Believing Anthropomorphism: Examining the Role of Anthropomorphic Cues on Trust in Large Language Models

现在，人们经常通过语音和文本（例如Bard）接口与大型语言模型（LLMs）进行交互。然而，我们很少了解用户如何将人类特征归属于LLM系统（即赋予系统类似于人类的特征）与他们信任系统提供的信息之间的关系。参与者（来自美国，年龄在18-90岁之间，共2,165人）完成了一项在线实验，其中他们与一个伪LLM进行交互，该伪LLM在响应中的语态（仅文本、语音+文本）和语法人称（“我”vs.“系统”）不同。结果表明，“语音+文本”条件导致系统整体上更高的拟人化程度，以及更高的对系统提供信息准确性的评分。此外，第一人称代词（“我”）在一个情境中提高了信息准确性和降低了风险评级。我们讨论这些发现对于负责任的、人类生成的人工智能体验设计的影响。

研究用户如何将人类特征赋予大型语言模型系统（LLMs）与他们对系统提供信息的信任度之间的关系，以及如何设计负责任的人工智能体验

在模态（仅文本、语音+文本）和语法人称（"我"和"系统"）变量下，研究LLMs系统的人性化程度和信息准确性之间的关系。结果表明，语音+文本条件下的LLMs系统整体上更容易被人性化，用户也更相信它提供的信息准确性。此外，第一人称代词"我"在一个特定的情境下提高了信息准确性和降低了风险评级。

实验参与者为来自美国、年龄在18-90岁之间的2165人。实验结果有助于设计负责任的人工智能体验。

最近的相关研究包括：1. "The Effects of Anthropomorphism on Trust in Online Recommenders: A Social Identity Perspective"; 2. "Humanizing AI through anthropomorphism? Testing the effects of AI service personality and embodiment in service interactions"