大型语言模型似乎非常有创造力，通常在创造性任务上的表现与普通人类相当。然而，关于大型语言模型创造力的研究仅专注于“产品”，而对创造性“过程”关注较少。人类创造性的过程分析通常需要手工编码的类别或利用响应时间，这些方法不适用于大型语言模型。我们提供了一种自动化方法来表征人类和大型语言模型在替代用途任务中如何探索语义空间，并与语言流畅性任务中的行为进行对比。我们使用句子嵌入来识别响应类别并计算语义相似性，然后生成跳跃轮廓。我们的结果支持早期人类工作的结果，报告了人类对创造力的持久（在少数语义空间中进行深入搜索）和灵活（在多个语义空间中进行广泛搜索）路径，这两种路径都导致类似的创造力得分。发现大型语言模型倾向于持久或灵活的路径，这种倾向在任务之间有所不同。虽然大型语言模型的整体特征与人类相似，但它们与创造力的关系不同，其中更灵活的模型得分更高。我们的数据集和脚本可在GitHub上获得。

人们依靠像冲突解决这样的社交技能来有效沟通，并在工作和个人生活中获得成功。然而，社交技能的实践环境通常对大多数人来说不可及。我们如何使社交技能培训更加可用、可访问和吸引人呢？本文基于传播学和心理学的跨学科研究，识别了进入专业领域的社交技能障碍。然后，我们提出了一种利用大型语言模型进行社交技能培训的通用框架解决方案。我们的AI伙伴、AI导师框架将体验式学习与现实实践和量身定制的反馈相结合。这项工作最终呼吁跨学科创新，以应对劳动力发展和社会平等的更广泛影响。

在我们这个快速技术进步的时代，写作助手的研究领域已经在各种研究社区中变得越来越分散。我们提出了一个设计空间，作为一种结构化的方式来研究和探索智能交互式写作助手的多维空间，以解决这一挑战。通过大规模的社区合作，我们探讨了写作助手的五个方面：任务、用户、技术、交互和生态系统。在每个方面中，我们通过系统地审查了115篇论文，定义了维度（即方面的基本组成部分）和代码（即每个维度的潜在选项）。我们的设计空间旨在为研究人员和设计师提供一个实用的工具，以便于导航、理解和比较各种写作助手的可能性，并帮助构思和设计新的写作助手。

广泛使用的大型语言模型（LLMs）可以产生令人信服但不正确的输出，这可能会误导用户，他们可能会依靠它们作为正确的信息。为了减少这种过度依赖，有人呼吁LLMs向最终用户传达它们的不确定性。然而，很少有实证研究探讨用户如何感知和采取行动来应对LLMs的不确定表达。我们通过一项大规模、预注册的人体实验（N=404），在其中参与者回答医学问题，有或没有访问虚构的LLM注入搜索引擎的响应，来探讨这个问题。使用行为和自我报告的测量，我们研究了不同的自然语言不确定表达如何影响参与者的依赖、信任和总体任务表现。我们发现，第一人称表达（例如，“我不确定，但是…”）降低了参与者对系统的信心和同意系统答案的倾向，同时提高了参与者的准确性。探索性分析表明，这种增加可以归因于对不正确答案的过度依赖减少（但并未完全消除）。虽然我们观察到类似的效果，即从一般角度表达的不确定性（例如，“不清楚，但是…”），但这些效果较弱且不具有统计学意义。我们的研究结果表明，使用自然语言表达不确定性可能是减少对LLMs过度依赖的有效方法，但所使用的确切语言很重要。这凸显了在大规模部署LLMs之前进行用户测试的重要性。

虚假社交媒体账户、ChatGPT等生成式人工智能机器人、金融市场上的高频交易算法以及街头的自动驾驶汽车等机器人、机器人和算法正在扩散并渗透到我们的通信渠道、社交互动、经济交易和交通动脉中。多个相互依存和相互作用的人类和自主机器人网络构成了复杂的适应性社会系统，其中集体结果不能仅仅从人类或机器行为中简单推导出来。在这个范式下，我们回顾了来自各个学科的最新实验、理论和观察性研究——机器人学、人机交互、Web科学、复杂性科学、计算社会科学、金融、经济学、政治学、社会心理学和社会学。我们确定了在竞争、协调、合作、传染和集体决策情况下的一般动态和模式，并将它们置于四个突出的现有人机社区的背景下：高频交易市场、社交媒体平台（前身为Twitter）、开放协作百科全书Wikipedia和新闻聚合和讨论社区Reddit。最后，我们提出了关于人机社会系统的研究、设计和治理建议，这些建议有助于减少错误信息、防止金融崩溃、提高道路安全、克服劳动力市场扰动，并实现更好的人类未来。

