本研究通过混合方法，探讨了在线教育是否具有使用基于生成人工智能技术的合成视频来创造有用的教育内容的潜力，并发现人工智能生成的合成视频可以成为在线教育中传统方法所制作视频的替代方案。

Apr, 2023

鉴于生成式人工智能（GenAI）的进展引发了对检测和区分人工生成内容和人类生成内容的关注，本研究通过 2022 年至 2023 年的纵向民族志研究发现，GenAI 支持拼凑工作，即非专家越来越多地使用 GenAI 来重新混合、重新包装和（重新）生成内容以满足他们的个人需求和欲望。本研究得出了四个主要发现：首先，参与者主要使用 GenAI 进行创作，而不是寻求真相。其次，传播 “影响力百万富翁” 叙事推动参与者成为内容创作者，使用 GenAI 作为生产工具来生成大量（通常是误导性的）内容。第三，GenAI 降低了跨模态内容创作的门槛，吸引消费者成为创作者并显著增加现有创作者的产出。最后，参与者使用 GenAI 学习和使用营销策略来扩大参与度并将其内容商品化。我们主张将分析焦点从将公众视为 AI 内容的消费者转向将他们视为创作工者，他们在很大程度上无需了解其基础技术。我们分析了这些较少研究的 GenAI 新兴用途如何产生新的或加速的误导危害，并探讨了它们对 AI 产品、平台和政策的影响。

May, 2024

本研究综述了生成人工智能（Generative AI）和大语言模型（LLMs）在视频技术领域中的应用，包括视频生成、理解和流媒体，强调了这些技术在产生高度逼真视频方面的创新应用，在实现现实世界动态与数字创作之间存在重大差距的时候迈出了重要一步。同时，作者还深入探讨了 LLMs 在视频理解方面的先进能力，展示了它们从视觉内容中提取有意义信息的有效性，从而提升了我们与视频的互动。在视频流媒体领域，本文讨论了 LLMs 如何为更高效、以用户为中心的流媒体体验做出贡献，将内容传递适应个体观众的偏好。通过梳理生成 AI 和 LLMs 在与多媒体、网络和人工智能社区相关的视频技术任务中的当前成就、持续挑战和未来可能性，本文突显出这些技术在推动视频技术领域发展方面的巨大潜力。

Jan, 2024

通过研究人工智能生成模型与人类贡献者之间的竞争，本文探讨了动态竞争模型中人类贡献者如何在一系列主题的内容生成中最大化效益。在时间敏感的内容领域中，研究表明在没有多项式时间的优化策略的情况下，人类的最优策略无法找到，但通过设计一个多项式时间算法可以保证近似性能。而在时间不敏感的内容领域中，我们展示了一种可以在长期内最大化人类效益的多项式时间算法。

Jun, 2024

这篇论文讨论了生成型人工智能（GenAI）和大型语言模型（LLMs）的潜在滥用风险和社会影响，并提出了应对挑战和准备的思考。

Oct, 2023

生成式人工智能技术（GenAI）可能被用于积极和消极目的，这篇论文讨论了 GenAI 所带来的双重用途困境，并提出了针对此问题的短期和长期目标，旨在引发学术界对此重要主题的深入讨论。

Aug, 2023

AI 和生成 AI 工具在研究发现和总结方面具有重要作用，通过生成语言模型可以更快地找到相关文献并提取研究论文的关键要点，对统计学家和数据科学家具有重要意义。

Jan, 2024

通过研究发现，生成人工智能已经可以利用网页上的上下文信息实现生成相关和高质量的网页图像，而无需手动输入提示，这一方法对于修复破损的网页或处理高度私密内容可能非常有价值。

Oct, 2023

通过在线实验研究，我们得出结论：使用 GenAI 平台获取灵感会导致作品被评定为更具创造力、写作更好、更令人愉快，尤其是在创造力较低的作家中。然而，每个条件内的故事相似性的客观度量揭示出，相比于单独由人类创作的故事，GenAI 生成的故事更加相似。这些结果表明了个人创造力的增加，但同时也存在着过度依赖的潜在后果，可能会导致集体创新的缺失。

Dec, 2023

该研究通过对相关文献的系统回顾，概述了在高等教育中利用生成人工智能进行教学和学习的最新研究现状。研究发现，文献中存在研究缺口，需要进一步研究如何将生成人工智能融入教学和学习过程，加强跨学科、多维度的合作，以制定生成人工智能的使用指南、框架和政策。

Jun, 2024