LLMs 会减少人们的极化吗？
摘要
关于广泛使用 LLMs（与维基百科类似，而非引发愤怒的社交媒体算法）是否会减少社会极化的推测性讨论。
那么，既然 LLMs 和 AI 更类似于维基百科，而非 Facebook 和 Twitter 这类煽动情绪的算法，它们的广泛使用是否会显著减少世界的极化？假设人们接受它们并花费更多时间在它们上面。
相似文章
LLM 能预测你接下来要说什么吗？
作者推测，基于海量监控数据与社交媒体数据训练的 LLM，可能预测单个用户的行为，并大规模提供超个性化说服，由此引发对自主性、偏好操纵以及隐性歧视的担忧。
默认极化：LLM 内容策展中的推荐偏差审计
本文对 OpenAI、Anthropic 和 Google 的基于 LLM 的内容策展推荐偏差进行了大规模审计，使用了来自 Twitter/X、Bluesky 和 Reddit 数据的 540,000 次模拟选择。研究发现 LLM 系统性地放大极化现象，在毒性处理方面表现出不同的权衡，并显示出显著的政治倾向偏差，倾向于左倾作者，尽管数据集中右倾作者占多数。
Polistemics：评估LLMs作为政治与选举中的信息中介
本文介绍了Polistemics，一个基于理论的基准，用于评估LLMs如何在选举中中介政治信息，并发现尽管总体得分看起来不错，但模型在模糊或矛盾信息下系统性失败。
使用LLM会让我变得更笨吗？
这篇文章重新构架了使用LLM是否让人变笨的问题，转而分析它们如何改变学习的分布和本质，认为虽然总的思考时间可能相似，但思考的主题和深度发生了变化，并存在错误信息风险和某些认知技能的丧失。
多未必佳：LLM观点多样性的关键因素是什么？
一项析因实验表明，角色细节并不会单调增加LLM观点多样性；不同的交互架构探索了互不重叠的观点区域；而温度缩放等低成本干预措施效果甚微。