领域专家在指导数据科学家优化机器学习模型并确保下游使用的上下文相关性方面可以发挥关键作用。然而，在当前的工作流程中，由于专业知识的差异、抽象的文档实践以及对低级实现工件的访问和可见性的缺乏，这种协作是具有挑战性的。为了解决这些挑战并实现领域专家的参与，我们介绍了CellSync，这是一个协作框架，包括(1)一个Jupyter Notebook扩展，可以持续跟踪数据帧和模型指标的变化，以及(2)一个由大型语言模型驱动的可视化仪表板，使这些变化对领域专家可解释。通过CellSync的单元级数据集可视化和代码摘要，领域专家可以交互式地检查单个数据和建模操作如何影响不同的数据段。聊天功能可以进行数据中心的对话并向数据科学家提供有针对性的反馈。我们的初步评估表明，CellSync提供了透明度并促进了关于数据操作意图和影响的重要讨论。

在人工智能协同中，达成团队计划的共识至关重要。虽然以前的研究提供了通过不同方式进行交流的方法，但当人工智能没有可解释的计划进行交流时，协调仍可能很困难。为了弥补这一差距，我们建议将外部模型纳入到协助人类理解人工智能代理意图的过程中。在本文中，我们提出了一个两阶段的范式，首先从目标代理的离线轨迹中训练出一个心理理论模型，然后在人工智能协作过程中利用该模型，实时显示目标代理的未来动作预测。这种范式将人工智能代理作为一个黑盒子，因此可用于改进任何代理。为了测试我们的范式，我们进一步实现了一个基于Transformer的预测器作为心理理论模型，并开发了一个扩展的在线人工智能协作平台进行实验。全面的实验结果验证了我们的模型可以帮助人工智能团队取得更好的表现。实验附带的用户评估进一步证明了我们的范式可以显著提高人类的情境感知能力。我们的研究展示了通过外部协助增强人类能力的潜力，这可能进一步激发未来的研究。

近年来，XLogoOnline编程平台在初学者中变得越来越受欢迎。它将Logo编程语言与可视化编程相结合，为学习计算概念提供了一个可视化界面。然而，XLogoOnline只提供了有限的任务，这对于需要充分练习的学习者来说是不足够的，无法掌握需要大量实践的计算概念。为了解决这个问题，我们引入了一种新颖的技术——XLogoSyn，用于合成不同难度级别的高质量任务。给定一个参考任务，XLogoSyn可以生成适合不同学习者需求和能力的不同难度级别的练习任务。XLogoSyn通过结合符号执行和约束满足技术来实现这一点。我们的专家研究证明了XLogoSyn的有效性。我们还将合成的练习任务部署到XLogoOnline中，突显了这些合成练习任务的教育效益。

当执行团队目的的相互依存的个人任务时，同时个人流（即同时流）是实现共享团队流的先决条件。检测同时流有助于更好地了解团队成员的状态，因此对于优化多用户交互系统非常重要。然而，目前缺乏探索检测同时流的客观特征和方法。基于团队合作中流的大脑机制和先前关于基于脑电图（EEG）的个人流检测的研究，本研究旨在探索与同时流相关的重要EEG特征，以及基于EEG信号的有效检测方法。首先，设计了一个两人同时流任务，基于此构建了第一个同时流的多EEG信号数据集。然后，我们探索可能与个人和同时流相关的潜在EEG信号特征，并使用各种机器学习模型验证它们在同时流检测中的有效性。结果表明：1）因为增强了模型检测不同类型的同时流，因此跨脑同步特征与同时流相关；2）在检测同时流时，额叶区域的特征似乎优先考虑；3）随机森林在二元分类中表现最佳，而神经网络和深度神经网络在三元分类中表现最佳。

图像生成模型正在改变我们在视觉艺术中表达自己的方式。然而，人们对于由人工智能生成的艺术作品的看法还未被广泛探讨，特别是与传统艺术相比。本文介绍了一个交互式研究产品GenFrame的设计，它是一个看起来像传统绘画的图像生成画框，但观众可以修改所描绘的画作。在本文中，我们报告了一项研究，我们在传统艺术博物馆中部署了GenFrame，并采访了参观者对于人工智能艺术的看法。当人们面对由人工智能生成的艺术作品时，他们需要更多的艺术家背后的故事和情感历程，以使艺术作品与传统艺术相当。然而，生成式人工智能启用的交互式体验开启了新的艺术参与方式，当旋转一个旋钮即可修改绘画的艺术风格或图案。可以在这里观看演示：https://youtu.be/1rhW4fazaBY。