本文通过对实际的 ChatGPT 数据集进行分析，研究 ChatGPT 的早期用户的兴趣话题、潜在职业以及这些因素随时间的变化，以理解人工智能与人类互动的变化以及语言模型用户参与的未来趋势。

Dec, 2023

本文探讨了预训练语言模型在生成目标导向对话方面的潜力，并通过 ChatGPT 在三类目标导向对话、两种生成模式和两种语言的实验中进行了评估，结果表明生成的对话和注释质量与人类相当。

May, 2023

研究探讨人类和 LLM 生成的对话之间的语言差异，并使用 ChatGPT-3.5 生成的 19.5K 对话作为 EmpathicDialogues 数据集的补充。研究使用了语言查询和词频统计（LIWC）分析，在 118 个语言类别上比较 ChatGPT 生成的对话和人类对话。结果显示人类对话在可变性和真实性方面更出色，但 ChatGPT 在社交过程、分析风格、认知、注意力焦点和积极情绪方面表现优异，加强了 LLM “更接近人类” 的最新发现。然而，在正面或负面情感方面，ChatGPT 和人类对话之间没有显著差异。对话嵌入的分类器分析表明，尽管对话中未明确提及情感，但存在着情感价值的隐式编码。该研究还提供了一个新颖的 ChatGPT 生成的对话数据集，其中包含两个独立的聊天机器人之间的对话，这些对话旨在复制一个开放可访问的人类对话语料库，广泛应用于语言建模的 AI 研究。我们的研究结果增加了对 ChatGPT 的语言能力的理解，并为区分人类和 LLM 生成的文本的持续努力提供了信息，这对于检测由 AI 生成的虚假信息、错误信息和误导信息至关重要。

Jan, 2024

该研究旨在研究 ChatGPT 在人本设计过程中的能力，通过一个虚构的设计项目，证明 ChatGPT 可以表现为设计师、用户或产品，提高了用户体验，但是存在一定的局限性，为未来研究提供了参考方向。

Feb, 2023

这篇论文研究了使用大型语言模型 ChatGPT-3.5 在真实人机对话中执行对话行为检测的能力，并与专门的模型进行对比。研究发现，专门的模型和 ChatGPT 都没有达到令人满意的结果，低于人类表现，但 ChatGPT 显示出了潜在的潜力，并经常超过专门的检测模型。最后，论文深入探讨了 ChatGPT 的主要缺点，并提出了增强 LLM 能力的未来研究的指导。

Sep, 2023

本研究分析了 ChatGPT 在不同对话问答语料库中生成的回答，并使用 BERT 相似度得分进行比较，以获取自然语言推理（NLI）标签。该研究还确定了 ChatGPT 提供错误答案的情况，提供了有关该模型可能存在错误的领域的见解。通过评估分数，比较 GPT-3 和 GPT-4 的整体性能。

Apr, 2023

在本文中，研究人员探索了 ChatGPT 的新颖知识，在融合现有的自然语言处理技术时，如早期或晚期融合，增强了情感计算、自杀倾向检测和大五人格评估等问题的现有技术的能力。

Jul, 2023

对 ChatGPT 进行了心理特征和文化价值的测量，发现其与真实人类存在差异，表现出文化偏见和刻板印象。未来的研究应加强技术监督和算法训练的透明性，促进跨文化交流和减少社会差异。

May, 2024

本研究介绍了一种基于 ChatGPT 的对话式自动化机器学习 (AutoML) 框架作为 “个人数据科学家”，通过多个语言模型实例构建了自然界面，展示了对话式数据科学的新概念，同时也突出了 ChatGPT 的潜在缺陷和改进机会。

May, 2023

通过将 OpenAI 的 ChatGPT 与具身智能系统相结合，本研究评估了它对交互式决策基准的影响。我们引入了 InterAct 的概念，将 ChatGPT 赋予多个角色，如检查员和分类员，并与原始语言模型进行整合。我们的研究在 AlfWorld 中展示了惊人的 98% 成功率，该环境模拟了一个家庭环境中的 6 个不同任务，强调了有效的提示工程的重要性。结果突显了 ChatGPT 在理解和高效完成复杂任务方面的能力，为任务规划的进一步发展铺平了道路。

Aug, 2023