重磅預印本剛剛發布！ 我們比較了人類和大型語言模型（LLMs）在七個認識論階段形成判斷的方式。 我們突出了七個斷層線，即人類和LLMs根本分歧的點： 基礎斷層：人類的判斷基於感知、具身和社會經驗，而LLMs僅從文本開始，間接地從符號重建意義。 解析斷層：人類通過整合的感知和概念過程解析情境；LLMs則進行機械的標記化，產生結構上方便但語義上薄弱的表示。 經驗斷層：人類依賴情節記憶、直觀的物理學和心理學以及學習的概念；LLMs僅依賴於嵌入中編碼的統計關聯。 動機斷層：人類的判斷受到情感、目標、價值觀和進化塑造的動機的指導；LLMs沒有內在的偏好、目標或情感意義。 因果斷層：人類使用因果模型、反事實和原則性評估進行推理；LLMs整合文本上下文而不構建因果解釋，而是依賴於表面相關性。 元認知斷層：人類監控不確定性、檢測錯誤並能夠暫停判斷；LLMs缺乏元認知，必須始終產生輸出，這使得幻覺在結構上無法避免。 價值斷層：人類的判斷反映身份、道德和現實世界的利害關係；LLM的“判斷”是沒有內在評價或問責的概率下一個標記預測。 儘管存在這些斷層，人類系統性地過度相信LLM的輸出，因為流利和自信的語言產生了可信度偏見。 我們認為這創造了一種結構性條件，稱為Epistemia： 語言的可信度取代了認識評估，產生了知道的感覺而實際上並不知道。 為了解決Epistemia，我們提出了三種互補策略：認識評估、認識治理和認識素養。 完整論文在第一條回覆中。 與@Walter4C和@matjazperc聯合發表

在《科學》期刊上發表了一篇引人入勝的論文。 作者分析了多個領域頂尖表現者的職業軌跡，包括諾貝爾獎得主、精英棋手、奧運金牌得主等。 他們的核心發現挑戰了一個普遍的信念。 在年輕時進行密集的單一學科訓練確實會帶來早期優勢，但這種優勢隨著時間的推移而減弱。 相比之下，早期接觸多學科實踐的個體往往起步較慢。然而，從長遠來看，他們更有可能達到世界級的表現，最終超越那些早期專家，後者往往在接近頂尖時停滯不前。 這是一個重要的提醒，早期的廣度可以是對長期卓越的強大投資。 論文鏈接在第一條回覆中。

現在在《自然人類行為》上發表！ 🚀🚀 在過去幾十年中，對集體人類行為的研究在很大程度上依賴於網絡。這是直觀的：人們與其他人互動。 然而，我們認為這一主導框架缺少了一個關鍵成分。 傳統網絡將代理表示為節點，將成對關係表示為邊。因此，它們基本上假設社會互動可以分解為成對的關係。 然而，許多社會過程是不可簡化為群體的。 一個簡單的例子：三位共同作者寫一篇論文的群體不能簡化為三對獨立的共同作者。這個群體本身是重要的。 在這篇文章中，我們回顧了許多實證和理論案例，其中群體互動無法分解為成對的互動，並展示了高階互動如何在超越二元關係的情況下塑造集體行為。 我們主張在超圖上研究集體行為，因為互動可以同時涉及多個代理。 我們回顧了超圖如何在多個領域提供新的見解，包括隸屬和合作網絡、高頻接觸環境（家庭、朋友）以及社會傳染、合作、說真話和道德行為等關鍵社會過程。 最後，我們概述了未來研究的有前景方向：解決高階模型的計算挑戰；研究群體動態中的偏見和不平等；結合超圖和大型語言模型來研究語言和行為的共同演化；以及使用高階網絡在實施前模擬政策的影響；等等。 我們對這項工作感到非常興奮，希望它能激發在這個快速增長且基本的領域進一步的研究，並具有廣泛的現實世界影響。 在第一條回覆中鏈接到論文 這項工作由Federico Battiston (@fede7j)出色地領導，並有一支傑出的共同作者團隊：Fariba Karimi (@fariba_k)、Sune Lehmann、Andrea Bamberg Migliano、Onkar Sadekar (@OnkarSadekar)、Angel Sanchez和Matjaz Perc (@matjazperc)