有说服力，但我们对其原因知之甚少。本文研究了 LLM 的说服策略，并将其与人类生成的论点进行比较。通过对 1251 名实验参与者的数据集分析，我们使用认知努力度（词汇和语法复杂性）以及道德情感语言（情感和道德分析）衡量 LLM 生成和人类生成的论点的说服策略。研究表明，LLM 生成的论点需要更多的认知努力，其语法和词汇结构比人类对应论点更为复杂。此外，LLM 表现出更强烈的倾向来运用道德语言，与人类相比，更频繁地使用积极和消极的道德基础。与先前的研究相反，没有发现 LLM 生成的情感内容与人类有显著差异。这些发现有助于关于人工智能和说服力的讨论，突显了 LLM 通过传播策略对信息的真实性产生同时增强和破坏的双重潜力。

Apr, 2024

大型语言模型（LLMs）的能力不断增长，但也引发了对其潜在滥用创建个性化、令人信服的错误信息和宣传的担忧。为了了解 LLMs 的说服能力，我们在 Durmus＆Cardie（2018）的数据集上进行了研究，提出了衡量 LLMs 能力的任务，包括区分强弱论点、根据信念和人口特征预测立场、以及根据个人特征确定论点的吸引力。我们发现 LLMs 在这些任务中能与人类持平，并且合并不同 LLMs 的预测可以显著提高性能，甚至超过人类表现。本文发布的数据和代码为持续评估和监测快速发展的 LLMs 的潜在影响和能力做出了关键而持续的贡献。

Mar, 2024

当前的研究论文测试了大型语言模型（LLMs）的可行性，作为人工代理人参与社会学实验中的对话活动，揭示了 LLMs 在辩论中的限制，以及其对人类的影响和能力。

Feb, 2024

准确模拟人的观点动态对于理解各种社会现象至关重要，包括极化和误信息传播。我们提出了一种基于大型语言模型的人口多智能体模拟观点动态的新方法。我们的发现揭示出语言模型智能体存在对准确信息的固有偏差，导致在科学现实中产生共识。然而，该偏差限制了模拟对气候变化等问题持有抵制观点的个体。在通过启动工程引入确认偏见后，我们观察到观点分裂的情况与现有的多智能体研究一致。这些见解突显了在该领域中大型语言模型智能体的前景和局限，并提出了未来发展路径：通过与真实世界的话语相结合，完善语言模型，以更好地模拟人类信念的演变。

Nov, 2023

我们研究了大型语言模型（LLMs）产生有说服力的文本的能力，通过构建一个新的数据集 Persuasive-Pairs，用于训练回归模型来预测文本对之间的说服力得分，并讨论了系统提示中不同 'personas' 对文本的影响。

Jun, 2024

综述了利用大型语言模型进行基于代理的建模和仿真的现状、挑战和未来发展方向，并提供了大型语言模型 - 基于代理的建模和仿真在实际环境和虚拟环境中的最新研究成果。

Dec, 2023

通过五项任务评估语言模型在对话推荐中模拟人类行为的效果，研究发现基准模拟器的评估可以揭示语言模型与人类行为的差异，并提供了模型选择和提示策略的见解。

Mar, 2024

使用多种规模的大型语言模型生成的政治信息，证明规模越大并不意味着越具有说服力，实验结果显示完成任务（连贯性，专题一致性）是较大模型说服力优势的主要原因。

Jun, 2024

该论文介绍了一种新方法，即通过多个语言模型实例的反复辩论和推理过程，以达成一个共同的最终答案，从而改善语言响应的表现，特别是在数学和策略推理方面，改善了已有模型中一些常见问题，如虚假答案和幻觉现象，并有望显著提高大型语言模型的性能和开拓语言生成和理解领域。

May, 2023

社交媒体及其新闻推送算法对于提升构建性对话具有挑战性，本研究使用大型语言模型和基于代理模型的仿真来研究不同的新闻推送算法如何影响在线对话质量，发现新推送算法能够促进跨政治观点的建设性、非有害对话。

Oct, 2023