近年来,随着深度学习技术的飞速发展,基于大规模预训练的语言模型(large language model, LLM)在自然语言处理领域取得了前所未有的突破,并且在代码生成、软件测试、程序分析与优化等软件工程任务中展现出强大的潜力与广泛的应用前景....近年来,随着深度学习技术的飞速发展,基于大规模预训练的语言模型(large language model, LLM)在自然语言处理领域取得了前所未有的突破,并且在代码生成、软件测试、程序分析与优化等软件工程任务中展现出强大的潜力与广泛的应用前景.作为具备深度语义理解与生成能力的通用人工智能模型,大语言模型的崛起正在重新定义传统的软件质量保障方法,为软件工程的自动化和智能化注入了新的活力.同时,软件质量保障作为确保软件系统在功能性、性能、可靠性和安全性等方面满足设计规范和用户期望的关键环节,其传统方法难以适应现代软件系统日益增长的规模与复杂性.特别是在开源软件、企业级应用和芯片设计程序等高度复杂的应用场景中,传统方法的自动化与智能化程度难以满足实际需求.展开更多
随着大语言模型(Large Language Models,LLMs)能力的提升及其广泛应用,社会正逐步从传统的人际交互转向融合人际交互、人机交互和机机交互的多层次互动结构。在人类与LLMs交互日益深入的背景下,研究人类如何感知LLMs成为了重要议题。本...随着大语言模型(Large Language Models,LLMs)能力的提升及其广泛应用,社会正逐步从传统的人际交互转向融合人际交互、人机交互和机机交互的多层次互动结构。在人类与LLMs交互日益深入的背景下,研究人类如何感知LLMs成为了重要议题。本研究通过三项研究系统考察人类对LLMs的感知模式。研究1发现,与对人类的感知一致,人类主要通过热情和能力两个维度感知LLMs。然而,在一般情境下,不同于对人类感知中的热情优先,人类在对LLMs的感知中能力优先。研究2探讨了热情和能力在不同态度预测中的优先效应,结果表明,热情与能力均能正向预测人类对LLMs的持续使用意愿和喜爱度,其中能力对持续使用意愿的预测效力更高,而热情对喜爱度的预测效力更高。研究3进一步探索了人类对LLMs与对他人的感知差异,结果显示,人类对LLMs的热情评价与人类无显著差异,但对LLMs的能力评价显著高于人类。本研究为理解人类对LLMs的感知提供了理论基础,并为人工智能的设计优化及人机协作机制的研究提供了新的视角。展开更多
文摘近年来,随着深度学习技术的飞速发展,基于大规模预训练的语言模型(large language model, LLM)在自然语言处理领域取得了前所未有的突破,并且在代码生成、软件测试、程序分析与优化等软件工程任务中展现出强大的潜力与广泛的应用前景.作为具备深度语义理解与生成能力的通用人工智能模型,大语言模型的崛起正在重新定义传统的软件质量保障方法,为软件工程的自动化和智能化注入了新的活力.同时,软件质量保障作为确保软件系统在功能性、性能、可靠性和安全性等方面满足设计规范和用户期望的关键环节,其传统方法难以适应现代软件系统日益增长的规模与复杂性.特别是在开源软件、企业级应用和芯片设计程序等高度复杂的应用场景中,传统方法的自动化与智能化程度难以满足实际需求.
文摘随着大语言模型(Large Language Models,LLMs)能力的提升及其广泛应用,社会正逐步从传统的人际交互转向融合人际交互、人机交互和机机交互的多层次互动结构。在人类与LLMs交互日益深入的背景下,研究人类如何感知LLMs成为了重要议题。本研究通过三项研究系统考察人类对LLMs的感知模式。研究1发现,与对人类的感知一致,人类主要通过热情和能力两个维度感知LLMs。然而,在一般情境下,不同于对人类感知中的热情优先,人类在对LLMs的感知中能力优先。研究2探讨了热情和能力在不同态度预测中的优先效应,结果表明,热情与能力均能正向预测人类对LLMs的持续使用意愿和喜爱度,其中能力对持续使用意愿的预测效力更高,而热情对喜爱度的预测效力更高。研究3进一步探索了人类对LLMs与对他人的感知差异,结果显示,人类对LLMs的热情评价与人类无显著差异,但对LLMs的能力评价显著高于人类。本研究为理解人类对LLMs的感知提供了理论基础,并为人工智能的设计优化及人机协作机制的研究提供了新的视角。
