深度分析
來源標籤如何左右人類與 LLM 的邏輯謬誤偵測：CoCoLoFa 資料集實證
隨著AI生成內容普及，研究以CoCoLoFa資料集的邏輯謬誤評論測試不同來源標籤對判斷的影響。結果顯示，人類在標示為人類或人類+AI時更易接受謬誤，而大型語言模型對來源標籤影響較小，顯示人機協作可減少此類偏誤。本研究招募505名參與者，測量信任與評分。
深度分析
隨著AI生成內容普及，研究以CoCoLoFa資料集的邏輯謬誤評論測試不同來源標籤對判斷的影響。結果顯示，人類在標示為人類或人類+AI時更易接受謬誤，而大型語言模型對來源標籤影響較小，顯示人機協作可減少此類偏誤。本研究招募505名參與者，測量信任與評分。
深度分析
本研究探討大型語言模型在模擬社會辯論時的可靠性，利用同質性可控的網路模型觀察多輪互動。實驗發現模型易產生「共識漂移」，即意見向特定方向偏移。結果提醒在將 LLM 作為人類行為代理前，需先分離結構效應與模型偏誤，以免產生誤判。