human-cognition

Elon Musk 讨论了白板谬误对人类和 AI 的破坏性影响，引用了《纽约时报》一篇关于大学录取的专栏文章。

这篇文章总结了与Anthropic可解释性研究员Emmanuel Ameisen的现场对话，讨论了大型语言模型如何通过下一个词预测发展出复杂的世界模型，以及这对理解人类认知的影响。

EY正拨款1亿美元奖金，以鼓励员工保持认知能力，旨在减轻AI对工作技能的潜在负面影响。

本研究采用探索性因子分析，比较人类与LLMs在评估中响应的潜在结构，揭示LLMs依赖与人类推理不同的统计上不透明的机制。

文章解释了软件应该设计得符合人类认知系统，特别是快速直觉和慢速注意过程，以提高效果和用户体验。

本文比较了人类和LLM在不同响应量表配置下对含有焦点粒子“even”和“only”的句子的标量判断，发现了稳定的语义驱动差异，但注意到模型缺乏响应变异性。

一篇探讨AI如何缩短直觉与表达之间的距离，以及这如何影响人类判断力和批判性思维发展的文章。

文章认为，人类语言源自已有的意识思想，而LLM无需底层概念即可生成文字，这表明存在一种根本性的颠倒，对AI的未来具有启示意义。

一篇关于LLM心智理论与人类心智理论差异的反思，认为LLM由于依赖客观数据而缺乏情感共情，而人类则整合了主观体验。

本文利用脑电图记录研究人类处理AI生成的幻觉内容时的神经动力学，揭示了错误判断与正确判断幻觉之间的不同认知模式及差异。