大型语言模型中的人为因素对错误检测的影响：系统文献综述与未来研究方向
本文研究大型语言模型（LLMs）对人工智能研究的影响。通过以GPT3.5 / ChatGPT3.4和ChatGPT 4为例，我们展示这些模型具有什么样的功能，并且这些模型令人们瞩目的领域覆盖速度证明了这个趋势正在逐渐变成实现通用智能的强劲迹象。这些模型的创新也将随着这些人工智能系统的成熟而扩大，并将展示出在我们社会的多个方面具有重要影响的不可预见的应用。
May, 2023
本研究对语言模型（LLMs）的理解能力进行了比较和对照，发现人类分析师和LLMs的分类和推理能力存在显著差异，但二者合作可能会产生协同效应，从而丰富了定性研究。
Jun, 2023
用于区分ChatGPT生成文本和人类生成文本的当前方法的综述，包括构建用于检测ChatGPT生成文本的不同数据集，采用的各种方法，对人类与ChatGPT生成文本特征的定性分析，并最终总结研究结果为一般性见解。
Sep, 2023
通过对多个LLM模型的研究，本文不仅提供了全面的概述，还明确了现有挑战，并指出了未来的研究方向。该综述提供了关于生成型人工智能的当前状态的全面观点，为进一步的探索、增强和创新提供了启示。
Mar, 2024
我们引入了一个综合的语言基准测试来评估大型语言模型在逻辑推理、空间智能和语言理解等领域的局限性。通过一系列简单的问题，它揭示了知名模型在执行人类轻松处理的任务时存在的显著限制。它还强调了提示工程的潜力以缓解一些错误，并强调了更好的训练方法的必要性。我们的研究结果强调了将大型语言模型与人类推理和常识连接起来的重要性，并强调了人在企业应用中的必要性。我们希望这项工作为未来的研究提供了增强新模型的实用性和可靠性的途径。
May, 2024
本研究解决了大型语言模型（LLMs）广泛应用所带来的众多挑战，包括学术诚信、版权和伦理问题等，填补了相关文献的空白。通过系统梳理和分析现有文献，我们提出了对特定LLMs的风险分类、成因及解决方案，以及更广泛的挑战和缓解策略。本研究的主要发现是这些模型的复杂性和潜在影响需要更深入的理解与应对。
Aug, 2024
本研究解决了大型语言模型（LLMs）在正确性、非毒性和公平性方面的可靠性问题。通过引入FactChecker和LogicAsker两种测试框架，评估LLMs的事实知识和逻辑推理准确性，同时采用BiasAsker和XCulturalBench框架测量社会偏见和文化偏见。研究的最终发现表明，增强LLMs的准确性和公平性对于其在广泛应用中的安全性和有效性至关重要。
Aug, 2024
本研究探讨了大型语言模型（LLMs）在自然语言处理和人工智能领域的快速发展，识别其影响、局限性及未来方向。研究提供了LLM发展的责任开发考虑、算法改进、伦理挑战和社会影响的全面概述，强调了其潜在的社会积极影响和伦理问题。
Sep, 2024